Upload
aldibae
View
213
Download
0
Embed Size (px)
DESCRIPTION
a
Citation preview
349
ANALISIS REGRESI DEMING
PADA PEUBAH PREDIKTOR YANG MEMUAT
KESALAHAN PENGUKURAN
Bayu Muhamad Ramdan, Heni Kusdarwati dan Ni Wayan Surya W
Jurusan Matematika, F.MIPA, Universitas Brawijaya
Email: [email protected]
Abstrak. Pada model regresi linear klasik, peubah prediktor diasumsikan bersifat tetap (tidak memiliki sebaran)
sehingga tidak ada kesalahan pengukuran dan peubah respon diasumsikan mengikuti sebaran normal. Bila peubah
prediktor memuat kesalahan pengukuran (memiliki nilai sisaan) maka model regresi linear sederhana tidak tepat
digunakan. Untuk mengatasi hal ini, maka digunakan analisis regresi deming sebagai alternatif dalam
menyelesaikan masalah tersebut. Penelitian ini dilakukan terhadap tiga kasus data yaitu antimikroba, insektisida
dan tekanan darah. Pada setiap kasus terdapat dua penelitian yaitu penelitian lama (A) dan penelitian baru (B).
Peubah prediktor diperoleh dari hasil penelitian A dan peubah respon dari hasil penelitian B di mana masing-
masing penelitian pada setiap kasus menghasilkan nilai sisaan dan mengikuti sebaran normal. Berdasarkan model
yang terbentuk pada hasil analisis regresi deming, disimpulkan bahwa kasus antimikroba dan tekanan darah
memiliki efek fungsi yang sama besar di dalam mengukur kematian bakteri serta alat deteksi tekanan darah. Kasus
insektisida memiliki efek fungsi yang berbeda antar ekstrak penelitian, di mana ekstrak daun salam lebih efektif
membunuh lalat dibandingkan ekstrak jeruk nipis.
Kata kunci : peubah prediktor, nilai sisaan (error), instrumen penelitian, regresi deming.
1. PENDAHULUAN
Analisis Regresi Deming digunakan apabila peubah prediktor memuat kesalahan pengukuran
(memiliki nilai sisaan dan berdistribusi). Sedangkan pada regresi klasik, kesalahan diasumsikan hanya
terdapat pada peubah respon. Penelitian ini dilakukan terhadap tiga kasus data yaitu antimikroba,
insektisida dan tekanan darah. Pada setiap kasus terdapat dua penelitian yaitu penelitian lama (A) dan
penelitian baru (B). Peubah prediktor diperoleh dari hasil penelitian A dan peubah respon dari hasil
penelitian B di mana masing-masing penelitian pada setiap kasus menghasilkan nilai sisaan dan
mengikuti sebaran normal. Sebuah penelitian memiliki identitas tersendiri, di mana penelitian A tidak
bisa disamakan dengan penelitian B karena mereka memiliki instrumen penelitian yang berbeda.
Penelitian ini membandingkan indeks reliabilitas instrumen pada setiap kasus dengan
menggunakan metode pararel. Metode pararel yaitu membandingkan dua orang peneliti yang berbeda
dengan instrumen yang sama untuk mengukur variabel yang sama dengan menggunakan responden dan
waktu yang sama (Sudarwan dan Darwis 2003). Setelah kedua instrumen mereka dibandingkan (sama),
maka kedua efektifitas penelitian A dan B dapat dibandingkan dengan menggunakan analisis regresi
linear. Perbandingan yang diuji adalah hasil penelitian A dan B (Ya dan Yb) sebagai peubah prediktor dan
respon. Kedua peubah tersebut memiliki nilai sisaan dan berdistribusi normal, sehingga penggunaan
analisis regresi deming lebih tepat digunakan karena pubah prediktor memuat kesalahan pengukuran.
