Upload
chogan
View
83
Download
0
Embed Size (px)
DESCRIPTION
Bahan Kajian pada MK. Metode Penelitian Interdisiplin Kajian Lingkungan. METODE ANALISIS DATA. Diabstraksikan : smno.PSL.PPSUB.sept2013. STATISTIKA. - PowerPoint PPT Presentation
Citation preview
METODEANALISIS DATA
Diabstraksikan: smno.PSL.PPSUB.sept2013
Bahan Kajian padaMK. Metode Penelitian Interdisiplin Kajian Lingkungan
STATISTIKA
Ilmu dan atau seni yang berkaitan dengan tata cara (metode) pengumpulan data,
analisis data, dan interpretasi hasil analisis untuk mendapatkan informasi guna
penarikan kesimpulan dan pengambilan keputusan
S T A T I S T I K A
METODE PENGUMPULAN DATA
METODE ANALISIS DATA
SUMBER DATA
DATAEMPIRIK
INFORMASIEMPIRIK
PERANAN STATISTIKA
AKURAT !
KISI-KISI PENELITIAN
BACKGROUND
SCIENTIFIC PROBLEM
LANDASAN
ILMIAH HIPOTESIS
KERANGKA TEORI / KONSEP
METODE PENELITIAN :.DATA COLLECTING
. DATA ANALYSISHASIL DAN
PEMBAHASANSIMPULANSARAN
REKOMENDASI
JENIS PENELITIAN PENELITIAN KUANTITATIF
OBSERVASI-ONAL
EXPERIMENTAL DESIGN
POPULASI NYATA
PERLAKUANIntervensi Peneliti Terhadap
Obyek
POPULASI KONSEPTUAL
UNIK Tidak Ada Populasi
TEKNIK SAMPLING EXPERIMENTAL DESIGN
PENELITIAN OBSERVASIONAL
BATASAN POPULASI
IDENTIFIKASI KARAKTERISTIK POPULASI
TEKNIK SAMPLING
SAMPLE SIZE
VARIABEL PENELITIAN
INSTRUMEN PENGUMPULAN DATA
METODE PENGUMPULAN DATA
METODE ANALISIS
DATA
PENELITIAN EKSPERIMENTAL
DEFINISI PERLAKU
AN
IDENTIFIKASI MEDIA, BAHAN,
OBYEKEXPERI-MENTAL
DESIGN REPLIKASI
VARIABEL PENELI-
TIAN
INSTRUMEN PENGUMPUL
AN DATA
METODE PENGUMPUL
AN DATA
METODE ANALISIS DATA
VARIABEL Variabel adalah karakteristik atau sifat dari obyek,
yang mana data diamati atau diukur atau dicacah dari padanya. Tidak semua karakteristik dari obyek
merupakan variabel penelitian, tetapi hanya yang relevan dengan permasalahan atau hipotesis
penelitian.
DiidentifikasiDidefinisikan secara tegas : Definisi
operasional variabel
JENIS VARIABEL
Independen
Intervening(Mediating)
Dependen
Confounding
Moderator
Concomitant Control
EXTRANEOUS
INTRANEOUS
JENIS VARIABELVariabel tergantung adalah variabel yang tercakup dalam
hipotesis penelitian, keragamannya dipengaruhi oleh variabel lain
Variabel bebas adalah variabel yang yang tercakup dalam hipotesis penelitian dan berpengaruh atau mempengaruhi
variabel tergantung
Variabel antara (intervene variables) adalah variabel yang bersifat menjadi perantara dari hubungan variabel bebas ke
variabel tergantung.
Variabel Moderator adalah variabel yang bersifat memperkuat atau memperlemah pengaruh variabel bebas
terhadap variabel tergantung
JENIS VARIABELVariabel pembaur (confounding variables) adalah suatu variabel yang tercakup dalam hipotesis penelitian, akan
tetapi muncul dalam penelitian dan berpengaruh terhadap variabel tergantung dan pengaruh tersebut mencampuri
atau berbaur dengan variabel bebas
Variabel kendali (control variables) adalah variabel pembaur yang dapat dikendalikan pada saat riset design.
Pengendalian dapat dilakukan dengan cara eksklusi (mengeluarkan obyek yang tidak memenuhi kriteria) dan inklusi (menjadikan obyek yang memenuhi kriteria untuk diikutkan dalam sampel penelitian) atau dengan blocking,
yaitu membagi obyek penelitian menjadi kelompok-kelompok yang relatif homogen.
JENIS VARIABEL
Variabel penyerta (concomitant variables) adalah suatu variabel pembaur (cofounding) yang tidak dapat dikendalikan pada saat perancangan riset.
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 (analysis of covariance,
analisis peragam) atau MANCOVA.
METODE ANALISIS DATA
SMNO fpub okto 2012
Tujuan suatu penelitian adalah untuk menjawab per-tanyaan dan hipotesis.
Untuk itu peneliti merumuskan hipotesis, mengumpulkan data, memproses data, membuat
analisis dan interpretasi.
Analisis data belum dapat menjawab pertanyaan penelitian.
Setelah data dianalisis dan diperoleh informasi yang lebih sederhana, hasil analisis tersebut harus
diinterpretasi untuk mencari makna dan implikasi dari hasil-hasil analisis tersebut.
SMNO fpub okto 2012
Dalam analisis data, peneliti menggolongkan, meng-urutkan, dan menyederhanakan data.
Tujuan analisis data ini adalah untuk menyederhanakan data ke dalam bentuk yang lebih mudah dibaca dan diinterpretasi.
Dalam proses analisis data seringkali digunakan metode-metode MATEMATIKA dan STATISTIKA.
Dengan menggunakan metode statistik ini dapat diperbandingkan hasil yang diperoleh dengan hasil yang terjadi secara kebetulan.
Sehingga peneliti mampu menguji apakah hubungan yang diamatinya memang betul-betul terjadi karena hubungan sistematis antara
variabel yang diteliti atau hanya terjadi secara kebetulan.
METODE ANALISIS DATA
METODE ANALISIS DATA
SMNO fpub okto 2012
Hasil analisis data harus dapat diinterpretasikan, artinya diadakan "inferensi" tentang hubungan yang diteliti.
Peneliti melakukan inferensi ini dalam usaha untuk mencari makna dan implikasi yang lebih luas dari hasil-hasil
penelitiannya.
Interpretasi dapat dilakukan menurut pengertian yang sempit, hanya melibatkan data dan hubungan-hubungan
yang diperolehnya. Interpretasi juga dapat dilakukan dalam makna yang lebih
luas, peneliti berupaya membandingkan hasil penelitiannya dengan hasil-hasil peneliti lain serta menghubungkan
kembali hasil inferensinya dengan teori.
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
TAHAPAN ANALISIS DATA
CODINGSCORING
TABULASI
PERIKSA OUTLIERS
JENIS PERMASALAHAN PENELITIAN
JENIS DAN KARAKTERISTIK DATA
PILIH METODE ANALISIS DATA
INFORMASI AKURAT
RELEVAN
VALID
METODE ANALISIS DATA
SMNO fpub okto 2012
Variabel Dependen
Variabel Independen
Nominal Ordinal Interval
Dikotomi Politomi
Nominal Dikotomi Uji perbedaan - Kruskal-Wallis Regresi ganda logistik
Chi-Square - Analisis ragam dua arah Friedman
Analisis determinan
Uji ketepatan Fisher
- - -
Koefisien Phi - - -
Nominal Poliotomi
Chi Square Chi Square - -
Kendall Kendall - -
METODE ANALISIS DATA
SMNO fpub okto 2012
Variabel Dependen
Variabel Independen
Nominal Ordinal Interval
Dikotomi Politomi
ORDINAL Mann-Whitney
- Rank-order correlation
Mengubah var. ordinal menjadi nominal pakai
analisis determinan atau regresi berganda
logistik
Smirnov-Kolmogorov
- Kendall Ubah var interval menjadi ordinal dan
analisis nonparametrik
Gamma
Koefisien Konkordan
METODE ANALISIS DATA
SMNO fpub okto 2012
Variabel Dependen
Variabel Independen
Nominal Ordinal Interval
Dikotomi Politomi -
INTERVAL Analisis ragam Analisis ragam dengan korelasi inter-kelas
- Korelasi & regresi
Uji beda nyata Regresi ganda peubah dumy
- Korelasi & regresi
Uji tanda Analisis klasi fikasi ganda
- Path analisis
Uji M & Uji-U Analisis klasifikasi silang
- Regresi parsial
Analisis klasifikasi silang
-
ANALISIS
KOMPARATIF
ANALISIS KOMPARATIF
Berdasarkan Permasalahan:Perbandingan suatu kondisi (sampel) dg standart
Perbadingan dua kondisi (sampel)Perbandingan lebih dari dua kondisi (sampel)
Berdasarkan Jenis Data:
Analisis Parametrik (berlandaskan distribusi normal) Analisis Nonparametrik (bebas distribusi)
Boostrap (bebas distribusi)
Berdasarkan Jumlah Variabel:Analisis Univariate (variabel tunggal) Analisis Multivariate (multivariabel secara simultan)
STATISTIKA PARAMETRIK & NON-PARAMETRIK
NOMINAL
ORDINAL
INTERVAL
RATIO
NONPARAMETRIK
PARAMETRIKPERIKSANORMALITAS
MENDEKATI
NORMAL
TIDAKNORMAL TRANSFORMASI
TIDAKNORMAL
ANALISIS KOMPARATIFANALISIS NONPARAMETRIK
DUA POPULASI LEBIH DARI 2 POPULASIJENIS
DATA
SATU
POPULASI Paired Unpired Paired UnpairedNOMINAL Uji Binomium
Uji 2
Uji McNemar Uji Eksak Fisher Uji Q ChocranUji
2
ORDINAL Uji Kolmogorof S.
Uji Deret
Uji Tanda
Uji Tanda Wilcoxon
Uji Median
Uji MannWhitney
Uji Kolmogorof S.
Uji Wald W.
