Bahan Ajar
-
Upload
masyitha-noor-wasillah -
Category
Documents
-
view
116 -
download
5
Transcript of Bahan Ajar
MANAJEMEN DATA SPSS
Statistika dapat didefinisikan sebagai ilmu yang dipakai untuk mengambil
keputusan dalam kondisi tidak pasti, pijakan utama untuk mengambil
keputusan adalah data. Dalam modul ini akan dibahas berbagai macam cara
untuk mengelola data dengan bantuan SPSS.
Setelah mempelajari modul ini, mahasiswa diharapkan mampu
melakukan manajemen data dengan bantuan SPSS, manajemen data ini
meliputi :
a. Pendefinisian variabel
b. Pembersihan data
c. export/import data
d. Penggabungan data
e. Pemilihan data
f. Pemecahan data
g. Penyusunan syntax
a. Pendefinisian Variabel
Sebelum melakukan pemasukan data, biasanya dilakukan pendefinisian
variabel yang meliputi nama variabel, jenisnya (numerik atau bukan),
pemberian label, dan missing value. sebagai contoh disajikan contoh
peragaan pendefinisian variabel jenis kelamin responden :
klik data+define variable
1
variabel jenis kelamin responden diberi nama : sex, setelah nama variabel sudah ditentukan maka ditentukan jenis variabel dengan mengklik Type
Variabel sex ini jenisnya adalah numeric dengan lebar 1 angka, angka yang diisikan nantinya adalah 1 untuk laki-laki, dan 2 untuk perempuan. Untuk membe-ri label seperti ini dilakukan perintah dengan mengklik Labels
Variabel sex diberi label Jenis Kelamin Responden dan bernilai 1 untuk laki-laki dan 2 untuk perempu-an, jika ada responden yang tidak mengisi perta-nyaan ini, maka hal ini disebut missing values. untuk memfasilitasi hal ini dapat dilakukan dengan mengklik Missing Values di define variable window
2
Jika ada responden yang tidak mengisi pertanyaan jenis kelamin, maka ditandai dengan -1, pemilihan lambing bilangan untuk missing values biasanya diberi sebagai suatu nilai yang tidak mungkin seandainya variabel tersebut terisi
b. Pembersihan Data
Data yang sudah dimasukkan dengan bantuan komputer, masih
dimungkinkan untuk salah dimasukkan akibat kelalaian manusia. Untuk
memeriksa adanya kesalahan semacam ini dapat digunakan distribusi
frekuensi untuk data yang bersklala diskrit ataupun nilai statistik deskriptif
untuk data yang berskala kontinyu.
Jenis Kelamin Responden
47 47.0 48.5 48.5
47 47.0 48.5 96.9
2 2.0 2.1 99.0
1 1.0 1.0 100.0
97 97.0 100.0
3 3.0
100 100.0
Laki-laki
Perempuan
3
4
Total
Valid
-1Missing
Total
Frequency Percent Valid PercentCumulative
Percent
Dari contoh distribusi frekuensi di atas, terlihat ada jenis kelamin yang
bernilai 3 dan 4 , sehingga masih ada kesalahan yang perlu untuk diperbaiki
dengan melihat kembali data yang tercatat sebelum dimasukkan ke komputer.
3
Descriptive Statistics
98 8.00 14800.00 7904.1633 3609.45489
98
NIlai makansiang kemarin
Valid N (listwise)
N Minimum Maximum Mean Std. Deviation
Rata-rata komsumsi responden untuk sekali makan siang adalah adalah
7904 rupiah dengan nilai minimum 8 rupiah, nilai minimum 8 rupiah jelas
merupakan data yang salah mengingat tidak mungkin sekali makan siang
menghabiskan 8 rupiah. Sehingga perlu diadakan perbaikan data dengan
memeriksa kembali catatan data sebelum dimasukkan ke komputer.
Pemriksaan kesalahan data dapat juga dengan melibatkan dua variabel
seperti contoh berikut :
Banyaknya anak * status perkawinan Crosstabulation
Count
0 46 46
13 2 15
11 0 11
17 0 17
8 0 8
49 48 97
.00
1.00
2.00
3.00
4.00
Banyaknyaanak
Total
MenikahBelum
Menikah
status perkawinan
Total
Ada responden yang belum menikah yang sudah mempunyai anak, hal ini
perlu dilakukan pemeriksaan, apakah memang benar seperti ini atau terjadi
kesalahan.
c. Export/Import Data
Setiap program paket Statistika diharapkan mampu berkomunikasi dengan
program paket Statistika yang lain dengan cara mampu untuk berbagi data,
atau data yang telah disimpan dengan program paket A diharapkan dapat
diolah oleh program B, sebagai contoh diperagakan hal berikut :
4
1. Buka data world95.sav dengan SPSS
klik File+Open+Data
2. Simpan data dengan type dbf ke c:\My Documents\world95.dbf
Klik File+Save As…
5
3. Buka world95.dbf dengan bantuan MINITAB
Klik File+Open Worksheet
dan data world95 siap diolah dengan bantuan MINITAB
6
d. Penggabungan Data
Program paket SPSS mempunyai kemampuan untuk menggabung file
kesamping atau ke bawah :
Contoh penggabungan kesamping :
Ada dua file :
File Biodata : NRP, Nama, Tempat Lahir, Tgl Lahir, Jenis Kelamin
File NIlai : NRP, PMS, MAT1, MAT2, ED, AR
Dua file ini dapat digabung jika ada variabel yang bersifat unik (nilainya
berbeda untuk mahasiswa yang berbeda), variabel ini disebut juga sebagai key
variable. Dalam hal ini variabel tersebut adalah NRP. Dengan bantuan SPSS
penggabungan tersebut dapat dilakukan dengan tahapan :
1. Buka file pertama dengan cara File+Open+data
2. Gabung dengan file kedua dengan cara klik Data+Merge Files+Add
Variables kemudian isikan key-variablenya
Contoh penggabungan kebawah :
Ada dua file
File NIlai 1 : NRP, PMS, MAT1, MAT2, ED, AR
File NIlai 2 : NRP, PMS, MAT1, MAT2, ED, AR
Dengan bantuan SPSS penggabungan tersebut dapat dilakukan dengan
tahapan :
1. Buka file pertama dengan cara File+Open+data
2. Gabung dengan file kedua dengan cara klik Data+Merge Files+Add
cases kemudian isikan key-variablenya
e. Pemilihan Data
Di dalam program paket SPSS tersedia fasilitas pemilihan kasus,
sehingga analisis Statistika yang dilakukan hanya valid untuk kasus yang
terpilih. Contoh peragaan dari fasilitas ini adalah :
7
Tampilkan scatter-plot dari harapan hidup perempuan dan pendapatan
perkapita untuk Negara-negara di Asia/Pasifik.
1. Pemilihan Negara-negara Asia, klik Data+Select Cases
klik if
Dari hasil pemilihan Negara dari region=3(Asia) akan tampak hasil berikut
:
8
Negara-negara yang tidak terpilih akan tercoret.
9
2. Scatter-plot, Klik Graph+Scatter+Simple
klik options
10
f. Pemecahan Data
Di dalam program paket SPSS juga tersedia vasilitas pengelompokan
data berdasarkan nilai variabel tertentu. Setetlah pengelompokan dilakukan
maka analisis yang dilakukan, hasilnya akan disajikan pada setiap kelompok
variabel tersebut. Contoh peragaan dari pemecahan data adalah :
Tampilkan scatter-plot antara harapan hidup perempuan dan pendapatan
perkapita pada setiap region(Asia, Afrika,…).
1. Pemecahan Data : Klik Data+Split File
3. 2, Scatter-Plot, Klik Graph+Scatter+Simple
Akan disajikan scatter-plotuntuk setiap region.
11
h. Penyusunan Syntax
Program paket SPSS dapat dioperasikan dengan dua macam cara. Cara
pertama melalui klik pada menu yang ada dan cara kedua dengan cara
menuliskan syntax. Contoh penulisan syntax adalaghsebagai berikut :
Klik File+New+Syntax
Kemudian tuliskan perintah-perintah yang dibutuhkan :
Cara pengoperasian SPSS melalui syntax akan terasa lebih efisien, bila
data berukuran besar dan analisis yang akan dilakukan pada data tersebut ada
banyak macamnya.
12
PEMERIKSAAN DATA
Statistika dapat didefinisikan sebagai ilmu yang dipergunakan untuk
menyimpulkan kondisi populasi berdasarkan kondisi sampel, untuk melakukan
hal ini biasanya dilakukan tahapan yang disebut pengujian hipotesis, hasil dari
pengujian hipotesis ini dapat dikatakan valid jika beberapa syarat terpenuhi,
syarat-syarat itu diantaranya, kenormalan, kehomogenan varians dan
kelinearan. Diharapkan setelah mempelajari modul ini mahasiswa mempunyai
kompetensi :
a. Melakukan pemeriksaan dan pengujian kenormalan
b. Melakukan pemeriksaan dan pengujian kehomogenan varians
Kenormalan
Asumsi tentang distribusi seringkali dibutuhkan kalau kita menggunakan
Statistika parametrik, asumsi terutama dibutuhkan jika diadakan pengujian
hipotesis. Asumsi ini dapat diperiksa dengan beberapa cara diantaranya
melalui histogram dan normal probability plot. Contoh histogram dan npp dari
data yang berdistribusi uniform, eksponensial dan normal adalah sebagai
berikut : (Gambar 1.)