2. TINJAUAN PUSTAKA
2.1. Model Analisis Regresi Deming
Kesalahan pada peubah prediktor awalnya diperkenalkan oleh Adcock (1878) yang dikembangkan
menjadi metode terbaru yang disebut Orthogonal Regression / Deming Regression oleh William
Edwards Deming (1943). Kesalahan pada peubah prediktor terjadi ketika peubah ini bukan fixed variable
(memiliki sisaan dan berdistribusi). Misal prediktor dan respon analisis regresi deming memuat
komponen sisaan dan yang berasal dari kesalahan pengukuran, sehingga model regresinya adalah:
X = + ~N(0, )
Y = + , ~N(0,
dengan =𝛽0+𝛽1 =Ytrue , dan saling bebas (Leng, 2007), sehingga persamaan regresinya
(Carrol dan Ruppert, 1996) menjadi:
= 𝛽0 + 𝛽1 + +
350
diasumsikan bahwa X dan Y mengikuti distribusi normal bivariat yaitu:
( )~ N((
) (
))
Regresi Deming menggunakan pendugaan parameter dengan mempertimbangkan penjumlahan
dari penyimpangan kuadrat pada peubah prediktor dan respon, sehingga arah pada sudut yang dihasilkan
lebih kecil dibandingkan metode klasik. Kejadian ini disebut sebagai kekurangan dari metode analisis
linear baku, karena efek pengukuran yang melibatkan nilai kesalahan pada peubah prediktor dan respon
di dalam peramalan tidak bisa diselesaikan. Salah satu teknik untuk menyelesaikan masalah tersebut,
yaitu dengan memaksimumkan fungsional penduga. Penduga 𝛽1 dan 𝛽0 diperoleh menggunakan metode
maksimum likelihood (Bain dan Engelhardt,1992).
2.1. Model Maximum Likelihood Estimation
(𝛽 𝛽 ∏
√ ⌊
( 𝛽 𝛽
⌋
(Bain dan Engelhardt,1992)
Selanjutnya dilakukan transformasi logaritma natural dan diturunkan terhadap 𝛽0 dan 𝛽1 sehingga
diperoleh nilai:
�� (
(
Nilai �� pada persamaan (1) dan (2) merupakan penduga untuk model regresi linear sederhana.
Selanjutnya penduga bagi �� regresi deming diperoleh dari model (1) dengan menggunakan
metode orthogonal least square, yaitu meminimumkan jarak antara pengamatan dengan garis dugaan
untuk mendapatkan pendugaan parameter regresi deming (Dissanaike dan Wang, 2003).
Berdasarkan Gambar 1 diperoleh nilai 𝛽1 yaitu meminimumkan jarak antar pengamatan dengan
garis dugaan (Dessanaike & Wang, 2003) adalah;
𝛽1=
tg
dan jarak kuadrat antar pengamatan A( dengan garis dugaan adalah
AD2= ⌈ ( ( ⌉
= (
(3)
Selanjutnya meminimumkan persamaan (3) dengan metode likelihood dan diturunkan terhadap 𝛽0 dan 𝛽1
secara parsial serta disamakan dengan nol sehingga diperoleh:
=∑
( )( (
(
nilai diperoleh dari persamaan 1 sehingga menjadi:
(
- )- (4)
Maka solusi dari persamaan (4) untuk menduga parameter regresi deming adalah
= (
√(
(5)
Pendugaan dengan metode maksimum likelihood ketergantungan terhadap nilai rasio dari dua
ragam sisaan yaitu
Nilai pada persamaan (5) menggunakan 1, apabila nilai maka
penduga maksimum likelihood dari (Leng et al, 2007) adalah;
Gambar 1 Ilustrasi Pendugaan Analsis Regresi Deming
351
=
√(
untuk
tidak diketahui maka dapat dilakukan pendugaan dengan ragam peubah dari Y dan X
(Carroll dan Ruppert, 1994).