Uji Moses
Uji Friedman Uji Kruskal
Wallis
INTERVAL
DAN RATIO
Uji Walsh
Uji Randomisasi
ANALISIS PARAMETRIK1)
INTERVAL
DAN RATIO
Uji Z, 2 diketahui
Uji t, 2 tdkdiketahui
Uji Z, 2 diketahui
Uji t, 2 tdkdiketahui
Uji Z, 2 diketahui
Uji t, 2 tdkdiket.
Uji F; melalui
ANOVA
(dengan
pemblokan)
RAK, RBSL
Uji F, melalui
ANOVA
(tanpa
pemblokan)
RAL
ANALISIS PEUBAH GANDA (MULTIVARIATE)INTERVAL
DAN RATIOUji
2 , diket.
Uji T2 Hotelling,
tidak diketahui
Uji T2 Hotelling,
tidak diketahui
Uji T2 Hotelling, Uji Wilk Lamda
melalui MANOVA
(dengan
pemblokan)
RAK, RBSL
Uji Wilk Lamda
melalui
MANOVA
(tanpa
pemblokan)
RAL
Taraf Nyata () dan p-valueUntuk menghitung p pada uji t dengan nilai thitung = 2.88 pada derajat bebas (db) = 10, adalah :
B (__,__) adalah fungsi Beta.
Dengan kata lain untuk thit = 2.288 dengan db=10 diperoleh p = 0.05; atau dengan = 0.05 dan db=10 diperoleh ttabel = 2.288.
0.05 dtt1 10
210 ,
21
1 2110
2
288.2
KAIDAH KEPUTUSAN UJI HIPOTESIS
1. thit < ttabel , terima H0 dan sebaliknya
2. P > , terima H0 dan sebaliknya
3. Tolak H0 (bermakna) dengan resiko salah sebesar p x 100 %.
Taraf Nyata () dan p-value
Misalnya Hipotesis : Pemberian Tanaman Teras dapat menurunkan Erosi
Misal Hasil Analisis : thitung = 2.275
p = 0.057 Pada = 0.05 dan db=10 diperoleh ttabel = 2.288
Keputusannya Bagaimana ?
1. thit < ttabel , terima H0 : Tanaman Teras tidak menurunkan Erosi
2. p > , terima H0 : Tanaman Teras tidak menurunkan Erosi3. Tolak H0 (bermakna) dengan resiko salah sebesar p x 100 % : 4. Tanaman Teras dapat menurunkan Erosi (p = 0.057, bilamana ada
100 Ha yang diberi tanaman teras hanya 6 Ha yang tidak menurun erosinya)
ANALISIS KOMPARATIF
Contoh Permasalahan Komparatif :
Apakah perlakuan dapat miningkatkan Kadar A?
Group Kadar AKontrol 11.36Kontrol 24.98Kontrol 16.71Kontrol 18.21Kontrol 26.30Kontrol 21.70Kontrol 23.20Kontrol 19.77Kontrol 23.63Kontrol 34.41Kontrol 19.32Kontrol 24.30
Group Kadar APerlakuan 30.42Perlakuan 23.63Perlakuan 28.61Perlakuan 26.79Perlakuan 38.96Perlakuan 33.56Perlakuan 31.59Perlakuan 33.01Perlakuan 23.41Perlakuan 31.52Perlakuan 14.55Perlakuan 38.40Perlakuan 23.09Perlakuan 43.50Perlakuan 20.87Perlakuan 10.17Perlakuan 24.87Perlakuan 36.96Perlakuan 23.41Perlakuan 23.96
DATA HASIL PENELITIAN :
ANALISIS KOMPARATIF
Variabel Group N Mean SD p-valueF2 –Isoprostane Normal
Perlakuan
12
20
21.991 5.709
28.064 8.268
0.033
HASIL PENELITIAN
LAMPIRAN (Software MINITAB)
Two-sample T for Kadar AGroup N Mean StDev SE MeanKontrol 12 21.99 5.71 1.6Perlakuan 20 28.06 8.27 1.8
Difference = mu (Kontrol ) - mu (Perlakuan)Estimate for difference: -6.0795% CI for difference: (-11.14, -1.01)T-Test of difference = 0 (vs NOt =): T-Value = -2.45 P-Value = 0.033 DF = 29
Kadar A
Pengaruh Perlakuan Terhadap Kadar A
PerlakuanKontrol
40
30
20
10
Group
ISO
p = 0.033
HASIL PENELITIAN
Perlakuan meningkatkan Kadar A
ANALISIS KOMPARATIFKa
dar A
CONTOH PERMASALAHAN PEMBANDINGAN
Iso-LM Iso-SM Iso_ADV31 45 5029 23 5442 45 6242 44 4727 49 6648 50 5131 29 4831 47 4359 81 8569 88 8555 79 90
ANALISIS KOMPARATIF
Apakah ada perbedaan Kadar F2-Isoprostan pada lapisan di jaringan ?
Hasil Analisis dg MINITAB
One-way ANOVA: Iso-LM, Iso-SM, Iso_ADV
Analysis of VarianceSource DF SS MS F PFactor 2 2144 1072 3.43 0.046Error 30 9379 313Total 32 11523
Individual 95% CIs For MeanBased 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-SMIso-LMIso_ADV
90
80
70
60
50
40
30
20
Lapisan
Isop
rost
an
METODE ANALISIS RAGAM
SMNO fpub okto 2012
Variasi di antara berbagai nilai yang mungkin terjadi dari suatu peubah acak seringkali disebut "dispersi".
Ukuran besarnya dispersi dari suatu peubah acak disebut "ragam, variance".
Pada dasarnya ragam ini merupakan rata-rata kuadrat simpangan dari suatu peubah acak terhadap nilai rata-
ratanya (mean). Akar kuadrat dari “ragam” disebut "simpangan baku", yang kegunaan utamanya terletak pada kemampuannya untuk
mengekspresikan dispersi dalam bentuk unit ukuran orisinalnya.
METODE ANALISIS RAGAM
SMNO fpub okto 2012
Model dasar dari analisis ragam mengasumsikan sejumlah tertentu faktor independen atau efek-efeknya yang ditambahkan kepada
rataan, mampu mendefinisikan situasi praktis yang dimodel.
Dengan demikian suatu eksperimen sederhana dengan t perlakuan dan diulang r kali dapat didefiniskan dengan model:
Yij = µ + ßi + j + ij
dimana µ adalah rata-rata; ß adalah pengaruh ulangan ke-i (i = 1 - r); adalah pengaruh perlakuan ke-j (j = 1 - t), dan adalah kesa lahan acak
yang tersebar normal dan independen dengan rataan nol dan ragam 2.
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 Analisi Jalur
Resiprok: hubungan antar variabel yang terjadi bersifat saling mempengaruhi (pengaruh bolak-balik); Analisis SEM (structural
equation modelling)
ANALISIS ASOSIATIFD A T A
X YKORELASI REGRESI
Nominal
Nominal
Nominal
Ordinal
Ordinal
Ordinal
IntervaldanRatio
Intervaldan Ratio
IntervaldanRatio
Nominal
Ordinal
Interval &Ratio
Nominal
Ordinal
Interval &Ratio
Nominal
Ordinal
IntervalDanRatio
Kontingensi, COdd RatioRelative Risk
Idem
Biserial
Kontingansi, COdd RatioRelative Risk
Rank SpearmanRank KendallRank Partial KendallRank Konkordansi Kendall
Idem
Biserial
Rank SpearmanRank KendallRank Partial KendallRank Konkordansi Kendall
Product Moment PearsonKanonik
Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabel
Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabelRegresi TheilRegresi Garis Resisten
Regresi, dummy variabel
Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabel
Logit, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabelRegresi TheilRegresi Garis Resisten
Regresi, dummy variabel
Logit / Logistik, Probit, LPMDiskriminan
Logit / Logistik, Probit, LPMDiskriminan, dummy variabelLogistik, dummy variabelRegresi TheilRegresi Garis Resisten
Regresi
ANALISIS ASOSIATIFREGRESI LINIER SEDERHANA
Tujuan : mencari hubungan fungsional linear antara dua variabel (bebas dan tidak bebas)
No. Variabel Bebas Variabel tidak bebas
1. ………… …………...2. ………… …………...3. ………… …………...4. ………… …………...5. ………… …………......Dst.
ANALISIS ASOSIATIFContoh : X Y
1) Dosis pupuk Produksi tanaman2) Kadar ragi Alkohol yang diperoleh
M od el p en d u ga : Xb b ˆ 10 Y
b 1 b 0
R u m u sX
XYJKJP XbY 1
R agamxJK
KTgalat
xJKX
nKTg
21
C I (1 - )x
n JKKTgtb 2/
21
Xn JK
Xn
KTgtb2
2/21
1
U ji H ip ot. H 0 : p 1 = 1 (0 )
H 1 1 1 (0 )
H 0 : p 0 = 0 (0 )
H 1 1 0 (0 )
S ta t. U ji
x
hit
JKKTg
Xt
ˆˆ 11
x
hit
JKX
nKTg
t2
)0(00
1
ˆ
ANALISIS ASOSIATIFREGRESI LINIER BERGANDA
Tujuan : mencari hubungan fungsional liner antara satu variabel tergatung dengan banyak variabel bebas
Sering dan kebanyakan permasalahan di bidang pengelolaan
tanah dan air, bahwa suatu varibel dependen dipengaruhi oleh beberapa variabel independen secara simultan.
Tujuannya untuk mengidentifikasi variabel independen yang berpengaruh paling kuat, melakukan prediksi variabel dependen berdasarkan beberapa variabel independen
secara simultan, dsb.