Dari contoh gambar ini, dapat disimpulkan bahwa data yang
berdistribusi uniform mempunyai normal probability-plot-nya berbentuk huruf S,
sedangan data yang berdistribusi eksponensial mempunyai normal probability
plot berbentuk huruf u, serta data yang berdistribusi normal mempunyai normal
probability plot garis lurus.
13
U
200.0
190.0
180.0
170.0
160.0
150.0
140.0
130.0
120.0
110.0
100.0
70
60
50
40
30
20
10
0
Normal P-P Plot of U
Observed Cum Prob
1.00.75.50.250.00
Exp
ecte
d C
um
Pro
b
1.00
.75
.50
.25
0.00
E
300
200
100
0
Normal P-P Plot of E
Observed Cum Prob
1.00.75.50.250.00
Exp
ecte
d C
um
Pro
b
1.00
.75
.50
.25
0.00
N
120
100
80
60
40
20
0
Normal P-P Plot of N
Observed Cum Prob
1.00.75.50.250.00
Exp
ect
ed
Cu
m P
rob
1.00
.75
.50
.25
0.00
Gambar 1. Histogram dan normal probability plot dari data yang berdistribusi uniform, eksponensial dan normal
14
Variabel harapan hidup perempuan untuk Negara-negara Asia
cenderung berdistribusi normal, Karena normal probability plot-nya cenderung
membentuk garis lurus, sedangkan pendapatan perkapita cenderung
berdistribusi eksponen-sial, karena normal probability plot-nya membentuk
huruf U.
Normal P-P Plot of Average female life expectancy
Observed Cum Prob
1.00.75.50.250.00
Exp
ecte
d C
um
Pro
b
1.00
.75
.50
.25
0.00
Normal P-P Plot of Gross domestic product / capita
Observed Cum Prob
1.00.75.50.250.00
Exp
ecte
d C
um
Pro
b
1.00
.75
.50
.25
0.00
15
Selain dengan menggunakan normal probability plot, kenormalan data
dapat juga diuji dengan menggunakan beberapa statistik uji berikut :
a. Goodness of fit
b. Kolmogorov Smirnov
c. Anderson Darling
d. Shapiro Wilk
a. Goodness of fit
Statistik uji ini mengukur jumlah kuadrat perbedaan frekuensi sesungguh-
nya dengan frekuensi yang diharapkan kalau data berdistribusi normal. Secara
rinci statistik uji ini dapat dinyatakan dalam formula berikut :
Tolak H0 (Data berdistribusi normal) jika nilai k-2
Statistik uji ini diharapkan dipergunakan untuk data yang berukuran
besar. Statistik uji ini tidak tersedia di dalam paket SPSS ataupun MINITAB,
program paket yang menyediakan statistik uji ini adalah STATGRAPHICS.
b. Kolmogorov Smirnov
Statistik uji KS ditentukan berdasarkan nilai terbesar dari selisih antara
nilai fungsi distribusi teoritis dengan nilai fungsi distribusi empiris.
D= max|F(x)-i/n|
Tolak H0 (data berdistribusi normal) jika D>D. Statistik uji ini hanya dapat
dipergunakan untuk data yang kontinyu dan jika nilai dugaan parameter
dihitung dari sampel maka hasil pengujian ini cenderung tidak valid mengingat
dari hasil simulasi ditunjukkan nilai taksiran cenderung lebih kecil dari .
Statistik uji ini tersedia di program paket SPSS dan MINITAB. Hasil pengujian
kenormalan untuk data harapan hidup perempuan untuk Negara-negara di
Asia adalah sebagai berikut : [klik statistics+nonparamterics test+1 sample KS]
16
One-Sample Kolmogorov-Smirnov Test
17
67.41
10.886
.169
.090
-.169
.695
.719
N
Mean
Std. Deviation
Normal Parameters a,b
Absolute
Positive
Negative
Most ExtremeDifferences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
Averagefemale lifeexpectancy
Test distribution is Normal.a.
Calculated from data.b.
c. Anderson Darling
Statistik uji ini dikembangkan untuk mengatasi kelemahan statistik uji
Kolmogorov Smirnov yang hasil pengujiannya bisa tidak valid jika nilai dugaan
parameternya dihitung dari sampel. Nilai statistik uji ini dihitung dengan cara :
Statistik uji ini tidak tersedia di SPSS tetapi di MINITAB ada. Hasil
pengujian kenormalan dengan statistik uji Anderson Darling adalah : [klik
stat+basic statistics+normality test]
17
18
Shapiro-Wilk
Statistik uji Shapiro-Wilk dihitung berdasarkan urutan data yang
dinyatakan dalam :
Statistik Shapiro-Wilk telah dibandingkan dengan statistik uji kenormalan
yang lain melalui simulasi dan hasilnya lebih baik terutama untuk sampel kecil.
Hasil pengujian Shapiro-Wilk untuk data pendapatan per-kapita adalah :
[klik stat+basic statistics+normality test]
19
Kehomogenan varians
Kehomogenan varian untuk beberapa kelompok data dapat diperiksa
melalui box-plot. Box-plot dari harapan hidup perempuan dan pendapatan per-
kapita untuk beberapa region Afrika, Timur Tengah dan Amerika Latin adalah
sebagai berikut : [klik graphs+box-plot+defines]
211719N =
Region or economic group
Latn AmericaMiddle EastAfrica
Aver
age
fem
ale
life e
xpec
tanc
y
90
80
70
60
50
40
Haiti
211719N =
Region or economic group
Latn AmericaMiddle EastAfrica
Gro
ss d
omes
tic p
rodu
ct /
capi
ta
16000
14000
12000
10000
8000
6000
4000
2000
0
-2000
Barbados
SomaliaBotswanaSouth Africa
Gabon
Varians harapan hidup perempuan diregion Afrika, Timur Tengah dan
Amerika Latin relatif cenderung lebih homogen daripada pendapatan perkapita,
20
karena besar kotak harapan hidup perempuan cenderung sama besar
daripada besar kotak pendapatan per-kapita.
Selain dengan melihat box-plot, kehomogenan varians dapat diuji
dengan statistik uji Bartlett dan Levene. Statistik uji Bartlett dapat dipergunakan
jika data berdistribusi normal, sedangkan statistik uji Levene tidak
membutuhkan syarat kenormalan data. Statistik uji Bartlett dan Levene dapat
ditentukan dengan cara :
k = banyaknya kelompok
s2i = varians data pada kelompok ke-i
vi = ni – 1
ni = banyaknya data pada kelompok ke-i
mi = median data pada pelompok ke-i
m.. = median untuk keseluruhan data
Hasil pengujian kehomogenan varians dengan menggunakan statistik uji
Levene untuk data pendapatan perkapita di region Afrika, Timur Tengah dan
Amerika Latin adalah : [klik statistics+compare means+oneway anova]
21
Test of Homogeneity of Variances
1.850 2 54 .167
13.739 2 54 .000
Average femalelife expectancy
Gross domesticproduct / capita
LeveneStatistic df1 df2 Sig.
Sesuai dengan hasil pemeriksaan box-plot, dapat disimpulkan varians
harapan hidup perempuan adalah homogen (sig.>) sedangkan varians
pendapatan perkapita adalah tidak homogen (sig.<) di region Afrika, Timur
Tengah dan Amerika Latin.
22
TRANSFORMASI
Kompetensi
Setelah mempelajari modul ini diharapkan mahasiswa mampu untuk melakukan
transformasi untuk menormalkan data, menghomogenkan varians dan melinearkan
hubungan antar variabel.
Tujuan Transformasi
1. Menormalkan data
2. Menghomogenkan varians
3. Melinearkan hubungan antar variabel
Transformasi Box-Cox
Salah satu transformasi yang dapat dipakai untuk memnuhi tujuan transformasi
di atas adalah transformasi Box-Cox. Tranformasi ini dapat dinyatakan sebagai
berikut :
untuk dan y=ln(x) untuk
Pemilihan nilai biasanya dilakukan secara coba-coba dari nilai -3 sampai dengan +3,
coba-coba itu dilakukan dengan aturan :
Nomor Tujuan Transformasi Optimasi
1 Menormalkan Memaksimukan korelasi antara nilai observasi yang
terurut dengan nilai F-1[(i-3/8)/(n+1/4)]
2 Menhomogenkan
varians
Meminimukan nilai statistik uji F, Levene atau
Bartlett
3 Melinearkan hubu-
ngan antar variabel
Memaksimukan nilai korelasi antar variabel yang
sudah ditransformasi
23
Transformasi untuk menormalkan
Transformasi Box-Cox untuk menormalkan data dilakukan melalui algoritma
berikut :
1. mulai
. .