3. METODE PENELITIAN
3.1 Sumber Data
Pada penelitian ini, digunakan data sekunder yang didapat dari hasil penelitian mahasiswa
Universitas Brawijaya. Data untuk setiap kasus disajikan dalam Tabel 1:
Tabel 1 Data Sekunder Penelitian Antimikroba (Kasus 1)
Penelitian A Penelitian B Keterangan
X1= Konsentrasi Ekstrak
Rimpang Lengkuas
X2= Konsentrasi Ekstrak
Daun Kersen
Instrumen Penelitian
Sama
Y1= Jumlah Koloni Bakteri Ekstrak
Etanol Rimpang Lengkuas
Y2= Jumlah Koloni Bakteri Ekstrak
Etanol Daun Kersen
Xdeming = Y1
Ydeming = Y2
Penelitian Insektisida Lalat (Kasus 2)
Penelitian A Penelitian B Keterangan X1= Waktu Insektisida X2= Waktu Insektisida Instrumen Penelitian
Y1= Kematian Lalat Ekstrak
Daun Salam
Y2= Kematian Lalat Ekstrak
Kulit Jeruk Nipis
Xdeming = Y1
Ydeming = Y2
Penelitian Tekanan Darah (Kasus 3) Penelitian A Penelitian B Keterangan
X1= Deteksi Tekanan Darah
Alat Lama
X2= Deteksi Tekanan Darah
Alat Baru Instrumen Penelitian
Y1 = Indeks Tekanan Darah
Alat Lama
Y2 = Indeks Tekanan Darah
Alat Baru
Xdeming = Y1
Ydeming = Y2
Tabel 1 menunjukkan bahwa peubah respon dan prediktor analisis regresi deming diperoleh dari
hasil penelitian (respon) Y1 dan Y2. Hasil penelitian Y1 dan Y2 dapat dibandingkan karena memiliki
instrumen penelitian yang sama.
3.2. Metode Analisis
Prosedur analisis regresi deming adalah memeriksa peubah respon dan prediktor berdistribusi
normal, memeriksa kesamaan instrumen penelitian, melakukan pendugaan parameter regresi deming,
memeriksa asumsi normalitas sisaan dan autokorelasi dan menginterpretasi hasil.
4. HASIL DAN PEMBAHASAN
4.1 Pemeriksaan Peubah Berdistribusi Normal
Pemeriksaan peubah respon dan prediktor berdistribusi normal menggunakan uji Anderson
Darling. Hasil p-value untuk kasus 1 (Y=0.07, X=0.16 ; α=5%), kasus 2 (Y=0.07, X=0.85 ; α=5%) dan
kasus 3 (Y=0.45, X=0.03 α=5%). Pada penelitian ini, p-value lebih besar dari α artinya H0 diterima
sehingga disimpulkan bahwa peubah pada setiap kasus mengikuti sebaran normal.
4.2 Kesamaan Instrumen Penelitian
Kedua penelitian A dan B pada masing-masing kasus memiliki kesamaan instrumen yang baik,
keduanya dibandingkan dengan berdasarkan metode pararel (Sudarwan dan Darwis 2003).
4.3 Pendugaan dan Pengujian Parameter Regresi Deming
Dari hasil analisis regresi deming, diperoleh persamaan regresi sebagai berikut:
Tabel 2 Ringkasan Analisis
352
Kasus Antimikroba
Model Koefisien Standar Error Z p-value Selang Kepercayaan
95% bagi β1
Koef.
Determinasi
1.1645
b0= 8.992
b1= 1.08 S{b0} = 20.2465
S{b1} = 0.0471 0.4441
24.268 0.674
0.000 -32.6907, 48.6743
0.9944, 1.1692 99.46 %
Ragam Sisaan untuk Y= = 101987.7 , X =
= 87150.54 dan /
= 1.164521
Kasus Insektisida Lalat
Model Koefisien Standar Error Z p-value Selang Kepercayaan
95% bagi β1
Koef.