HASIL ANALISIS DG MINITABANALISIS REGRESI (Variabel Dependent datanya Ratio)
The regression equation isHasil = 18.9 + 0.223 X1 - 0.0107 X2 + 0.981 X3 - 0.0016 X4
Predictor Coef SE Coef T PConstant 18.875 5.301 3.56 0.001X1 0.2228 0.1116 2.00 0.056X2 -0.010662 0.009248 -1.15 0.259X3 0.9807 0.2874 3.41 0.002X4 -0.00165 0.02291 -0.07 0.943
S = 6.685 R-Sq = 37.6% R-Sq(adj) = 28.4%
Analysis of VarianceSource DF SS MS F PRegression 4 727.36 181.84 4.07 0.010Residual Error 27 1206.66 44.69Total 31 1934.02
HASIL PENELITIAN : Interpretasi
Y(Hasil) = 18.9 + 0.223 X1 - 0.0107 X2 + 0.981 X3 - 0.0016 X4
• Eksplanasi :
X1 & X3 berpengaruh positif, bila keduanya meningkat Hasil Tanaman meningkat
• Eksplanasi :
X2 & X4 berpengaruh negatif, bilamana meningkat Hasil Tanaman menurun
• Prediksi :
Bilamana yang lain konstan, peningkatan X1 sebesar 10 unit akan mengakibatkan peningkatan Hasil Tanaman 2.23 unit
Hasil Analisis dg MINITABANALISIS REGRESI (Data Variabel Dependen Interval)
The regression equation isISO = 18.9 + 0.223 NO - 0.0107 vWF + 0.981 PAI-1 - 0.0016 VCAM-1
Predictor Coef SE Coef T PConstant 18.875 5.301 3.56 0.001NO 0.2228 0.1116 2.00 0.056vWF -0.010662 0.009248 -1.15 0.259PAI-1 0.9807 0.2874 3.41 0.002VCAM-1 -0.00165 0.02291 -0.07 0.943
S = 6.685 R-Sq = 37.6% R-Sq(adj) = 28.4%
Analysis of VarianceSource DF SS MS F PRegression 4 727.36 181.84 4.07 0.010Residual Error 27 1206.66 44.69Total 31 1934.02
HASIL PENELITIAN : InterpretasiISO = 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.
METODE ANALISIS KORELASI
SMNO fpub okto 2012
Secara umum dapat dikatakan bahwa "korelasi" merupakan peralatan statistik yang mengukur kekuatan hubungan antara dua peubah atau
lebih. Dengan demikian dikenal dua macam korelasi, yaitu korelasi sederhana dan korelasi majemuk atau berganda.
Ukuran korelasi adalah (i) koefisien-korelasi (r) yang nilai numeriknya berkisar antara -1 dan +1, dan (ii) koefisien determinasi (r2).
Koefisien determinasi yang merupakan kuadrat dari koefisien korelasi pada hakekatnya menyatakan sebagian (persentase) dari total variasi (peubah 1) yang dapat diterangkan oleh variasi peubah 2. Jadi nilai r2
= 0.846 atau 84.6% menyataan bahwa 84.6% dari variasi peubah 1 dapat dijelaskan oleh variasi peubah 2, sedangkan 15.4% dari total
variasi disebabkan olah faktor lainnya..
DASAR PEMIKIRAN ANALISIS KORELASI
• Adanya perubahan sebuah PEUBAH disebabkan atau akan diikuti dengan perubahan PEUBAH lain.
• Berapa besar koefesien perubahan tersebut ?– Dinyatakan dalam koefesien korelasi– Semakin besar koefesien korelasi, semakin besar
keterkaitan perubahan suatu PEUBAH dengan PEUBAH lainnya.
Contoh KorelasiKorelasi Positif:• Korelasi antara harga dengan penawaran.• Korelasi antara jumlah pengunjung dengan jumlah
penjualan.• Korelasi antara jam belajar dengan IPK.
Korelasi Negatif:• Korelasi antara harga dengan permintaan.• Korelasi antara jumlah pesaing dengan jumlah
penjualan.• Korelasi antara jam bermain dengan IPK.
• Korelasi Dosis Pupuk dengan produksi tanaman
• Biaya iklan dengan hasil penjualan
• Berat badan dengan tekanan darah
• Pendapatan dengan konsumsi
• Investasi nasional dengan pendapatan nasional
• Korelasi antara Jumlah akseptor dengan jumlah kelahiran
• Harga barang dengan permintaan barang
• Pendapatan masyarakat dengan kejahatan ekonomi
Contoh Korelasi
Kapan suatu PEUBAH dikatakan berkorelasi dengan PEUBAH lainnya?
PEUBAH dikatakan saling berkorelasi jika perubahan suatu PEUBAH diikuti dengan perubahan PEUBAH yang lain.
Beberapa sifat penting dari KORELASI:
• Nilai koefisien korelasi berkisar – 1 s/d. 1• Korelasi bersifat simetrik• Korelasi bebas dari origin dan skala
P = a1 + b1X1
Q = a2 + b2X2
Dimana b1 > 1, b2 > 1, a1 dan a2 konstanta maka korelasi P dgn Q akan sama dengan korelasi X1 dgn X2
• Jika X dan Y saling bebas maka korelasi akan bernilai 0• Meskipun korelasi mengukur derajat hubungan, tetapi
bukan alat uji kausalita.
Korelasi berdasarkan arah hubungannya dapat dibedakan menjadi?
1. Korelasi PositifJika arah hubungannya searah
2. Korelasi Negatif Jika arah hubungannya berlawanan arah3. Korelasi Nihil
Jika perubahan kadang searah tetapi kadang berlawanan arah.
Nilai Koefesien Korelasi
• Koefesien korelasi akan selalu sebesar : - 1 ≤ r ≤ + 1
- 1 +10
BEBERAPA MACAM ANALISIS KORELASI :
• Korelasi Product Moment (Pearson)• Korelasi Rank Spearman• Korelasi Data Kualitatif
KORELASI PRODUCT MOMENT
• Analisis korelasi ini digunakan untuk menentukan besarnya koefisien korelasi jika data yang digunakan berskala interval atau rasio.
• Rumus yang digunakan:
])(][)([
))((2222 YYnXXn
YXYXnr
ii
iii
2222 )()(
))((
iiii
iiiixy
yynxxn
yxyxnr
KORELASI RANK SPERMAN
• Analisis korelasi ini digunakan untuk menentukan besarnya koefesien korelasi jika data yang digunakan berskala Ordinal
• Rumus yang digunakan:
])(][)([
))((2222 YYnXXn
YXYXnr
ii
iii
)1(6
1 2
2
nnd
pxy i
Contoh nya:
Seorang mahasiswa melakukan survai untuk meneliti apakah ada korelasi antara nilai statistik dengan nilai ekonometrik.
Untuk kepentingan penelitian tersebut diambil 10 mahasiswa yang telah menempuh mata kuliah statistik dan ekonometrik.
KORELASI DATA KUALITATIF• Data berdasarkan jenisnya:
– Kuantitatif– Kualitatif
• Digunakan untuk menentukan besarnya koefesien korelasi jika data yang digunakan berjenis kualitatif.
• Rumus yang digunakan:
• Tranformasi dari nilai Chi-Square X2 ke koefesien korelasi:
])(][)([
))((2222 YYnXXn
YXYXnr
ii
iii
eijen
X ijijn
i
k
i
2
1 1
2 )(
nXXCc
2
2
Contoh nya:
Seorang mahasiswa melakukan survai untuk meneliti apakah ada korelasi antara tingkat pendidikan dengan tingkat pendapatan.
Untuk penelitian ini diambil sampel sebanyak 112 kepala keluarga.
Sampel: 112 Keluarga Data Yang dikumpulkan
Tinggi Sedang Rendah Jumlah
Baik 16 8 8 32
Cukup 10 20 10 40
Jelek 4 16 20 40
Jumlah 30 44 38 112
Analisis Data• e11=30x(32/112)=8,57• e12=44x(32/112)=12,57• e13=38x(32/112)=10,86• e21=30x(40/112)=10,71• e22=44x(40/112)=15,71• e23=38x(40/112)=13,57• e31=30x(40/112)=10,71• e32=44x(40/112)=15,71• e33=38x(40/112)=13,57
n
i
k
i ij
ijij
een
X1 1
22 )(
267,1857,13
)57,138(...57,12
)57,128(57,8
)57,816( 2222
X
Pengujian Hipotesis:• Dengan Kriteria x2 htung:
• X2hitung (18,267) > X2
tabel (9,488)
Koefesien korelasinya :
nXXCc
2
2
374,0112)267,18()267,18(
Cc
• Karena X2 hitung > X2 tabel maka Ha diterima.
Kesimpulan:Terdapat korelasi positif antara tingkat pendidikan dengan tingkat kesejahteraan keluarga.
METODE ANALISIS REGRESI
Diunduh dari: http://id.wikipedia.org/wiki/Analisis_regresi…… 30/9/2012
Analisis regresi dalam statistika merupakan metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan
variabel(-variabel) yang lain.
Variabel "penyebab" disebut : variabel penjelas, variabel eksplanatorik, variabel independen, atau secara bebas, variabel X
(karena seringkali digambarkan dalam grafik sebagai absis, atau sumbu X).
Variabel “akibat” dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat, atau variabel Y.
Kedua variabel ini dapat merupakan variabel acak (random), namun variabel yang dipengaruhi harus selalu variabel acak.
TUJUAN ANALISIS REGRESI
SMNO fpub okto 2012
Tujuan menggunakan analisis regresi ialah:
1. Membuat estimasi nilai PEUBAH tidak-bebas dengan didasarkan pada nilai PEUBAH bebas di dalam kisaran sample.
2. Menguji hipotesis karakteristik dependensi3. Untuk meramalkan nilai PEUBAH tidak-bebas dengan
didasarkan pada nilai PEUBAH bebas di luar kisaran sample.
ASUMSI ANALISIS REGRESI
SMNO fpub okto 2012
Penggunaan regresi linear sederhana didasarkan pada asumsi a.l. :
1. Model regresi harus linier dalam parameter2. Variabel bebas tidak berkorelasi dengan disturbance term (Error) .3. Nilai disturbance term sebesar 0 atau dengan simbol sebagai
berikut: (E (U / X) = 04. Ragam untuk masing-masing error term (kesalahan) konstan5. Tidak terjadi Autokorelasi6. Model regresi dispesifikasi secara benar. Tidak terdapat bias
spesifikasi dalam model yang digunakan dalam analisis empiris.7. Jika variabel bebas lebih dari satu, maka di antara variabel bebas
(explanatory) tidak ada hubungan linier yang signifikan (nyata).