3. r_max=0, optimum=-3
4. ..
5. jika maka y=ln(x) jika tidak
6. r=korelasi antara nilai y dengan z=F-1[(i-3/8)/(n+1/4)]
7. Jika r>r_max maka r_max=r dan optimum=
8. Jika <3 maka pergi ke 4
9. Tulis optimum
10. selesai
Algoritma di atas dapat dinyatakan dalam macro MINITAB sebagai berikut :
24
macrobox1 xmconstant i n l l_opt r_max tempmcolumn x y z lambda r t1 t2mmatrix mrlet n=count(x)let l=-3.1let i=0let r_max=0while l<3 let i=i+1 let l=l+0.1 let lambda(i)=l if l=0 let y=ln(x) endif if l<>0 let y=(x**l-1)/l endif nscore y z corr y z mr copy mr t1 t2 let temp=t1(2) if temp>r_max let r_max=temp let l_opt=l endif let r(i)=temp endwhileplot r*lambdaprint l_opt r_maxendmacro
25
Tranformasi untuk menghomogenkan varians
Kehomogenan varians dari k kelompok data dapat diuji dengan menggunakan
statistik uji Bartlett (T) yang dinyatakan :
dan
Pemilihan nilai untuk transformasi Box-Cox untuk menghomogenkan varians
dilakukan dengan cara meminimukan statistik uji Barlett (T), algoritma untuk memilih
nilai itu dapat dinyatakan sebagai berikut :
1. mulai
. .
3. t_min=1000, optimum=-3
4. ..
5. jika maka y=ln(x) jika tidak
6. t=nilai statistic uji Bartlett untuk menguji kehomogenan y
7. Jika t<t_min maka t_min=t dan optimum=
8. Jika <3 maka pergi ke 4
9. Tulis optimum
10. selesai
Algoritma di atas dapat diimplementasikan ke dalam macro MINITAB berikut :
26
macrobox2 x groupmconstant i j k n ii sp t t1 t2 l l_opt t_minmcolumn x group ni vari y z lambda index temp bartlettlet n=count(x)let l=-3.1let ii=0let k=maxi(group)do i=1:k let ni(i)=0enddolet j=1do i=1:n if group(i)=j let ni(j)=ni(j)+1 endif if group(i)<>j let j=j+1 let ni(j)=ni(j)+1 endifenddodo i=1:k if i=1 let index(i)=1 endif if i>1 let index(i)=index(i-1)+ni(i-1) endifenddowhile l<3 let ii=ii+1 let l=l+0.1 let lambda(ii)=l if l=0 let y=ln(x) endif if l<>0 let y=(x**l-1)/l endif do i=1:k let t1=index(i) let t2=t1+ni(i)-1 copy y temp; use t1:t2. let vari(i)=(stdev(temp))**2 enddo let sp=sum((ni-1)*vari/(n-k)) let t1=(n-k)*loge(sp)-sum((ni-1)*loge(vari)) let t2=1+1/(3*(k-1))*((sum(1/(ni-1))-1/(n-k))) let t=t1/t2 let bartlett(ii)=tendwhileplot bartlett*lambdasort bartlett lambda bartlett lambdalet l_opt=lambda(1)let t_min=bartlett(1)print l_opt t_minendmacro
27
Transfomasi untuk melinearkan data
Permilihan nilai untuk melinearkan hubungan antara variabel y dengan x,
dilakukan dengan cara memaksimukan korelasi antara variabel y dengan transfrormasi
variabel x. . Algoritma untuk memaksimumkan korelasi tersebut adalah :
1. mulai
..
.r_max=0, optimum=-3
4...
.jika maka z=ln(x) jika tidak
6. r=harga mutlak korelasi antara nilai y dengan z
7. Jika r>r_max maka r_max=r dan optimum=
8. Jika <3 maka pergi ke 4
9. Tulis optimum
10. selesai
Algoritma di atas dapat dinyatakan dalam macro MINITAB berikut :
28
macrobox1 y xmconstant i n l l_opt r_max tempmcolumn x y z lambda r t1 t2mmatrix mrlet n=count(x)let l=-3.1let i=0let r_max=0while l<3 let i=i+1 let l=l+0.1 let lambda(i)=l if l=0 let z=ln(x) endif if l<>0 let z=(x**l-1)/l endif corr y z mr copy mr t1 t2 let temp=t1(2) let temp=abs(temp) if temp>r_max let r_max=temp let l_opt=l endif let r(i)=temp endwhileplot r*lambdaprint l_opt r_maxendmacro
29
Kegiatan Praktikum
1. Banyaknya penumpang pesawat udara bulanan yang dicatat selama 12 tahun adalah sebagai berikut : 112 118 132 129 121 135 148 148 136 119 104 118 115 126 141 135 125 149 170 170 158 133 114 140 145 150 178 163 172 178 199 199 184 162 146 166 171 180 193 181 183 218 230 242 209 191 172 194 196 196 236 235 229 243 264 272 237 211 180 201 204 188 235 227 234 264 302 293 259 229 203 229 242 233 267 269 270 315 364 347 312 274 237 278 284 277 317 313 318 374 413 405 355 306 271 306 315 301 356 348 355 422 465 467 404 347 305 336 340 318 362 348 363 435 491 505 404 359 310 337 360 342 406 396 420 472 548 559 463 407 362 405 417 391 419 461 472 535 622 606 508 461 390 432
Periksalah kenormalan di atas, jika data tidak berdistribusi normal maka tentukan transformasi yang sesuai untuk menormalkan data.2. Lakukan pengujian kesamaan varians antar tahun untuk data di atas, jika ternyata varians tidak homogen, tentukan transformasi yang sesuai untuk menghomogenkan varians.3. Niai harapan hidup perempuan (y) dan pendapatan per-kapita (x) Negara-negara di Asia adalah sebagai berikut :
COUNTRY LIFEEXPF GDP_CAP
Afghanistan 44 205
Bangladesh 53 202
Cambodia 52 260
China 69 377
Hong Kong 80 14641
India 59 275
Indonesia 65 681
Japan 82 19860
Malaysia 72 2995
N. Korea 73 1000
Pakistan 58 406
Philippines 68 867
S. Korea 74 6627
Singapore 79 14990
Taiwan 78 7055
Thailand 72 1800
Vietnam 68 230
Tentukan model yang paling sesuai untuk menjelaskan hubungan antar variabel y dan x.
30
Penyelesaian :
1. Pemeriksaan dan pengujian kenormalan :
MTB > %pp.txt c1;SUBC> blom;SUBC> normal.
Pearson correlation of xsort and inv = 0.977
Nilai korelasi antara nilai observasi dengan F-1[(i-3/8)/(n+1/4)] adalah 0.977 lebih
kecil dari nilai r0.05 sehingga dapat disimpulkan data penumpang pesawat udara tidak
berdistribusi normal. Untuk menormalkan dilakukan transformasi Box-Cox :
MTB > %box1.txt c1
l_opt 0.000000000 r_max 0.990184
31
Nilai korelasi antara nilai observasi dengan F-1[(i-3/8)/(n+1/4)] yang diperoleh dengan
transformasi Box-Cox dengan =0 sudah lebih besar dari nilai r_tabel sehingga dapat
disimpulkan bahwa transformsi ln(x) berhasil menormalkan data.
2. Pengujian kehomogenan varians :
MTB > %Vartest 'x' 'tahun' Bartlett's Test (normal distribution)Test Statistic: 66.511P-Value : 0.000 Levene's Test (any continuous distribution)Test Statistic: 2.727P-Value : 0.003
p-value<5% sehiingga dapat disimpulkan varians penumpang pesawat udara bulanan
tidak mempunyai varians yang konstan. Untuk menstabilkan varians ini dilakukan
transformasi Box-Cox sebagai berikut :
MTB > %box2.txt c1 c2
l_opt -0.300000 t_min 1.50878
Nilai optimum adalah -0.3 dekat dengan =0 (bilangan bulat terdekat dan
menyesuaikan dengan transformasi yang menormalkan data), sehingga dicoba
32
ditransformasi dengan ln(x). Hasil pengujian kehomogenan varians untuk data
transformasi ln(x) adalah :
MTB > %vartest c10 c2Bartlett's Test (normal distribution)Test Statistic: 4.610P-Value : 0.949 Levene's Test (any continuous distribution)Test Statistic: 0.199P-Value : 0.9973. Langkah awal untuk menentukan model terbaik yang mengubungkan antar variabel,
dapat dilakukan dengan cara memilih transformasi untuk memaksimumkan korelasi
antar dua variabel :
MTB > %box3.txt c2 c3
l_opt -0.500000 r_max 0.887895
Nilai optimum diperoleh =-0.5 sehingga model yang paling sesuai adalah:
33
Nilai dugaan untuk dan adalah ::
MTB > let c4=1/sqrt(c3)MTB > regr c2 1 c4
Regression Analysis: LIFEEXPF versus akr-GDPThe regression equation isLIFEEXPF = 82.4 - 409 akr-GDPPredictor Coef SE Coef T PConstant 82.408 2.366 34.83 0.000akr-GDP -409.17 54.74 -7.47 0.000S = 5.172 R-Sq = 78.8% R-Sq(adj) = 77.4%
Sehingga dugaan modelnya adalah : gambar persamaan
garis ini adalah :
34
PENDUGAAN DAN PENGUJIAN PARAMETER SATU POPULASI
Tahapan didalam pengambilan keputusan secara Statistika dapat
dinyatakan dalam : pengambilan sampel, pendugaan parameter populasi dan
pengujian parameter populasi. Setelah mempelajari modul ini di harapkan
mahsiswa dapat melkukan pendugaan dan pengujian parameter satu populasi
dengan bantuan program paket Statistika.