Determinasi
0.288
b0= 5.7177
b1= 0.5364 S{b0} = 0.4228 S{b1} = 0.0778
13.5214
6.8945 0.000
0.000 4.88894, 6.5465
0.38395, 0.6889 85.61 %
Ragam Sisaan untuk Y= = 1.686 , X =
= 5.857 dan /
= 0.2888
Kasus Tekanan Darah
Model Koefisien Standar Error Z p-value Selang Kepercayaan
95% bagi β1
Koef.
Determinasi
0.99
b0= 0.6784
b1= 0.9954 S{b0} = 1.7447
S{b1} = 0.1415 0.369
70.346 0.712
0.000 -3.84963, 5.13845
0.95897, 1.03187 99.73 %
Ragam Sisaan untuk Y= = 1.949 , X =
= 1.968 dan /
= 0.99
Hipotesis yang melandasi pengujian analisis regresi deming yaitu :
H0: pengaruh sama antar ekstrak/alat penelitian dan H1: pengaruh berbeda antar ekstrak/alat penelitian
4.4 Memeriksa Asumsi Normalitas Sisaan Dan Autokorelasi
Pemeriksaan normalitas sisaan menggunakan uji Anderson Darling dan autokorelasi menggunakan
uji Durbin-Watson. Kedua uji tersebut merupakan asumsi yang harus dipenuhi dalam analisis regresi
deming. Berdasarkan hasil normalitas dan autokorelasi, diperoleh bahwa setiap kasus memiliki sisaan
yang mengikuti sebaran normalitas dan tidak terdapat autokorelasi.
4.5 Hasil dan Interpretasi
Berdasarkan Tabel 2 diperoleh bahwa model umum untuk kasus antimikroba, insektisida dan
tekanan darah yaitu =8.992+1.08X, =5.718+0.536X dan =0.678+0.995X. Proporsi keragaman model
untuk ketiga kasus dijelaskan oleh nilai koefisien determinasi sebesar 99%, 85% dan 99%. Kasus 1 dan 3
dengan P-value lebih besar dari menyatakan bahwa kedua ekstrak antimikroba dan alat tekanan darah
memiliki hasil pengukuran yang sama besar antar penelitian, sedangkan Kasus 3 dengan P-value lebih
kecil dari yaitu terdapat pengaruh yang berbeda antar ekstrak penelitian terhadap kematian lalat.
5. KESIMPULAN
Pada kasus antimikroba memiliki efek fungsi yang sama besar antar ekstrak penelitian terhadap
kematian bakteri, maka ekstrak daun kersen dapat menjadi alternatif pengganti eksrak rimpang lengkuas.
Kasus tekanan darah memiliki efek fungsi alat yang sama besar dalam mengukur tekanan darah,
sehingga alat baru dapat menjadi rujukan sebagai pengganti alat lama. Kasus insektisida memiliki efek
fungsi yang berbeda, di mana ekstrak daun salam lebih efektif membunuh lalat dibandingkan jeruk nipis.
DAFTAR PUSTAKA
Bain, L.J. dan Engelhardt, M., (1992), Introduction To Probability And Mathematical Statistics 2nd
Edition, Duxbury Press, California.
Carrol, R.J. dan Ruppert, D., (1994), The Use And Misuse Of Orthogonal Regression Estimation In
Linear Errors-In-Variables Models. Jurnal The American Statistician, 50, hal. 1-6
Dissanaike, G. dan Wang, S., (2003), A Critical Examination Of Orthogonal Regression. Jurnal Social
Science Research Network, 1, hal. 1-40
Fuller, W.A., (1987), Measurement Error Models, John Wiley and Sons, Inc, New York.
Sudarwan, D. dan Darwis., (2003), Metode Penelitian Kebidanan: Prosedur, Kebijakan, dan Etik,
Kedokteran EGC, Jakarta.