PERSYARATAN ANALISIS REGRESI LINEAR
SMNO fpub okto 2012
Kelayakan regresi linear didasarkan pada hal-hal berikut:
1. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.052. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka
Standard Error of Estimate < Standard Deviation3. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T
hitung > T table (nilai kritis)4. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi atau sangat
rendah antar variabel bebas. Syarat ini hanya berlaku untuk regresi linier berganda dengan variabel bebas lebih dari satu.
5. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB) sebesar < 1 dan > 36. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2
semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik. Nilai r2
mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1. Jika Nilai r2
sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya seluruh variasi dalam variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika r2
sama dengan 0, maka tidak ada hubungan linier antara X dan Y.
7. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)8. Data harus berdistribusi normal9. Data berskala interval atau rasio10. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (disebut juga
sebagai variabel predictor) sedang variabel lainnya variabel tergantung (disebut juga sebagai variabel response)
MODEL REGRESI YANG BAIK
SMNO fpub okto 2012
Menurut Gujarati (2006), Model yang baik jika memenuhi beberapa kriteria :
1. Parsimoni: Suatu model tidak akan pernah dapat secara sempurna menangkap realitas; akibatnya kita akan melakukan sedikit abstraksi ataupun penyederhanaan dalam pembuatan model.
2. Mempunyai Identifikasi Tinggi: Artinya dengan data yang ada, parameter-parameter yang diestimasi harus mempunyai nilai-nilai yang unik atau dengan kata lain, hanya akan ada satu parameter saja.
3. Keselarasan (Goodness of Fit): Tujuan analisis regresi ialah menerangkan sebanyak mungkin variasi dalam variabel tergantung dengan menggunakan variabel bebas dalam model. Oleh karena itu, suatu model dikatakan baik jika eksplanasi diukur dengan menggunakan nilai adjusted r2
yang setinggi mungkin.4. Konsitensi Dalam Teori: Model sebaiknya sejalan dengan teori. Pengukuran
tanpa landasan teori akan dapat menyesatkan hasilnya.5. Kekuatan Prediksi: Validitas suatu model berbanding lurus dengan kemampuan
prediksi model tersebut. Oleh karena itu, pilihlah suatu model yang prediksi teoritisnya berasal dari pengalaman empiris.
METODE ANALISIS REGRESI
SMNO fpub okto 2012
Dalam permasalahan pengelolaan dan menejemen seringkali dijumpai kegiatan peramalan, pendugaan, perkiraan, dan lainnya.
Salah satu metode yang dapat digunakan untuk maksud-maksud ini adalah regresi.
Metode analisis ini sangat tepat kalau peubah yang diramal secara logis "dependent" terhadap peubah lainnya ("independent"). Misalnya ada ketergantungan logis antara "sales" dan "biaya
perjalanan salesmen".
Apabila peubah independent-nya hanya satu maka disebut regresi sederhana , dan apabila peubah independent-nya lebih dari satu maka
disebut regresi-berganda.
METODE ANALISIS REGRESI
SMNO fpub okto 2012
Dalam rangka untuk dapat mengimplementasikan regresi ini ada dua kriteria yang harus diperhatikan, yaitu (i) apakah ada peubah lain yang
mempunyai hubungan "prasyarat" logis dengan peubah dependent, dan (ii) apakah bentuk hubungan logis tersebut linear atau non-linear.
Untuk dapat menjawab kriteria pertama tersebut kita harus menuasai landasan teoritis yang melatar-belakangi permasalahan yang dihadapi.
Hubungan logis yang menjadi prasyarat tersebut dapat berupa fubungan fungsional atau hubungan sebab-akibat.
Sedangkan bentuk hubungan antara dua peubah dapat dilihat dengan menggunakan diagram pencar yang melukiskan titik-titik data .
METODE ANALISIS REGRESI
SMNO fpub okto 2012
Hubungan antara dua peubah tersebut di atas dapat dinyatakan dalam bentuk matematis sbb:
1. Model regresi linear: Y = a + b X 2. Model regresi non linear:
2.1. Kuadratik : Y = a + bX + c X2 2.2. Eksponensial : Y = a (ecX) atau Y = a (e-cX) 2.3. Asimtotis : Y = a - b(e-cX) 2.4. Logistik : Y = a / (1+b rX).
METODE ANALISIS REGRESI
Diunduh dari: http://excel.aurino.com/?p=616 …… 30/9/2012
METODE ANALISIS REGRESI
SMNO fpub okto 2012
Model regresi yang melibatkan lebih dari satu peubah independent dinamakan model regresi berganda, salah satu contoh yang populer
adalah Regresi Linear Berganda.
Dua macam penggunaan yang sangat penting dari model regresi ini ialah :
1. membangun persamaan yang melibatkan beberapa peubah independent (Xi) yang dapat digunakan untuk menduga perilaku peubah independent (Y), dan
2. menemukan peubah-peubah independent (Xi) yang berhubungan dengan peubah Y, mengurutkan tingkat kepen tingannya, dan menginterpretasikan hubungan- hubungan yang ada.
METODE ANALISIS REGRESI
SMNO fpub okto 2012
Model matematikanya adalah:
Y = a + b1X1 + b2X2 + ........ + bn Xn dimana: Y = peubah independentX1 = peubah independent pertamaX2 = peubah independent ke duaXn = peubah independent ke nA = interceptb1, b2, bn, ....... = koefisien regresi.
REGRESI LINIER BERGANDA DUA VARIABEL BEBAS
SMNO fpub okto 2012
Analisis regresi dengan satu variabel tidak-bebas Y oleh lebih dari sebuah variabel bebas X, maka analisis yang demikian ini dinamakan analisis regresi majemuk atau
analisis regresi berganda.
Analisis regresi linier berganda didefinisikan adalah analisis regresi yang variabel tak bebas Y ditentukan oleh
sekurang-kurangnya dua variabel bebas X dan setiap variabel X dan variabel Y hanya berpangkat satu (linier).
REGRESI LINIER BERGANDA DUA VARIABEL BEBAS
SMNO fpub okto 2012
Bentuk persamaan yang paling sederhana dari regresi linier berganda adalah yang mempunyai dua variabel bebas X dan sebuah variabel tak bebas Y seperti pada persamaan berikut:
Y = β0 + β1 X1 + β2 X2 + ε
Apabila diantara variabel bebas Xi ada interaksi linier maka model persamaan akan berubah bentuknya menjadi:
Y = β0 + β1 X1 + β2 X2 + β12 X1 X2 + ε
Regresi berganda non linier mempunyai bentuk persamaan seperti berikut.
Y = β0 + β1 X1 + β11 X12 + β2 X2 + β22 X22 + β12 X1 X2
REGRESI LINIER BERGANDA DUA VARIABEL BEBAS
Bidang Datar Regresi Dua Prediktor (Regresor)
Diunduh dari: http://www.fp.unud.ac.id/ind/wp-content/uploads/mk_ps_agribisnis/ekonomitrika/3_.%20%20Analisis%20Regresi%20%20Linier%20Berganda%20Dua%20Peubah.pdf …… 30/9/2012
REGRESI LINIER BERGANDA DUA VARIABEL BEBAS
Bidang Lengkung Dua Prediktor (Regresor)
Diunduh dari: http://www.fp.unud.ac.id/ind/wp-content/uploads/mk_ps_agribisnis/ekonomitrika/3_.%20%20Analisis%20Regresi%20%20Linier%20Berganda%20Dua%20Peubah.pdf …… 30/9/2012
REGRESI BERGANDA NON LINEARRegresi fungsi polinomial
Βila pangkat tertinggi (p) sama dengan dua disebut dengan persamaan kuadratik; bila p = 3 disebut persamaan kubik; bila p = 4 disebut persamaan kuartik; bila p = 5 disebut persamaan kuinik,
dan seterusnya.
Modifikasi dari model polinomial di atas adalah:
Untuk p = 2 maka modelnya menjadi:
Diunduh dari: http://www.fp.unud.ac.id/ind/wp-content/uploads/mk_ps_agribisnis/ekonomitrika/3_.%20%20Analisis%20Regresi%20%20Linier%20Berganda%20Dua%20Peubah.pdf …… 30/9/2012
REGRESI BERGANDA NON LINEAR
Regresi fungsi hiperbola (reciprocal):
Diunduh dari: http://www.fp.unud.ac.id/ind/wp-content/uploads/mk_ps_agribisnis/ekonomitrika/3_.%20%20Analisis%20Regresi%20%20Linier%20Berganda%20Dua%20Peubah.pdf …… 30/9/2012
REGRESI BERGANDA NON LINEARRegresi fungsi exponen
Diunduh dari: http://www.fp.unud.ac.id/ind/wp-content/uploads/mk_ps_agribisnis/ekonomitrika/3_.%20%20Analisis%20Regresi%20%20Linier%20Berganda%20Dua%20Peubah.pdf …… 30/9/2012
REGRESI BERGANDA NON LINEAR
Regresi fungsi perkalian
Diunduh dari: http://www.fp.unud.ac.id/ind/wp-content/uploads/mk_ps_agribisnis/ekonomitrika/3_.%20%20Analisis%20Regresi%20%20Linier%20Berganda%20Dua%20Peubah.pdf …… 30/9/2012
Regresi fungsi geneometri
REGRESI BERGANDA NON LINEARRegresi fungsi gabungan
Diunduh dari: http://www.fp.unud.ac.id/ind/wp-content/uploads/mk_ps_agribisnis/ekonomitrika/3_.%20%20Analisis%20Regresi%20%20Linier%20Berganda%20Dua%20Peubah.pdf …… 30/9/2012
KOEFISIEN DETERMINASIKoefisien determinasi (R2) dapat dihitung langsung dari data bersamaan dengan
koefisien regresi bi. Kegunaan dari Koefisien determinasi R2 adalah untuk mengukur tingkat ketepatan yang paling baik dari analisis regresi.