a. Pendugaan Parameter Satu Populasi
Klasifikasi pendugaan parameter untuk ukuran pemusatan dan penyebaran satu
populasi yang berdistribusi normal dapat dinyatakan dalam tabel berikut :
No. Parameter Statistik Confidence interval Perintah MINITAB
1 tak diketahui
Onet c1
2 diketahui
Onez c1;sigma=
3 %varia.txt c1
Di dalam program paket MINITAB tidak tersedia secara langsung fasilitas
untuk menentukan confidence interval untuk varians, untuk mengatasi hal ini
dapat diselesaikan dengan cara membuat macro MINITAB.
Dalam praktek pengolahan data untuk penentuan confidence interval,
asumsi kenormalan tidak selalu dapat dipenuhi, untuk mengatasi hal ini dapat
dilakukan penggunaan metode bootstrap. Algoritma dari metode bootstrap
adalah sebagai berikut :
35
Mulai
1. Lakukan pengambilan sampel dari populasi : x1, x2, …, xn
2. b=10003. i=04. i=i+15. Lakukan pengambilan sampel ke-i lagi dari sampel yang ada
sebanyak n6. Tentukan nilai statistik 7. JIka i<b pergi ke 5
8. Tentukan nilai statistik dan standard error dengan cara : dan
9. Tentukan bootstrap confidence interval melalui nilai persentil dari yaitu P100( dan P100(1-)
10.Selesai
Selain dengan mengunakan metode bootstrap penentuan confidence
interval dapat juga menggunakan metode nonparametrik yang lain yaitu tanda
(sign) dan Wilcoxon, confidence interval untuk median dengan menggunakan
dua metode ini adalah :
Nomor Metode Perintah Minitab1 Tanda sinterval 95 c12 Wilcoxon winterval 95 c1
b. Pengujian Parameter Populasi
Pengujian ukuran pemusatan populasi dapat diklasifikasikasikan menjadi
dua kelompok yaitu :
a. Asumsi distribusi normal terpenuhi dan pengujiannya dilakukan
terhadap rata-rata populasi serta statistik ujinya adalah t untuk
varians populasi tak diketahui dan z untuk varians populasi diketahui
b. Asumsi distribusi normal tak terpenuhi, pengujiannya dilakukan
terhadap median dan statistik ujinya adalah uji tanda ataupun uji
Wilcoxon
36
Perintah MINITAB untuk dua macam klasifikasi di atas adalah :
No. Syarat Hipotesis nol
Statistik uji Perintah MINITAB
1 Normal,
Tak diketahui
Onet c1;Test .
2 Normal,
Diketahui Onez c1;
Sigma ;Test ..
3 Simetri Median=M0 Tanda Stest M0 C14 Simetri Median=M0 Wilcoxon Wtest Mo C1
Selain dengan mengunakan cara di atas, pengujian hipotesis dapat juga
dilakukan dengan menggunakan metode bootstrap, jika nilai atau M0 termuat
di dalam bootstrap confidence interval maka hipotesis nol diterima yang berarti
nilai rata-rata populasi tidak berbeda dengan atau nilai median populasi
tidak berbeda dengan M0.
Kegiatan Praktikum
1. Tentukan confidence interval 95 % untuk rata-rata dan varians harapan
hidup perempuan di region Asia
2. Ujilah pernyataan yang menyatakan bahwa rata-rata harapan hidup
perempuan di region Asia adalah 65 tahun.
3. Tentukan confidence interval 95 % untuk rata-rata dan varians
pendapatan per-kapita di region Asia
4. Tentukan confidence interval 95 % untuk rata-rata pendapatan per-
kapita di region OECD
37
Penyelesaian
1. confidence interval 95 % untuk rata-rata dan varians harapan hidup
perempuan di region Asia
Untuk menyelesaiakan masalah ini, dibutuhkan tahapan
- Pemilihan Negara-negara di region Asia, yang diluar region Asia
dihapus, [klik Data+Select Cases]
sehingga yang tersisa adalah hanya 17 negara di region Asia/Pasifik
38
- Simpan data dalam format dbf [klik File+Sae As]
- Buka data Asia.dbf dengan bantuan MINITAB [Klik File+open
worksheet]
39
40
- Uji kenormalan variabel harapan hidup perempuan dengan
Kolmogorov Smirnov [klik Stat+Basic Statistics+normality test]
dan hasilnya adalah :
p-value> sehingga harapan hidup perempuan berdistribusi normal
41
- Penentuan confidence interval rata-rata :[klik stat+basic stat+1 sample
t]
dan hasilnya adalah :
One-Sample T: LIFEEXPF
Variable N Mean StDev SE Mean 95.0% CI LIFEEXPF 17 67.41 10.89 2.64 ( 61.81, 73.01)
Harapan hidup perempuan di Asia berkisar antara 61.81 tahun sampai
dengan 73 tahun dengan peluang sebesar 95%
- Confidence interval untuk varians adalah :
MTB > %varia.txt c6 95
lower 65.7339upper 274.495
Varians harapan hidup perempuan Asia berkisar antara 65 sampai
dengan 274 dengan peluang 95%.
42
2. Rata-rata harapan hidup perempuan di region Asia adalah 65 tahun.
Karena harpan hidup perempuan berdistribusi normal, maka
pengujian rata-ratanya dapat dilakukan dengan menggunakan stastik uji t
sebagai berikut : [klik stat+basic statistics+1 sample t]
dan hasilnya adalah :
One-Sample T: LIFEEXPF
Test of mu = 65 vs mu not = 65
Variable N Mean StDev SE MeanLIFEEXPF 17 67.41 10.89 2.64
Variable 95.0% CI T PLIFEEXPF ( 61.81, 73.01) 0.91 0.375
p-value(0.375)> dan confidence interval memuat 65 sehingga H0
diterima yang berarti rata-rata harapan hidup perempuan Asia masih dapat
dianggap sama dengan 65 tahun pada .
43
3. Confidence interval 95 % untuk rata-rata dan varians pendapatan per-kapita
di region Asia
Untuk menyelesaikan permasalahan ini dibutuhkan informasi tentang
kenormalan variabel pendapatan per-kapita. Hasil pengujian kenormalan
dengan menggunakan statisitik uji Kolmogorov-Smirnov adalah sebagai
berikut :
p-value <sehingga tolak H0 yang berarti pendapatan perkapita
negara-negara Asia tidak berdistribusi normal sehingga confidence interval
t tidak dapat digunakan, Pada kasus ini dapat digunakan sign confidence
interval atau wilcoxon confidence interval sebagai alternatif jika pendapatan
perkapita berdistribusi simetri. Histogram dari pendapatan perkapita
adalah
44
Dari histogram di atas dapat disimpulkan bahwa pendapatan perkapita
berdistribusi tidak simetri. Untuk menjawab permasalahan data yang tidak
berdistribusi normal dan tidak simetri, metode bootstrap dapat digunakan
dengan cara :
MTB > bootmean.txt c11
dan hasilnya adalah :
stat_b 4242.74se_b 1508.60lower 1549.71upper 7467.06
Rata-rata pendapatan perkapita untuk Negara-negara Asia adalah
4242.74 dengan standard error 1508. Rata-rata pendapatan perkapita ini
berkisar dari 1549 sampai dengan 7467 dengan peluang 95%. Sedangkan
varians pendapatan perkapita adalah :
MTB > %bootvar.txt c11
stat_b 36838694se_b 14993480lower 6298082upper 64034876
Varians pendapatan perkapita Negara-negara Asia berkisar dari 6298082 sampai dengan 64034876 dengan peluang 95%.
45
4. confidence interval 95 % untuk rata-rata pendapatan perkapita di OECD
Confidence interval untuk rata-rata dapat diselesaikan dengan
confidence interval t jika data berdistribusi normal dan dapat diselesaikan
dengan sign confidence interval atau wilcoxon confidence interval jika data
berdistribusi simetri. Histogram dan hasil pengujian Kolmogorov Smirnov untuk
variabel ini adalah :
Dari gambar di atas dapat disimpulkan bahwa pendapatan perkapita
berdistribusi simetri tetapi tidak normal (p-value<5%) sehingga sign atau
wilcoxon confidence interval dapat dipergunakan.