Jika data observasi dapat tepat pada garis atau bidang regresi yang diestimasi, maka dikatakan terjadi kecocokan garis atau bidang regresi dengan sepurna, dan
nilai koefisien determinasi akan maksimum yaitu R2 = 1. Dalam kenyataan terhadap data pengamatan akan terjadi penyimpangan dengan
garis atau bidang regresi penduga yang dikodekan dengan ei. Di dalam analisis regresi dengan metode kuwadrat terkecil (OLS) diusahakan supaya nilai ∑ei sekecil mungkin mendekati nol atau nilai koefisien determinasi semaksimum
mungkin mendekati satu.
Koefisien determinasi berganda R2 dengan rumus umum seperti berikut:
Diunduh dari: http://www.fp.unud.ac.id/ind/wp-content/uploads/mk_ps_agribisnis/ekonomitrika/3_.%20%20Analisis%20Regresi
%20%20Linier%20Berganda%20Dua%20Peubah.pdf …… 30/9/2012
ANALISIS REGRESIContoh Analisis
Agar dapat memahami uraian di atas dan dapat menentukan nilai koefisien regresi penduga atau koefisien regresi bi yaitu nilai- nilai b0, b1, dan b2, maka diberikan contoh olahan seperi di bawah ini, yang datanya terdiri dari dua variabel bebas X (prediktor =
regresor) yaitu X1 dan X2 seperti pada Tabel .
Tabel . Pengamatan Data Rregresi Dua Variabel Bebas X dan Satu Variabel Y
Diunduh dari: http://www.fp.unud.ac.id/ind/wp-content/uploads/mk_ps_agribisnis/ekonomitrika/3_.%20%20Analisis%20Regresi%20%20Linier%20Berganda%20Dua%20Peubah.pdf …… 30/9/2012
ANALISIS REGRESI
Hasil persamaan Regresi bergandanya menjadi:
Ŷ = b0 + b1 X1 + b2 X2 Ŷ = -1,216739 + 0,136940 X1 - 0,244691 X2
Selanjutnya, dilakukan pengujian terhadap regresi linier berganda terutama
pengujian terhadap nilai-nilai koefisien regresi berganda (bi) serta pengujian terhadap bidang regresi.
Dalam pengujian regresi linier berganda terdapat tiga macam uji yaitu: 1. Uji simultan atau uji F atau uji ragam regresi atau uji varians regrsi; 2. Uji parsial atau uji koefisien regresi berganda atau uji terhadap bi3. atau uji t; dan 4. Uji koefisien korelasi berganda atau uji R.
Diunduh dari: http://www.fp.unud.ac.id/ind/wp-content/uploads/mk_ps_agribisnis/ekonomitrika/3_.%20%20Analisis%20Regresi%20%20Linier%20Berganda%20Dua%20Peubah.pdf …… 30/9/2012
ANALISIS REGRESI VARIABEL DEPENDENt
KUALITATIF
JENIS REGRESI Y KUALITATIF
1. Logit
2. Probit
3. LPM
4. Tobit
5. Gompit
6. Loglinear Model
KEGUNAANPenjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti.Prediksi PELUANG suatu kejadian (dispesifikasikan padavariabel dependen) berdasarkan nilai variabel bebas.
Faktor determinan, yaitu penentuan variabel bebas mana (pada regresi berganda) yang berpengaruh dominan terhadap variabel tergantung. Hal ini dapat dilakukan bilamana unit satuan data seluruh variabel sama, skalanya homogen dan bersifat kontinyu.
Pengelompokan obyek berdasarkan nilai peluang
Catatan: Kategori variabel dependen bersifat biner (dua kategori)
LOGIT & PROBIT
LOGIT & PROBITa) Spesifikasi Model : (1) Identifikasi variabel Dependen dan Independen
(2) Menentukan Spesifikasi Model• Spesifikasi model sesuai dengan mekanisme substansi pada
bidang yang dikaji (teoritis)• Spesifikasi model ditentukan secara empiris (scatter diagram)
b) Pendugaan Paremater: Sama dengan regresi klasik (OLS) c) Pemeriksaan Asumsi: Sama dengan regresi klasik d) Interpretasi: prediksi peluang dan atau pengelompokan
LOGIT
PROBIT
X
P(Y|x)
LOGITModel Logit : Pi = E (Yi | xi ) =
110 Xe11
Bila Z : 0 + 1 X, maka P1 = Zie1
1
; fungsi distribusi komulatif
logistik
Fungsi ini bersifat : intrinsicly nonlinear linear ; OLS dapat
diaplikasikan :
Pi = iZ1e1
1
1 - Pi = 1- iZ1e1
1
= iZ1e1
1
i
i
P1P
=
Zi
Zi
e11e11
=
Zi
Zi
e1e1
= eZi
G u n a k a n S i f a t L o g a r i t m a U n t u k T r a n s f o r m a s i L i n i e r
l n ( e Zi
PiPi
ln1
L i = Z i l n ( e )
L i = β 0 + β 1 X ; l i n i e r
PiPi1
: o d d r a t i o
m i s a l y = 1 ; m e m p u n y a i r u m a h
0 ; t i d a k m e m p u n y a i r u m a h
p i = p r o p o r s i y = 1
B i l a P i = 0 . 8 ( k e l u a r g a d e n g a n p e n d a p a t a n 4 0 ) , m a k a
48.01
8.0
A r t i n y a p a d a k e a d a a n t e r s e b u t k e k u a t a n k e p e m i l i k a n r u m a h
a d a l a h 4 b e r b a n d i n g 1 .
L o g d a r i o d d r a t i o d i s e b u t : l o g i t
L i = l n
PiPi
1 β 0 + β 1 X i + e
P e n d u g a a n p a r a m e t e r : O L S
V a r ( e ) = )ˆ(ˆ iPiPNi 1
1 ; NiniP ˆ
M a s a l a h : h e t e r o s k e d a s t i s i t a s g u n a k a n b o b o t ( w i ) s e h i n g g a W L S y a n g l e b i h
t e p a t .
w i = i)P̂-i(1P̂ Ni
Li* = WiLi
Xi* = WiXi
Li* = β0 Wi+ β1 Xi* + eWiWLS :
LOGIT
x Sampel Kejadian Logit wi68
1013152025303540
405060801007065504025
8121828453639333020
-1.39-1.15-.85-.62-.20.06.41.66
1.101.39
2.533.023.554.274.974.183.953.352.742.00
Ilustrasi Model Logit Xi = income (10 $)
Ni = sampel keluarga dalam Xi (Sampel)ni = jumlah keluarga yang memiliki rumah (Kejadian)
Keluarga dengan pendapatan 370 $, berapa peluang memiliki rumah ?
ANALISIS LOGIT & PROBIT dengan SPSS
1) Masukkan data ke Worksheet SPSS2) Klik Analyze, cari Regession dan pilih Probit
3) Masukkan variabel yang akan dianalisis, Kejadian pada Response Freq., Sampel pada Total Observed dan Var. Independen pada Covariate. Kemudian Klik Logit (kiri bawah) bilamana ingin analisis Logit dan bilamana ingin analisis Probit Klik Probit.
4) Klik OK CATATAN : Atau buat variabel Logit, kemudian lakukan analisis regresi klasik
LOGIT* * * * * * * * * P R O B I T A N A L Y S I S * ** * * * * * * * *
Parameter estimates converged after 10 iterations. Optimal solution found.
Parameter Estimates (LOGIT model: (LOG(p/(1-p))) = Intercept + BX):
Regression Coeff. Standard Error Coeff./S.E.
X .07907 .01011 7.81866
Intercept Standard Error Intercept/S.E.
-1.60235 .20403 -7.85334
Pearson Goodness-of-Fit Chi Square = 2.347 DF = 8 P = .968
LOGITModel yang diperoleh :
Kaidah pengelompokan (Sarma, 1996) :peluang 0.5 ; masukkan ke kejadianpeluang < 0.5 ; masukkan ke bukan kejadian
L i : - 1 .6 0 2 3 5 + 0 .0 7 9 0 7 X i
R 2 = 0 .9 7 9 1
K e lu r g a d e n g a n X = 3 7 , b e r a p a p e lu a n g m e m i l ik i r u m a h ?
L i = -1 .6 0 2 3 5 + 0 .0 7 9 0 7 ( 3 7 )
= 1 .3 2 3 9 8
P i = 3239811
1. e
= 0 .7 8 9 8
S u a tu k e lu a r g a d e n g a n p e n g h a s i la n 3 7 0 $ b e r p e lu a n g
m e m il i k i r u m a h s e b e s a r 7 8 .9 8 % .
PROBIT
F (Z) = 0021 2
2/1 ue zDZxu
F (Z = 1.96) =
06
96.1
025.0)( DZzF
u n t u k P i = 0 . 2 0 b e r a p a Z
ZPiF )(1 ; n i l a i n y a b e r k i s a r a n t a r a – 3 . 5 s a m p a i d e n g a n + 3 .5
d i s e b u t n o r m i t ( i )
A g a r t i d a k n e g a t i f : + 5 d a n n o r m i t + 5 d i s e b u t p r o b i t
M o d e l p r o b i t :
Z i = β 0 + β 1 X i
KEGUNAAN
1. Penjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan yang diteliti.
2. Prediksi odd ratio suatu kejadian berdasarkan kondisi atau pertambahan nilai variabel bebas.
3. Faktor determinan, yaitu penentuan variabel bebas mana (pada regresi berganda) yang berpengaruh dominan terhadap variabel tergantung. Hal ini dapat dilakukan bilamana unit satuan data seluruh variabel sama, skalanya homogen dan bersifat kontinyu.