MTB > sinterval c11
Achieved N Median Confidence Confidence interval PositionGDP_CAP 21 17245 0.9216 ( 15974, 17912) 7 0.9500 ( 15942, 18031) NLI 0.9734 ( 15877, 18277) 6
Median pendapatan perkapita berkisar diantara urutan data 7 terkecil
sampai dengan 7 data terbesar dengan peluang sebesar 0.9216
Median pendapatan perkapita berkisar dari 15942 sampai dengan
18031 dengan peluang sebesar 0.95.
MTB > winterval c11
Estimated Achieved N Median Confidence Confidence IntervalGDP_CAP 21 17126 94.8 ( 15146, 18093)
Pendapatan perkapita Negara-negara OECD berkisar dari 15146
sampai dengan 18093 dengan peluang sebesar 94.8%
46
Lampiran 1. Macro MINITAB untuk menentukan confidence interval
varians
macro varia y cimconstant i n var lower upper ci chis1 chis2 alpha alpha1 alpha2 dfmcolumn ylet n=count(y)let df=n-1let alpha=1-ci/100let alpha1=alpha/2let alpha2=1-alpha1let var=stde(y)*stde(y)invcdf alpha1 chis2; chis df.invcdf alpha2 chis1; chis df.let lower=df*var/chis1let upper=df*var/chis2print lower upperendmacro
Lampiran 2. Macro MINITAB untuk Menentukan Bootstrap Confidence Interval untuk Rata-rata dan Varians
macrobootmean xmconstant i n b lower upper stat_b se_bmcolumn x y statlet n=count(x)let b=1000do i=1:b sample n x y; replacement. let stat(i)=mean(y)enddolet stat_b=mean(stat)let se_b=stde(stat)histo statsort stat statlet lower=stat(25)let upper=stat(975)print stat_b se_b lower upperendmacro
macrobootvar xmconstant i n b lower upper stat_b mconstant se_bmcolumn x y statlet n=count(x)let b=1000do i=1:b sample n x y; replacement. let stat(i)=stde(y)*stde(y)enddolet stat_b=mean(stat)let se_b=stde(stat)histo statsort stat statlet lower=stat(25)let upper=stat(975)print stat_b se_b lower upperendmacro
47
PENGUJIAN PARAMETER k POPULASI
Pengujian ukuran pemusatan k populasi dapat diklasifikasikan berdasarkan
terpenuhinya asumsi kenormalan, kehomogenan varians dan keterkaitan antar populasi.
Secara rinci klasifikasi tersebut dapat dinyatakan dalam tabel berikut :
No. H0 Syarat Statistik Uji Perintah SPSS1 Normal T-TEST
GROUPS = region(3 4) /VARIABLES = lifeexpf.
2 Normal
3 D= Normalpaired
T-TESTPAIRS = lifeexpf WITH lifeexpm (PAIRED).
4 ...k
Normal ONEWAYcalories BY region /STATISTICS HOMOGENEITY /POSTHOC = LSD ALPHA(.05).
5 M1=M2 Simetri Mann-Whitney NPAR TESTS/M-W= gdp_cap BY region(1 2).
6 MD=M0 Simetripaired
Wilcoxon NPAR TEST/WILCOXON=lit_fema WITH lit_male (PAIRED).
7 M1=M2=… simetri Kruskal-Wallis NPAR TESTS /K-W=urban BY region(1 6).
48
Kegiatan Praktikum
Dengan menggunakan program paket SPSS, ujilah pernyataan berikut :
1. Rata-rata harapan hidup perempuan untuk region Asia dan Afrika
adalah sama.
2. Harapan hidup perempuan lebih tinggi daripada harapan hidup laki-
laki
3. Rata-rata konsumsi kalori perhari Negara-negara di seluruh region
adalah sama
4. Rata-rata pendapatan perkapita Negara-negara OECD dengan Eropa
Timur adalah sama
5. Persentase penduduk laki-laki yang dapat membaca tidak sama
dengan persentase penduduk perempuan yang dapat membaca
6. Rata-rata kepadatan penduduk untuk seluruh region adalah sama
Untuk menguji seluruh pernyataan di atas, dapat dilakukan dengan
membuat syntax SPSS sebagai berikut : [klik File+New+syntax]
49
Untuk menjalankan syntax di atas dapat dilakukan dengan [klik Run+all], dan hasilnya adalah :1. Rata-rata harapan hidup perempuan untuk region Asia dan Afrika adalah
sama.
Independent Samples Test
1.698 .201 4.164 34 .000
4.093 29.099 .000
Equal variancesassumed
Equal variancesnot assumed
F Sig.
Levene's Test forEquality of Variances
t df Sig. (2-tailed)
t-test for Equality of Means
Pengujian kesamaan rata-rata didahului dengan uji kesamaan varians, hasil
uji kesamaan varians menyimpulkan varians harapan hidup perempuan
untuk region Asia dan Afrika adalah sama, sehingga uji t untuk kesamaan
50
varians yang dipilih adalah uji t yang membutuhkan syarat varians
homogen, dari hasil uji t ini diperoleh informasi bahwa rata-rata harapan
hidup perempuan Asia tidak sama dengan rata-rata harapan hidup
perempuan Afrika.
2. Harapan hidup perempuan lebih tinggi daripada harapan hidup laki-laki
Paired Samples Test
5.239 2.269 .217 24.109 108 .000Average female lifeexpectancy - Averagemale life expectancy
Pair1
MeanStd.
DeviationStd. Error
Mean
Paired Differences
t dfSig.
(2-tailed)
Harapan hidup perempuan dan harapan hidup laki-laki adalah variabel
yang saling dependent, sehingga untuk menguji pernyataan ini dilakukan
dengan menggunakan uji t untuk sampel berpasangan, dari hasil ini
diperoleh nilai t positif dan sig<, sehingga dapat diputuskan H0 ditolak
yang berarti harapan hidup perempuan lebih tinggi daripada harapan hidup
laki-laki
3. Rata-rata konsumsi kalori perhari Negara-negara di seluruh region adalah
sama
Test of Homogeneity of Variances
Daily calorie intake
1.924 5 69 .101
LeveneStatistic df1 df2 Sig.
Varians daily calorie intake untuk seluruh region adalah homogen, sehingga
pengujian kesamaan rata-rata daily calorie intake untuk seluruh region
dapat dilakukan dengan menggunakan oneway anova.
51
ANOVA
Daily calorie intake
18449025 5 3689804.945 47.055 .000
5410672 69 78415.537
23859697 74
Between Groups
Within Groups
Total
Sum ofSquares df Mean Square F Sig.
Nilai sig.<sehingga H0 ditolak yang berarti rata-rata daily calorie intake untuk
seluruh region adalah tidak sama. Untuk menguji pasangan region mana saja
yang rata-rata daily calorie intake-nya berbeda, dapat dilakukan dengan
menggunakan uji multiple comparison. Program paket SPSS menyediakan
beberapa statistic uji untuk multiple comparison yaitu
52
Dengan menggunakan LSD diperoleh informasi pasangan region yang
rata-rata daily calorie intake-nya homogen adalah pasangan region
OECD-Eropa Timur dan pasangan region Asia/Pasifik-Amerika Latin.
53
Multiple Comparisons
Dependent Variable: Daily calorie intake
LSD
-41.333 174.628 .814
921.394* 107.169 .000
1283.354* 96.215 .000
352.292* 118.989 .004
935.509* 92.106 .000
41.333 174.628 .814
962.727* 182.393 .000
1324.688* 176.180 .000
393.625* 189.580 .042
976.842* 173.970 .000
-921.394* 107.169 .000
-962.727* 182.393 .000
361.960* 109.680 .002
-569.102* 130.118 .000
14.115 106.093 .895
-1283.354* 96.215 .000
-1324.688* 176.180 .000
-361.960* 109.680 .002
-931.063* 121.256 .000
-347.845* 95.016 .000
-352.292* 118.989 .004
-393.625* 189.580 .042
569.102* 130.118 .000
931.063* 121.256 .000
583.217* 118.022 .000
-935.509* 92.106 .000
-976.842* 173.970 .000
-14.115 106.093 .895
347.845* 95.016 .000
-583.217* 118.022 .000
(J) Region oreconomic groupEast Europe
Pacific/Asia
Africa
Middle East
Latn America
OECD
Pacific/Asia
Africa
Middle East
Latn America
OECD
East Europe
Africa
Middle East
Latn America
OECD
East Europe
Pacific/Asia
Middle East
Latn America
OECD
East Europe
Pacific/Asia
Africa
Latn America
OECD
East Europe
Pacific/Asia
Africa
Middle East
(I) Region oreconomic groupOECD
East Europe
Pacific/Asia
Africa
Middle East
Latn America
MeanDifference
(I-J) Std. Error Sig.
The mean difference is significant at the .05 level.*.
54
4. Rata-rata pendapatan perkapita Negara-negara OECD dengan Eropa Timur
adalah sama
Ranks
21 25.00 525.00
14 7.50 105.00
35
Region oreconomic groupOECD
East Europe
Total
Gross domesticproduct / capita
N Mean Rank Sum of Ranks
Test Statisticsb
.000
105.000
-4.950
.000
.000a
Mann-Whitney U
Wilcoxon W
Z
Asymp. Sig. (2-tailed)
Exact Sig. [2*(1-tailedSig.)]
Grossdomesticproduct /
capita
Not corrected for ties.a.
Grouping Variable: Region or economic groupb.
Dari modul sebelumnya diperoleh informasi bahwa pendapatan per-kapita
tidak berdistribusi normal, sehingga statistik uji t tidak dapat dipergunakan
dan sebagai alternatif dapat digunakan stastik uji Mann-Whitney, hasil
pengujian dengan menggunakan statistik uji ini menyimpulkan bahwa
median pendapatan perkapita region OECD tidak sama dengan median
pendapatan perkapita region Eropa Timur.
55
5. Persentase penduduk laki-laki yang dapat membaca tidak sama dengan
persentase membaca penduduk perempuan
Ranks
0a .00 .00
66b 33.50 2211.00
19c
85
Negative Ranks
Positive Ranks
Ties
Total
Males who read (%) -Females who read (%)
N Mean Rank Sum of Ranks
Males who read (%) < Females who read (%)a.
Males who read (%) > Females who read (%)b.
Males who read (%) = Females who read (%)c.
Test Statisticsb
-7.065a
.000
Z
Asymp. Sig. (2-tailed)
Males whoread (%) -
Females whoread (%)
Based on negative ranks.a.
Wilcoxon Signed Ranks Testb.
Nilai sig.<sehingga H0 ditolak yang berarti median persentase
penduduk laki-laki yang dapat membaca tidak sama dengan median
persentase penduduk perempuan yang dapat membaca.
56
6. Rata-rata kepadatan penduduk untuk seluruh region adalah sama
One-Sample Kolmogorov-Smirnov Test
109
203.415
675.7052
.383
.356
-.383
3.999
.000
N
Mean
Std. Deviation
Normal Parameters a,b
Absolute
Positive
Negative
Most ExtremeDifferences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
Number ofpeople / sq.
kilometer
Test distribution is Normal.a.
Calculated from data.b.
Dengan menggunakan statistic uji Kolmogorov Smirnov, diperoleh hasil
kepadatan penduduk tidak berditribusi normal sehinggan oneway anova
tidak dapat dipergunakan, sebagai alternatif dapat dipergunakan statistik uji
Kruskal-Wallis
Ranks
21 54.74
14 57.93
17 84.65
19 39.87
17 53.32
21 44.36
109
Region oreconomic groupOECD
East Europe
Pacific/Asia
Africa
Middle East
Latn America
Total
Number of people/ sq. kilometer
N Mean Rank
Test Statistics
21.862
5
.001
Chi-Square
df
Asymp. Sig.
Number ofpeople / sq.
kilometer
Nilai sig.< sehingga H0 ditolak yang berarti median kepadatan penduduk
untuk seluruh region tidak dapat dianggap sama.
57
ANALISIS REGRESI
Analisis regresi adalah analisis statistika yang bertujuan untuk
memodelkan hubungan antara variabel independent dengan variabel
dependent. Istilah regresi pertamakali dikenalkan oleh Francis Galton (1886)
melalui artikelnya yang berjudul Regression Towards Mediocrity In Hereditary
Stature, di dalam artikel ini Galton mengkaji hubungan antara tinggi badan
anak dengan tinggi badan orang tua. Dari hasil kajian ini diperoleh informasi
adanya hubungan antara tinggi badan anak dengan tinggi orang-tuanya.
Model yang menggambarkan hubungan antara variabel independent (X)
dengan variabel dependent (Y) adalah :
Y= f(X,) +
58
Hubungan antara variabel independent dengan variabel dependent
dikatakan linear jika dapat dinyatakan dalam model :
Y = X1 + X2 + …+ pXp +
Dalam catatan matriks, model regresi linear dapat ditulis dalam :
Y =X
atau
Nilai dapat ditaksir dengan menggunakan metode kuadrat terkecil
dengan cara :
Pengujian terhadap dapat dilakukan dengan dua cara yaitu pengujian
secara serentak dan pengujian secara individu.
Pengujian secera serentak
Hipotesis :
H0 :
H1 :
Statistik Uji
59
Sumber
Variasi
df Sum of
Squares
MS F
Regresi p
Residual n-p-1
Total n-1
Tolak Ho jika F>F,p,n-p-1
Pengujian secara individu
Hipotesis
H0 : I = 0
H1 : I 0
Statistik uji
Tolak H0 jika |t|>tn-p-1
Kegiatan Praktikum
Tentukan model yang menggambarkan hubungan antara harapan hidup
perempuan (Y) dengan pendapatan per-kapita dan kepadatan penduduk yang
dinyatakan dalam :
Y = ln(gdp_cap) + ln(density) +
Penyelesaian :
a. Melakukan transformasi ln(gdp_cap) dan ln(density) dengan cara : [klik
transform+ compute]
60
61
b. Melakukan analisis regresi ;[klik+analyze+regression+linear]
dan hasilnya adalah :
Model Summary
.840a .706 .700 5.788Model1
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Predictors: (Constant), ln_gdp, ln_densa.
ANOVAb
8519.080 2 4259.540 127.141 .000a
3551.268 106 33.503
12070.349 108
Regression
Residual
Total
Model1
Sum ofSquares df Mean Square F Sig.
Predictors: (Constant), ln_gdp, ln_densa.
Dependent Variable: Average female life expectancyb.
62
Coefficientsa
17.981 3.501 5.136 .000
.904 .388 .123 2.332 .022
6.150 .390 .831 15.766 .000
(Constant)
ln_dens
ln_gdp
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Dependent Variable: Average female life expectancya.
Seluruh nilai sig.<5% sehingga harapan hidup perempuan dipengaruhi (Y)
oleh kepadatan penduduk dan pendapatan per-kapita yang dinyatakan dalam
model :
Y= 17.981 +0.904 ln(density) +6.150 ln(gdp_cap)
63
PEMILIHAN MODEL TERBAIK
Salah satu tujuan di dalam analisis regresi adalah untuk mendapatkan
model terbaik yang menjelaskan hubungan antara variabel independent
dengan variabel dependent, model terbaik adalah model yang seluruh
koefisien regresinya berarti (significant) dan mempunyai kriteria model terbaik
optimum. Beberapa kriteria model terbaik adalah :
Nomor Kriteria Formula Optimum
1 SSE Minimum
2 MSE Minimum
3 R2 Maksimum
4 Adjusted
R2
Maksimum
5 Cp Mallow Minimum
6 AIC ln(SSE/n) +2p/n Minimum
7 SBC ln(SSE/n)+p/n ln(n) Minimum
64
Untuk memperoleh model terbaik, ada beberapa metode yang biasa
digunakan yaitu :
Metode Penjelasan
Backward Mulai dengan model lengkap, kemudian variabel independent
yang ada dievaluasi, jika ada yang tidak significant dikeluarkan
yang paling tidak significant, dilakukan terus menerus sampai
tidak ada lagi variabel independent yang tidak significant
Forward Variabel independent yang pertama kali masuk ke dalam model
adalah variabel yang mempunyai korelasi tertinggi dan
significant dengan variabel dependent, variabel yang masuk
kedua adalah variabel yang korelasinya dengan variabel
dependent adalah tertinggi kedua dan masih significant,
dilakukan terus menerus sampai tidak ada lagi variabel
independent yang significant
StepSwise Gabungan antara metode forward dan backward, variabel yang
pertama kali masuk adalah variabel yang korelasinya tertinggi
dan significant dengan variabel dependent, variabel yang masuk
kedua adalah variabel yang korelasi parsialnya tertinggi dan
masih significant, setelah variabel tertentu masuk ke dalam
model maka variabel lain yang ada di dalam model dievaluasi,
jika ada variabel yang tidak significant maka variabel tersebut
dikeluarkan
Best subset
regression
Metode ini tersedia di dalam program paket MINITAB. Metode
ini menyajikan k buah model terbaik untuk model dengan 1,2,
…,p variabel independent.
65
Kegiatan Praktikum
Tentukan model terbaik yang menggambarkan hubungan antara harapan
hidup perempuan (lifeexpf) dengan pendapatan perkapita (gdp_cap),
persenta-se penduduk yang tinggal dikota (urban), persentase penduduk yang
dapat membaca (literacy), banyaknya kematian per 1000 penduduk (death_rt).
rata-rata banyaknya anak (fertility), konsumsi makanan per-hari (calories)
dengan menggunakan metode stepwise dan best subset regression.