4. Catatan: Kategori variabel dependen bersifat biner atau multi.
REGRESI LOGISTIK
REGRESI 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 worksheet SPSS
REGRESI LOGISTIK BINER
REGRESI LOGISTIK BINER dengan SPSS
1) Masukkan data ke Worksheet SPSS2) Klik Analyze, cari Regession dan pilih Binery Logistic 3) Masukkan variabel yang akan dianalisis.4) Klik Options, kemudian Klik Hosmer-… dan Continue 5) Klik OK
ANALISIS REGRESI LOGISTIK
Interpretasi :1. Pengaruh pendapatan signifikan (p = 0.006)2. Odd ratio pendapatan = 1.412; artinya setiap peningkatan pendapatan Rp.
100.000,- maka mempunyai kekuatan 1.412 kali meningkatkan kesejahteraan
3. Seandainya pengaruh pasar signifikan; artinya dengan adanya pasar maka mempunyai kekuatan 1.392 kali meningkatkan kesejahteraan masyarakat dibandingkan tidak ada pasar
METODE ANALISIS DATA ENUMERASI
SMNO fpub okto 2012
. Salah satu metode untuk analisis data enumerasi adalah "chi-kuadrat".
Data enumerasi lazimnya melibatkan peubah-peubah diskrit yang lebih mengarah kepada ciri kualitatif daripada kuantitatif. Dengan
demikian data berupa jumlah individu yang tergolong ke dalam kelas-kelas tertentu.
Misalnya, suatu populasi diambil contohnya dan kemudian dihitung banyaknya individu jantan dan betina dari contoh tersebut. Dalam
suatu populasi atau dalam suatu contoh, indivi du dapat diklasifikasikan menurut beberapa peubah.
Misalnya penduduk di suatu kampung dapat dikelompokkan atas dasar kebiasaan merokok, dan kemudian dikelompokkan lagi
berdasarkan kerentanan terhadap penyakit kanker. Berdasarkan kriteria di atas maka dapat disusun tabel dua arah seperti
Tabel 7.
METODE ANALISIS DATA ENUMERASI
SMNO fpub okto 2012
. Tabel kontingensi dua arah
Perokok Tdk Merokok Jumlah
Rentan Kanker 200 300 500Tdk Rentan Kanker 180 310 490Jumlah 380 610 990
Dengan data seperti di atas kita dapat melakukan analisis lebih lanjut untuk mengetahui apakah ada hubungan antara kebiasaan
merokok dengan kerentanan terhadap penya kit kanker.
Kriteria uji Chi-kuadrat dapat dihitung dan kemudian dibandingkan dengan nilai Chi-kuadrat dalam tabel standar.
METODE ANALISIS DATA MULTIVARIATE
SMNO fpub okto 2012
Dalam perihal-perihal tertentu ternyata para pakar telah membuat pembedaan antara "variable" dan "variate". Suatu "variable" adalah
"kuantita yang mempunyai nilai berbeda untuk individu yang berbeda, atau mempunyai nilai berbeda untuk individu yang sama pada kondisi
yang berbeda".
Sedangkan suatu "variate" didefinisikan sebagai "suatu kuantita yang dapat mempunyai salah satu nilai dari gugus nilai tertentu yang
mempunyai frekuensi relatif atau peluang tertentu".
"Variate" ini kadangkala juga dipandang sebagai peubah-acak, tetapi harus dipandang bukan hanya nilainya saja, tetapi juga harus
dilibatkan fungsi peluangnya.
METODE ANALISIS DATA MULTIVARIATE
SMNO fpub okto 2012
Dalam bidang ekologi atau ilmu lingkungan, seringkali suatu model analisis harus mampu menangkap perilaku lebih dari satu variate.
Model-model seperti ini secara kolektif disebut "multivariate", dan teknik analisisnya disebut "multivariate analysis".
Pada hakekatnya analisis ini adalah analiis data multi variate dalam pengertian bahwa setiap anggota mempunyai nilai-nilai p vari ates.
No K.Air Kadar P Kadar N Kepadatan Kerikil
1. 68 15 2.1 45 15
2. 72 12 1.4 56 12
3. 65 9 1.2 42 29
….
ANALISIS KOMPONEN UTAMA ("Principal Component Analysis, PCA")
SMNO fpub okto 2012
Model ini merupakan bentuk yang cukup sederhana untuk mempelajari variasi multivariate. Analisis ini dapat digunakan untuk
menganalisis data yang memenuhi syarat sbb: 1. Untuk setiap individu unit contoh diukur dan dicatat peubah-
peubah yang sama. Dengan demikian semua pengukuran harus dilakukan untuk setiap individu unit pengamatan,
2. Peubah-peubah yang dipilih untuk analisis harus kontinyu atau kalau diskrit maka intervalnya harus cukup kecil sehingga dapat dianggap kontinyu
3. Tidak ada manipulasi peubah orisinal untuk membentuk peubah baru yang juga dilibatkan dalam analisis.
SMNO fpub okto 2012
Metode analisis ini dilakukan untuk mencapai tujuan :1. Pemeriksaan korelasi antara peubah-peubah yang separate2. Reduksi dimensi variabilitas yang diekspresikan oleh unit-unit
sampling individual hingga menjadi paling sedikit tetapi masih bermakna
3. Eliminasi peubah-peubah yang sumbangan informasinya kecil4. Pemeriksaan pengelompokkan unit-unit sampling yang paling
informatif5. Penentuan pembobot obyektif bagi peubah-peubah dalam rangka
untuk menyusun indeks variasi6. Identifikasi unit-unit samling yang meragukan asal-usulnya
Metode analisis ini pada hakekatnya melibatkan ekstraksi eigenvalue dan eigenvector dari matriks koefisien korelasi peubah-peubah
orisinalnya.
ANALISIS KOMPONEN UTAMA ("Principal Component Analysis, PCA")
ANALISIS GEROMBOL ("cluster analysis")
SMNO fpub okto 2012
Analisis ini pada hakekatnya melibatkan berbagai macam teknik untuk menemukan struktur dari gugusan data yang
sangat kompleks. Persyaratan database sama dengan analisis PCA.
Tujuannya adalah untuk mengelompokkan unit-unit data atau peubah ke dalam gerombol-gerombol (kelompok)
sehingga elemen-elemen dalam suatu gerombol mempunyai derajat "asosiasi alamiah" yang cukup tinggi, dan gerombol
yang satu berbeda dengan gerombol lainnya.
ANALISIS DISKRIMINAN
CONTOH PERMASALAHAN Variabel apa yang merupakan penentu terkuat terjadinya erosi?
Data Hasil Penelitian :X1 X2 X3 X4 X5 Tingkat Erosi
10.4 27.8 303000 5.1 1 110.8 24.3 249000 2.5 1 17.8 22.0 274000 3.1 1 110.0 28.1 249000 3.0 0 110.3 28.3 200000 3.1 1 111.4 38.0 164000 3.8 0 110.5 28.1 314000 2.4 0 19.9 30.0 287000 3.4 0 19.6 27.8 265000 2.6 0 19.9 31.2 258000 3.8 0 113.4 33.6 224000 4.1 0 111.0 30.2 200000 3.7 1 19.8 27.7 260000 4.1 0 110.3 31.3 273000 3.9 0 19.1 26.5 263000 2.8 0 19.7 28.4 241000 3.7 0 110.9 30.9 268000 4.3 0 19.9 27.9 298000 4.3 0 111.5 31.6 183000 3.9 0 19.9 30.1 271000 4.2 0 111.1 33.5 243000 3.1 0 1
Tingkat Erosi :
1 = Rendah
2 = Tinggi
Data Hasil Penelitian (Lanjutan):
X1 X2 X3 X4 X5 Tingkat Erosi11.4 31.8 292000 5.1 1 211.2 29.2 349000 6.2 2 27.3 20.9 135000 5.7 2 213.5 39.7 245000 6.7 3 29.1 27.1 236000 5.0 2 28.9 25.1 292000 5.3 1 212.4 36.3 69000 4.9 2 211.0 31.2 236000 4.1 2 210.9 29.9 259000 6.2 2 210.7 30.1 238000 5.1 1 212.2 33.9 231000 8.0 3 212.0 33.9 210000 7.1 3 210.8 31.7 237000 6.2 2 210.8 31.7 237000 3.5 1 210.8 32.1 203000 9.0 3 28.8 27.5 195000 7.2 2 211.6 34.9 193000 6.9 1 211.4 34.8 214000 7.5 3 211.6 34.9 218000 6.2 3 28.5 26.3 124000 4.5 3 210.2 29.2 313000 6.2 2 2
Tingkat Erosi :
1 = Rendah
2 = Tinggi
LAMPIRAN : Hasil Analisis dg SPSS
ANALISIS DISKRIMINAN (Data Variabel Dependent ordinal)
Summary of Canonical Discriminant Functions
Eigenva lues
2.767 a 100.0 100.0 .857Func tion1
Eigenv a lue% of
Varianc eCumula tiv
e %Canon ic a lCorre la tion
Fi rs t 1 c anon ic a l d is c riminan t func tions were us ed in theana ly s i s .
a .
W ilk s ' L a m bda
.2 6 5 4 9 .7 3 9 5 .0 0 0Te s t o f Fu n c t i o n (s )1
W i l k s 'L a mb d a
Ch i -s q u a re d f Si g .
Hasil Analisis dg SPSS
Summary of Canonical Discriminant Functions
Standardized Canonical Discriminant Function Coefficients
-.296.226.029.402.782
HBPCVTROMBOSIURIC_ACDALB_URIN
1Func tion
X1X2X3X4X5
HASIL PENELITIAN : INTERPRETASI
VALIDITAS MODEL :
Wilks’ Lamda dengan p = 0.00001, berarti model layak digunakan (valid)
KONTRIBUSI PENGARUH :
Besarnya kontribusi pengaruh variabel X1, X2, X3, X4 dan X5 terhadap terjadinya erosi adalah kuadrat dari korelasi kanonik = ( 0.857 )2 = 0.7344, yaitu 73.44 % dan sisanya dipengaruhi variabel lain yang belum ada dalam model
HASIL PENELITIAN : 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.