Penyelesaian :
Dengan bantuan SPSS permasalahan di atas dapat diselesaikan
dengan cara : [klik analyze+regression+linear]
atau melalui syntax :
REGRESSION /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT lifeexpf /METHOD=STEPWISE gdp_cap calories literacy urban death_rt .
dan hasilnya adalah :
66
ANOVA
7229.894 1 7229.894 222.690 .000
2337.565 72 32.466
9567.459 73
8206.309 2 4103.154 214.028 .000
1361.150 71 19.171
9567.459 73
8906.744 3 2968.915 314.544 .000
660.716 70 9.439
9567.459 73
9017.788 4 2254.447 282.999 .000
549.672 69 7.966
9567.459 73
Regression
Residual
Total
Regression
Residual
Total
Regression
Residual
Total
Regression
Residual
Total
Model1
2
3
4
Sum ofSquares df Mean Square F Sig.
Model Summary
.869a .756 .752 5.698
.926b .858 .854 4.378
.965c .931 .928 3.072
.971d .943 .939 2.822
Model1
2
3
4
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Predictors: (Constant), People who read (%)a.
Predictors: (Constant), People who read (%), Deathrate per 1000 people
b.
Predictors: (Constant), People who read (%), Deathrate per 1000 people, Gross domestic product / capita
c.
Predictors: (Constant), People who read (%), Deathrate per 1000 people, Gross domestic product / capita,Daily calorie intake
d.
67
Coefficientsa
36.226 2.275 15.924 .000
.430 .029 .869 14.923 .000
53.279 2.961 17.995 .000
.330 .026 .667 12.606 .000
-.966 .135 -.378 -7.137 .000
62.740 2.350 26.699 .000
.192 .024 .389 7.890 .000
-1.211 .099 -.474 -12.214 .000
.001 .000 .363 8.614 .000
54.214 3.143 17.252 .000
.172 .023 .347 7.456 .000
-1.136 .093 -.444 -12.178 .000
.000 .000 .252 5.170 .000
.004 .001 .186 3.734 .000
(Constant)
People who read (%)
(Constant)
People who read (%)
Death rate per 1000people
(Constant)
People who read (%)
Death rate per 1000people
Gross domesticproduct / capita
(Constant)
People who read (%)
Death rate per 1000people
Gross domesticproduct / capita
Daily calorie intake
Model1
2
3
4
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Dependent Variable: Average female life expectancya.
Sehingga model terbaiknya adalah :
lifeexpf = 54.214 +0.172 literacy – 1.136 death_rt + 0.000 gdp_cap +0.004
calori dengan R2= 0.943
Dengan menggunakan best subset regression :[klik stat+regression+best
subset]
68
diperoleh hasil :
Response is LIFEEXPF
L C D I G A E T D L A U E P O T R R _ R H B A C I _ A C A E R Vars R-Sq R-Sq(adj) C-p S N Y P S T
1 75.6 75.2 225.8 5.6979 X 1 60.2 59.6 412.2 7.2752 X 1 59.8 59.3 416.2 7.3055 X 2 86.9 86.6 90.3 4.1981 X X 2 85.8 85.4 103.5 4.3686 X X 2 83.7 83.3 128.9 4.6816 X X 3 93.1 92.8 17.5 3.0711 X X X 3 92.1 91.7 30.1 3.2935 X X X 3 89.6 89.2 59.8 3.7688 X X X 4 94.3 93.9 5.5 2.8207 X X X X 4 93.5 93.1 15.1 3.0095 X X X X 4 92.5 92.1 26.2 3.2150 X X X X 5 94.4 94.0 6.0 2.8112 X X X X X
Dengan menggunakan criteria Cp-Mallows dan MSE terkecil diperoleh
model terbaik yang mengandung variabel literacy, gdp_cap, calories dan
death_rt, hasil ini sama dengan metode stepwise
69
DUMMY VARIABLE
Dalam beberapa kasus tertentu, penggunaan analisis regresi melibatkan
adanya variabel independent yang berskala nominal ataupun ordinal. Untuk
mengatasi hal ini dipergunakan dummy variable. Sebagai contoh penggunaan
dummy variable adalah penentuan model terbaik yang menggambarkan
hubungan antara harapan hidup perempuan dengan pendapan perkapita dan
region (Asia dan Afrika).
Model yang menggambarkan hubungan antar variabel tersebut dapat
dinyatakan dalam persamaan regresi :
lifeexpf = ln(gdp_cap) + untuk region Asia
lifeexpf = ln(gdp_cap) + untuk region Afrika
Dua persamaan regresi di atas dapat dijadikan satu persamaan regresi
dengan cara menyisipkan sebuah dummy variable (D) yang bernilai 0 untuk
region Asia dan 1 untuk region Afrika :
lifeexpf = ln(gdp_cap) + D + D*ln(gdp_cap) +
Nilai menggambarkan perbedaaan intercept antara region Asia dan
Afrika, sedangkan nilai menggambarkan perbedaan slope antara region
Asia dan Afrika.
Jika region yang dilibatkan lebih dari dua, misalkan region Asia, Afrika
dan Amerika Latin maka persamaan regresinya menjadi :
lifeexpf=ln(gdp_cap)+D1+D1*ln(gdp_cap)+4D1+D1*ln(gdp_cap)+
dengan aturan pemberian nilai dummy variabel adalah :
region D1 D2 Persamaan regresi
Asia 0 0 ln(gdp_cap)+
Afrika 0 1 +ln(gdp_cap)+
Amerika Latin 1 0 4+ln(gdp_cap)+
70
Secara umum banyaknya dummy variable yang dibutuhkan adalah
banyaknya region-1.
Kegiatan Praktikum :
Tentukan model yang menggambarkan hubungan antara harapan hidup
perempuan dan pendapatan perkapita di region Asia, Afrika dan Amerika Latin
Penyelesaian :
Pembangkitan nilai D1 dan D2 :[klik transform+compute]
71
Lakukan dengan cara yang sama untuk membangkitkan variabel
D2( bernilai 0 untuk region Asia, Amerika Latin dan bernilai 1 untuk region
Afrika).
Pembangkitan nilai D1*ln(gdp_cap) dan D2*ln(gdp_cap)
72
Analisis regresi :[klik analyze+regression+linear]
dan hasilnya adalah :
Coefficientsa
27.034 6.116 4.420 .000
5.643 .834 .720 6.767 .000
22.860 14.130 .975 1.618 .112
-4.190 10.402 -.184 -.403 .689
-2.986 1.761 -1.049 -1.696 .097
-.720 1.547 -.205 -.465 .644
(Constant)
ln_gdp
D1
d2
d1_lngdp
d2_lngdp
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Dependent Variable: Average female life expectancya.
Masih ada koefisien regresi yang tidak significant, setelah digunakan
metode backward diperoleh hasil sebagai berikut :
73
Coefficientsa
27.034 6.116 4.420 .000
5.643 .834 .720 6.767 .000
22.860 14.130 .975 1.618 .112
-4.190 10.402 -.184 -.403 .689
-2.986 1.761 -1.049 -1.696 .097
-.720 1.547 -.205 -.465 .644
25.585 4.904 5.217 .000
5.836 .677 .745 8.619 .000
24.308 13.545 1.037 1.795 .079
-3.179 1.680 -1.117 -1.892 .065
-1.333 .284 -.379 -4.695 .000
28.771 4.674 6.156 .000
5.412 .649 .691 8.341 .000
-.197 .255 -.069 -.773 .443
-1.397 .288 -.398 -4.851 .000
29.562 4.542 6.508 .000
5.202 .587 .664 8.860 .000
-1.308 .263 -.373 -4.972 .000
(Constant)
ln_gdp
D1
d2
d1_lngdp
d2_lngdp
(Constant)
ln_gdp
D1
d1_lngdp
d2_lngdp
(Constant)
ln_gdp
d1_lngdp
d2_lngdp
(Constant)
ln_gdp
d2_lngdp
Model1
2
3
4
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Dependent Variable: Average female life expectancya.