FUNGSI DESKRIMINAN
SMNO fpub okto 2012
Model klasik Fisher tentang fungsi diskriminan berkaitan dengan permasalahan bagaimana mendiskriminasikan antara dua kelompok
"a priori", dimana setiap individu anggota dalam kelompok mempunyai beberapa peubah yang telah diukur.
Model ini menyediakan fungsi linear dari pengukuran setiap peubah sedemikian rupa sehingga individu dapat dimasukkan ke dalam salah
satu kelompok dengan tepat. Fungsi diskriminan ini ditulis sbb:
z = a1x1 + a2x2 + .......+ amxm
dimana a adalah vektor koefisien diskriminan dan x adalah vektor
pengukuran yang dilaukan pada individu yang harus dimasukkan ke dalam salah satu kelompok.
CANONICAL VARIATE
SMNO fpub okto 2012
Kalau kelompok (gerombol) yang dilibatkan lebih dari dua, maka analisis di atas perlu dikembangkan lebih lanjut dengan membentuk
lebih dari satu fungsi diskriminan.
Metode analisis seperti ini dikenal dengan nama "Canonical variate".
Dengan demikian tujuannya adalah menderivasikan seperangkat fungsi deskriminan yang berbentuk:
d = a1x1 + a2x2 + a3x3 + ............. + apxp
dimana a1,a2,a3, ..... ap adalah koefisien deskriminan yang dihitung
sedemikian rupa untuk meminimumkan konfuse di antara satu gerombol dengan gerombol lainnya.
METODE ANALISIS NON-PARAMETRIK
SMNO fpub okto 2012
. Dalam penelitian seringkali kita menghadapi data yang distribusinya tidak mudah atau sulit sekali diketahui. Untuk ini kita memerlukan statistik distribusi-bebas,
sehingga kita memerlukan prosedur analisis yang tidak tergantung pada distribusi tertentu. Statistik non parameterik membandingkan distribusi dan bukan
membandingkan parameter. Keuntungan statistik non-parameterik ini:1. Kalau dimungkinkan untuk membuat asumsi yang lemah mengenai sifat
distribusi data maka statistik non-parametrik sangat sesuai. Statistik ini digunakan untuk sekelompok besar distribusi bukan untuk distribusi tunggal,
2. Kadangkala dimungkinkan untuk bekerja sedikit lebih banyak daripada mengkategorisasikan data karena skala pengukurannya sangat lemah/tidak memadai. Dalam hal ini, uji non-parametrik dapat dilakuan. Pada kesempatan lain, kategorisasi merupakan cara untuk mengumpulkan data yang banyak secara cepat, datanya sedemikian banyaknya sehingga diperlukan uji non parametrik,
3. Kalau dimungkinkan untuk meranking data, maka terSedia prosedur-prosedur non-parametrik,
4. Karena statistik non-parametrik menggunakan data enumerasi, ranking, atau tanda dari perbedaan untuk observasi yang berpa sangan, maka seringkali dapat lebih cepat dan mudah digunakan.
UJI X2 (CHI KUADRAT) GOODNESS OF FIT
SMNO fpub okto 2012
Seringkali kita ingin mengetahui bukan parameter dari distribusi yang diasumsikan melainkan ingin mengetahui bentuk distribusinya.
Dengan kata lain kita ingin menguji hipotesis bahwa sampel data berasal dari suatu distribusi tertentu.
Kriteria uji X2 adalah:
(Observasi - Harapan) X2 = ----------------------------
(Harapan)
Kriteria ini sesuai untuk data yang tersebar dalam kategori. Tidak diperlukan skala untuk mendefinisikan kategori, meskipun ada sekala
dan dapat digunakan. Peluang diperlukan untuk menghitung nilai-nilai harapan, peluang ini dapat diperoleh dari teori atau diduga dari data.
Uji Kolmogorov-Smirnov: Sampel Tunggal
SMNO fpub okto 2012
Uji ini digunakan untuk menguji hipotesis mengenai distribusi kontinyudengan parameter-parameter tertentu.
Uji ini dianggap konservatif, yaitu bahwa, P(tolak Ho|Ho benar) < nilai tabel, kalau parameter-parameter diestimasi.
Uji ini juga dapat digu nakan untuk menguji hipotesis mengenai distribusi diskrit.
UJI TANDA
SMNO fpub okto 2012
Dalam uji ini, kita berhubungan dengan median dan bukan dengan mean (rata-rata). Uji tanda ini didasarkan pada tanda-tanda dari perbedaan di antara nilai-nilai yang berpasangan. Ini
berarti bahwa uji ini juga dapat digunakan kalau observasi yang berpasangan diranking secara sederhana. Untuk menguji hipotesis nol bahwa setiap perbedaan berasal distribusi peluang
yang mempunyai median 0 maka kriteria uji yang dapat digunakan adalah:
(Observasi - Harapan) X2 = -----------------------------
(Harapan)
Formula berikut ini sesuai untuk menguji H0: p = 0.5 :
(n1-n2)2X2 = -------------
n1 + n2dimana nilai-nilai n1 dan n2 adalah banyaknya tanda plus dan minus.
Uji ini mempunyai kerugian karena tidak mamapu mendeteksi infor masi mengenai besarnya perbedaan. Sehingga tidak memungkinkan untuk mendeteksi penyimpangan dari hipotesis nol kalau banyak nya pasangan observasi kurang dari enam. Untuk pasangan observasi lebih dari 20,
uji ini sangat berguna.
UJI RANK WILCOXON
SMNO fpub okto 2012
Uji ini merupakan pengembangan dari Uji-Tanda dalam upaya untuk mendeteksi perbedaan-perbedaan riil pada perlakuan yang berpasangan. Tahapan dalam
prosedur ini adalah:1. Menyusun Rank perbedaan-perbedaan di antara nilai-nilai yang berpasangan
mulai terkecil hingga terbesar tanpa memperhati kan tandanya.2. Memberi tanda pada Rank sesuai dengan perbedaan orisinalm nya3. Menghitung jumlah Rank positif T+ dan menjumlah rank nega tif T-. Ini
berhubungan dengan persamaan T+ + T- = n(n+1)/2. 4. Pilihlah di antara T+ dan T- yang secara numerik lebih kecil, dan ini disebut
dengan T.5. Membandingkan jumlah yang diperoleh pada tahap (3) dengan nilai kritis.6. Uji signifikasi dapat dilakukan dengan n sama dengan ba-nyaknya pasangan:
Z = (T - µT)/µT,
n(n+1) n(n+1)(2n+1)µT = -----------------, µ T = µ ------------------
4 24
UJI KOLMOGOROV-SMIRNOV: DUA SAMPEL
SMNO fpub okto 2012
Untuk menguji dua sampel independen dan menguji hipotesis nol bahwa mereka berasal dari distribusi yang identik.
Kalau sampel-sampel tersebut adalah Y11, ...... Y1n1 dan Y21, .... Y2n2, maka kita mempunyai Ho: F1(Y) = F2(Y), dimana Fi adalah benar tetapi fungsi distribusi kumulatifnya tidak spesifik.
Kriteria uji mensyaratkan bahwa dua fungsi distribusi sampel dibandingkan. Hal ini berarti kita mencari perbedaan numerik maksi mum di antaranya. Langkah-langkah prosedurnya adalah:
(1). Ranking semua observasi bersama-sama(2). Tentukan fungsi-fungsi distribusi komulatif dari sampel, Fn(Y1) dan Fn(Y2)(3). Hitunglah |Fn(Y1) - Fn(Y2)| pada masing-masing nilai Y(4). Carilah D dan bandingkan dengan nilai kritis.
Kalau H1: F1(Y) > F2(Y) maka kriteria ujinya adalah:
D+ = |Fn(Y1) - Fn(Y2)| untuk Fn(Y1) > Fn(Y2)
Kalau H1: F1(Y) < F2(Y) maka kriteria ujinya adalah:
D- = |Fn(Y1) - Fn(Y2)| untuk Fn(Y1) < Fn(Y2)
Uji Wilcoxon-Mann-Whitney: Dua Sampel
SMNO fpub okto 2012
Uji Wilcoxon ini dikembangkan untk menguji lokasi dua sampel independen yang ukurannya sama. Uji ini diperluas oleh Mann dan Whitney untuk sampel yang ukurannya tidak sama. Uji
untuk observais yang tidak berpasangan adalah sebagai berikut, untuk n1 < n2:1. Susun Rank observasi dari kedua sampel bersama-sama mulai dari terkecil hingga terbesar,2. Tambahkan Rank-rank untuk sampel yang lebih kecil, sebutlah ini dengan T3. Hitunglah T' = n1(n1 + n2 + 1)-T, , nilai yang ingin anda peroleh untuk sampel yang lebih
kecil kalau observasi telah diranking dari terbesar hingga terkecil. (Ini bukan jumlah rank-rank untuk sampel lainnya).
4. Bandingkanlah jumlah rank yang lebih kecil dengan nilai tabel.
Kalau tidak tersedia tabel uji, dapat digunakan formula berikut:
Z = (T-µT)/_T,
n1(n1+n2+1) n1n2 (n1+n2+1)µT = ------------------ , µ T = µ --------------------
2 12
Bandingkanlah nilai Z-hitung dengan Z-tabel.
UJI MEDIAN
SMNO fpub okto 2012
Uji ini dapat digunakan untuk menguji dua sampel independen. Ia menguji hipotesis nol bahwa dua distribusi kontinyu mempunyai
median bersama.
Prosedurnya adalah:1. Urutkanlah dua sampel dari terkecil hingga terbesar. 2. Carilah mediannya3. Untuk setiap sampel, amatilah banyaknya observasi-observasi yang
lebih besar dari median4. Gunakan dua besaran ini dan dua ukuran sampel untuk me lengkapi
tabel kontingensi 2 x 2.5. Ujilah signifikansinya dengan X2 dengan satu derajat bebas kalau
ukuran kedua sampel lebih besar dari 10.
Uji Kruskal-Wallis: k - Sampel
SMNO fpub okto 2012
Kruskal dan Wallis telah mengembangkan suatu kriteria uji berdasarkan atas rank-rank yang sesuai untuk rancangan acak lengkap. Untuk k = 2, setara dengan uji Wilcoxon-Mann-Whitney.
Kalau untuk uji rank yang lainnya, kita asumsikan abwha semua populasi yang disampel adalah kontinyu dan identik, kecuali hanya lokasinya. Hipotesis nol adalah bahwa semua
populasi mempunyai lokasi sama.
Prosedurnya adalah sbb:1. Susun Rank semua observasi bersama-sama dari yang terkecil hingga terbesar.2. Jumlahkanlah rank-rank untuk setiap sampel3. Hitunglah kriteria uji dan bandingkanlah dengan nilai tabel. Kriteria uji adalah: 12 Ri2H = ----------------- ∑ -------- - 3(n-1) n(n+1) i ni
Di sini ni adalah banyaknya observasi dalam sampel ke i, dimana i = 1, .... k, n = _ni, dan Ri adalah jumlah rank untuk sampel ke i.
H tersebar seperti X2 dengan derajat bebas k-1 ka;lau ni tidak terlalu kecil.
Uji Friedman: Klasifikasi Dua Arah
SMNO fpub okto 2012
Rancangan percobaan yang banyak digunakan adalah Acak Kelompok dengan lebih dari dua ulangan. Friedman telah mengusulkan uji berikut ini:
1. Susunlah rank perlakuan-perlakuan dalam setiap ulangan dari terkecil hingga terbesar
2. Carilah jumlah rank untuk setiap perlakuan3. Ujilah hipotesis nol bahwa populasi-populasi di dalam suatu ulangan adalah
identik melawan hipotesis alternatif bahwa paling tidak satu perlakuan berasal dari populasi yang mempunyai perbedaan lokasi pada satu arah.
Kriteria uji yang digunakan adalah: 12 Xr2 = ------------ ∑ ri2 - 3b(t+1) bt(t+1) i
dengan derajat bebas t-1, dimana t adalah banyaknya perlakuan, b adalah banyaknya ulangan, dan ri adalah jumlah rank untuk perla kuan ke i. Perhatikan
bahwa 12 dan 3 adalah konstante yang tidak tergantung pada ukuran eksperimen. Kriteria uji ini mengukur homogenitas t jumlah-jumlah dan tersebar seperti X2.
KOEFISIEN KORELASI RANK SPEARMAN
SMNO fpub okto 2012
Koefisien korelasi, r, dapat digunakan untuk distreibusi normal bivariate, suatu distribusi yang tidak terlalu lazim. Koefisien korelasi rank Spearman berlaku untuk data dalam bentuk rank. Dapat dapat dihimpun sebagai rank-rank atau dapat diranking setelah observasi pada sekala
lain. Ia mengukur korespondensi antara rank-rank, sehingga tidak memerlukan ukuran korelasi linear. Prosedurnya adalah:
1. Rankinglah observasi untuk setiap variabel2. Carilah perbedaan dalam rank-rank untuk observasi berpasan gan. Misalnya di = perbedaan
untuk pasangna ke i 3. Estimasilah rho dengan formula: 6 di2 rs = 1 - --------------- (n-1) n (n+1) dimana rs adalah koefisien korelasi rank Spearman dan n adalah banyaknya perbedaan d.4. Kalau pasangan sangat banyak, estimasi dapat diuji dengan menggunakan kriteria: n-2t = rs ------- 1 - rs2 tersebar seperti t - Student dengan derajat bebas n-2.
UJI OLMSTEAD-TUKEY: ASOSIASI
SMNO fpub okto 2012
. Uji ini digunakan untuk asosiasi dua variabel kontinyu, dan lazim disebut sebagai uji jumlah-kuadrat. Nilai-nilai ekstrim seringkali menjadi indikator terbaik dari asosiasi antara varia bel
dan uji ini memberinya pembobot khusus. Perhitungannya sbb:1. Plot observasi yang berpasangan2. Gambarkanlah median untuk setiap variabel3. Mulailah dari bagian atas, hitung ke bawah banyaknya obser vasi (dengan menggunakan
sumbu Y) yang nampak, hingga perlu melintasi median vertikal. Catatlah angka ini bersama dengan tanda kuadrannya.
4. Ulangilah seperti tahap (3) dari kanan, dengan menggunakan median horisontal5. Ulangilah dari bawah dan dari kiri6. Hitunglah jumlah kuadran dan bandingkanlah dengan nilai- nilai tabel.
Kalau banyaknya pasangan ganjil, setiap median melalui suatu titik yang agaknya berbeda. Misalnya saja titik ini (Xm,Y) dan (X,Ym). Untuk menghitung jumlah kuadran, gantilah dua pasangan ini dengan pasangan tunggal (X,Y), sehingga akan meghasilkan jumlah pasangan
yang genap. Pengujian dilakukan dengan jalan membandingkan jumlah kuadran dengan nilai tabel.
METODE ANALISIS DATA
LP = LINEAR PROGRAMMING
Linear Programming (Programasi linear), LP
SMNO fpub okto 2012
LP merupakan suatu model yang dapat digunakan dalam banyak macam persoalan pengambilan keputusan, terutama dalam pemecahan masalah pengalokasian sumberdaya yang
terbatas secara optimal.
Masalah timbul kalau seseorang harus memilih atau menentukan “besarnya” setiap kegiatan yang akan
dilakukan, dimana masing-masing kegiatan membutuhkan sumberdaya yang sama sedangkan jumlah total sumberdaya
tsb terbatas.
SMNO fpub okto 2012
Kadangkala kata "programming" di sini dikacaukan dengan "computer programming". Meskipun pada kenyataannya penyelesaian problem
LP tanpa komputer sangat sulit, namun sebenarnya makna "programming" dalam LP ini adalah penetapan suatu program yang
berarti "rencana".
Dengan demikian kata "planning" dapat menjadi substitute kata "programming". "Linear" menyatakan makna bahwa setiap unit
sumberdaya, atau input, yang dilibatkan dalam "rencana" tersebut mempunyai kon tribusi yang sama dengan unit-unit lain dari input yang sama tanpa memperhatikan volume atau taraf operasinya. Demikian
juga setiap unit output mempunyai nilai yang sama tanpa memperhatikan taraf operasinya sehingga dapat dijumlahkan
langsung.
Linear Programming (Programasi linear), LP
SMNO fpub okto 2012
Salah satu contoh persoalan yang dapat diselesaikan dengan model LP adalah pendistribusian bahan bakar dari beberapa
pusat depot ke beberapa tempat stasiun pengisian bahan bakar dalam rangka untuk meminimumkan total biaya
transportasinya.
Berbagai persoalan perencanaan menu gizi bagi formulasi pakan ternak juga dapat diselesaikan dengan model LP.
Linear Programming (Programasi linear), LP
SMNO fpub okto 2012
Dalam memformulasikan model LP diperlukan ekspresi matematik yang dapat digunakan untuk menyatakan :
1. fungsi tujuan yang akan dicapai, dan 2. fungsi pembatas atau fungsi kendala dalam penggunaan
sumberdaya atau input untuk mencapai tujuan.
Model LP ini selalu dirumuskan sedemikian rupa sehingga ekspresi tujuan (fungsi tujuan) dapat dimaksimumkan atau
diminimumkan dalam proses penemuan penyeles aian (solution).
Linear Programming (Programasi linear), LP
SMNO fpub okto 2012
Salah satu pendekatan yang dapat digunakan untuk memfor mulasikan problem LP melibatkan langkah-langkah :
1. Identifikasi tujuan akhir dari pengambil keputusan dan kemudian rumuskan secara verbal
2. Identifikasi kendala sumberdaya yang ada dalam upaya mencapai tujuan akhir
3. Identifikasi peubah-peubah keputusan yang terkait dengan fungsi kendala dan fungsi tujuan
4. Identifikasi koefisien dari peubah-peubah yang terkait dengan fungsi tujuan, dan formulasikan fungsi tujuan secara matematik
5. Identifikasi koefisien dari peubah-peubah yang terkait dengan konsumsi/ penggunaan sumberdaya atau input, dan total jumlah sumber daya yang tersedia. Formulasikan fungsi kendala secara matematik.
Linear Programming (Programasi linear), LP
SMNO fpub okto 2012
Prosedur penyelesaiannya serupa dengan menyelesaikan sepe rangkat persamaan linear simultan. Teknik khusus yang sering digu nakan
didasarkan pada prosedur algoritme simpleks. Biasanya ada banyak sekali "penyelesaian, solution" yang layak bagi suatu sistem LP, tetapi
hanya ada satu penyelesaian (optimal) yang diharapkan dapat memaksimumkan atau meminimumkan fungsi tujuan.
Model LP dapat diselesaikan secara numerik dan secara grafik.
Maksimumkan Fungsi tujuan: Z = 3X1 + 5X2
dengan menghadapi fungsi kendala: 1. 2 X1 <= 8 2. 3 X2 <= 15 4. X1, X2 >= 0 3. 6 X1 + 5 X2 <= 30
Linear Programming (Programasi linear), LP
SMNO fpub okto 2012
Daerah layak pada Gambar menunjukkan bagian yang memenuhi "persyaratan" yang ditetapkan oleh ke empat fungsi kendala, yaitu
daerah dimana kombinasi (X1,X2) memenuhi persyaratan.
Langkah selanjutnya ialah mencari suatu titik (kombinasi X1 dan X2) yang terletak di dalam daerah layak yang dapat memaksimumkan nilai
Z.
Hal tersebut di atas dapat dilakukan dengan jalan meng-gambarkan fungsi tujuan atau dengan membandingkan nilai Z pada setiap
alternatif.
Dalam gambar di atas, garis dari fungsi tujuan dapat digeser ke arah kanan di dalam kisaran daerah layak hingga mencapai nilai Z yang
sebesar-besarnya.
Linear Programming (Programasi linear), LP
WASSALAM……