Model terbaik yang menggambarkan hubungan antara harapan hidup
perempuan dan pendapatan per-kapita adalah :
lifeexpf = 29.562 + 5.202 ln(gdp_cap) -1.308 D2*ln(gdp_cap)
atau
region D1 D2 Persamaan regresi
Asia 0 0 lifeexpf = 29.562 + 5.202 ln(gdp_cap)
Afrika 0 1 lifeexpf = 29.562 + 3.894 ln(gdp_cap)
Amerika Latin 1 0 lifeexpf = 29.562 + 5.202 ln(gdp_cap)
74
INFLUENTIAL OBSERVATIONS
Influential observations adalah titik pengamatan yang keberadaannya
mempunyai pengaruh terhadap persamaan regresi, sebagai contoh seperti
yang tetera pada gambar di atas, titik (13.12.74) adalah influential observation,
persamaan regresi kalau titik ini diikutkan adalah :
The regression equation is Y3 = 3.00 + 0.500 X R2 = 66.6%
sedangkan kalau titik ini tidak diikutkan, diperoleh persamaan regresi :
The regression equation is Y3 = 4.01 + 0.345 X R2 = 100.0 %
75
Untuk mendeteksi adanya influential observation dapat dipergunakan
beberapa statistik berikut :
No Statistik Formula influential Penjelasan
1 DFFIT Difference fit
Perbedaan nilai Y
taksiran dengan
atau tanpa peng-
amatan ke-i
2 DFBETAS Difference Betas
Perbedaan nilai
koefisien regresi
dengan atau tanpa
pengamatan ke-i
3 Cook’s Distance Perbedaan vector
koefisien regresi
dengan atau tanpa
pengamatan ke-i
4 COVRATIO Covariance ratio
Nisbah dterminan
matriks covariance
koefisien regresi
dengan atau tanpa
pengamatan ke-i
76
Kegiatan Praktikum :
Tentukan Negara di Asia yang keberadaanya mempengaruhi hubungan
antara harapan hidup perempuan dengan pedapatan per-kapita dengan
menggunakan kriteria DFFIT
Penyelesaian
Memilih Negara di region Asia : [klik Data+Select Cases]
Analisis regresi : [klik analyze + regression +linear]
klik save
77
dan hasilnya adalah :
Coefficientsa
27.034 6.350 4.257 .001
5.643 .866 .860 6.517 .000
(Constant)
ln_gdp
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Dependent Variable: Average female life expectancya.
Model Summaryb
.860a .739 .722 5.744Model1
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Predictors: (Constant), ln_gdpa.
Dependent Variable: Average female life expectancyb.
78
Negara yang merupakan influential observation adalah Negara yang nilai
atau , Negara tersebut adalah Negara
Afganistan, Cina, Kamboja dan Vietnam
79
ASUMSI DALAM ANALISIS REGRESI
Model linear yang menggambarkan hubungan antara variabel
independent dan variabel dependent adalah :
Y = X1 + X2 + …+ pXp +
Asumsi yang diperlukan untuk model ini adalah :
a. ~N(0. )
b. var(i)= untuk semua i
c. cov(I,j) = 0 untuk ij
d. antar X saling independent
Asumsi-asumsi di atas kadang-kadang tidak dipenuhi, untuk mendeteksi dan
mengatasi adanya masalah pelanggaran asumsi di atas dapat dilakukan :
No. Masalah Deteksi Solusi
1 Residual tak
berdistribusi
normal
normal probability plot
Uji kenormalan : KS,…
Tranformasi variabel
Regresi bootstrap
2 Hetroscedastivity
var(i)
Plot e dengan
Uji Glesjer, White
Uji Golfeld-Quandt
Transformasi variabel
Weighted Least Squares
3 Autocorrelation
cov(I,j) 0
untuk ij
Plot e dengan
Uji Durbin Watson
ACF plot
Regresi beda, Regresi ratio
memasukkan trend
Cochrane Orcutt, Hildreth-
Lu,Durbin, Prais-Winsten
4 Multicollinearity r(Xi,Xj) tinggi, VIF>10
R2 tinggi tetapi tidak
ada yang significant
stepwise
Principal component reg.
Ridge regression
80
REGRESI BOOTSTRAPP
Asumsi yang utama di dalam analisi regresi adalah asumsi kenormalan
residual. Asumsi ini dibutuhkan terkait dengan penggunaan statistik uji F dan t.
Jika asumsi kenormalan ini tidak dipenuhi maka kesimpulan dari hasil
pengujian dengan statistik uji F dan t menjadi tidak valid Untuk menguji
asumsi kenormalan ini dapat dipergunakan uji Kolmogorov-Smirnov,
Anderson-Darling, Shapiro-Wilk, dan Goodness-of-fit jika hasil pengujian
kenormalan menyimpulkan asumsi ini tak terpenuhi maka salah satu solusi
adalah dengan menerapkan metode regresi bootstrap.
Algoritma dari metode regresi bootstrap adalah :
1. mulai2. Tentukan nilai taksiran dari model Y=Xdengan metode kuadrat
terkecil, hasil taksirannya adalah dan nilai taksirannya adalah
3. Tentukan nilai e1, e2, …, en, 4. B=10005. i=06. i=i+17. Melakukan resampling with resampling sebanyak n dari ei hasil
resamplingnya adalah e(i)
8. Menentukan nilai
9. Menduga besarnya pada resampling ke-i yaitu dari dan data Yi
dengan Xji dengan metode kuadrat terkecil 10.Jika i<B pergi ke 611. Tentukan nilai taksiran koefisien regresi dari metode bootstrapp
sebagai rata-rata nilai koefisien regresi hasil resampling sebanyak B kali
12. Tentukan confidence interval koefisien regresi melalui nilai persentil13. Selesai
81
Kegiatan Praktikum :
Tentukan model yang menngambarkan hubungan antara harapan hidup
perempuan dengan pendapatan perkapita serta ujilah asumsi kenormalan
residual dengan uji Kolmogorov-Smirnov.
Penyelesaian :
Dengan bantuan MINITAB permaslahan ini dapat diselesaikan dengan
cara
Tranformasi variabel
MTB > let c27=loge(lifeexpf)
MTB > name c27=’ln_gdp’
Regresi [klk stat+regression+regression]
klik storage
82
dan hasilnya adalah :
The regression equation isLIFEEXPF = 21.7 + 6.15 ln_gdpPredictor Coef SE Coef T PConstant 21.670 3.187 6.80 0.000ln_gdp 6.1538 0.3981 15.46 0.000S = 5.907 R-Sq = 69.1% R-Sq(adj) = 68.8%Analysis of VarianceSource DF SS MS F PRegression 1 8336.9 8336.9 238.93 0.000Residual Error 107 3733.4 34.9Total 108 12070.3Pengujian asumsi kenormalan [klik stat+basic statistics+normality test]
83
Dengan menggunakan metode kuadrat terkecil diperoleh hasil
kenormalan residual tidak terpenuhi, sehiingga sebagai alternatif digunakan
metode regresi bootstrapp yang dinyatakan dalam macro MINITAB :
macro regb y xmconstant n i b low_b0 up_b0 low_b1 up_b1mcolumn x y yy yhat e ee b0 b1 beta b0_boot b1_bootlet n=count(y)let b=1000regr y 1 x;resid e;fits yhat.do i=1:b sample n e ee; replacement. let yy=yhat+ee regr yy 1 x; coef beta. let b0(i)=beta(1) let b1(i)=beta(2)enddohisto b0histo b1let b0_boot=mean(b0)let b1_boot=mean(b1)sort b1 b1sort b0 b0let low_b0=b0(25)let up_b0=b0(975)let low_b1=b1(25)let up_b1=b1(975)print b0_boot low_b0 up_b0print b1_boot low_b1 up_b1endmacro
Untuk menjalankan macro di atas dapat dilakukan dengan cara :
MTB > %regb.txt ‘lifeexpf’ ‘ln_gdp’
dan hasilnya adalah :
84
b0 b1
low_b0 14.7859up_b0 27.6859
b0_boot 21.5513
low_b1 5.40552up_b1 6.96901
b1_boot 6.16731
Confidence interval yang diperoleh untuk dan semuanya tidak
melalui titik 0, sehingga dapat disimpulkan dua koefisien regresi ini significant
pada . Dan model yang diperoleh adalah :
lifeexpf = 21.5513 + 6.16731 ln(gdp_cap)
85
HETEROSCEDASTICITY
Heteroscedasticity adalah sifat residual yang mempunyai varians yang
tidak homogen, atau :
Untuk memeriksa sifat ini dapat dipergunakan scatter-plot antara residual
yang sudah dibakukan dengan nilai , jika scatter plot membentuk gambar
seperti pola sebelah kiri berikut maka varians residual masih dianggap konstan
dan jika membentuk pola seperi sebelah kanan maka varians residual
cenderung tidak homogen.
Selain dengan menggunakan scatter-plot seperti di atas, keberadaan
hetrocedasticity juga dapat diuji dengan menggunakan uji Glejser dengan cara
meregresikan kuadrad atau harga mutlak residual dengan variabel
independent, jika ada variabel independent yang significant maka varians
residual cenderung tidak homogen, untuk mengatasi hal ini biasanya dilakukan
transformasi dengan cara membagi seluruh nilai variabel dengan variabel yang
significant, atau :
86
Jika . maka dilakukan transformasi sebagai berikut :
atau
Koefisien regresi dari model ini kemudian ditaksir dengan menggunakan
metode kuadrat terkecil sehingga diperoleh :
Kemudian model ini dikembalikan ke variabel asal dengan
menggandakan ruas kiri dan ruas kanan dengan x1 sehingga diperoleh :
Secara umum masalah heterocedasticity dapat diatasi dengan
mengguna-kan metode weighted least-squares yaitu :
dan adalah matriks diagonal dengan unsur
diagonal adalah
Selain dengan menggunakan uji Glejser, uji adanya heteroscedasticity
dapat diuji dengan koefisien korelasi Spearman antara residual dengan
variabel independent, jika korelasi ini significant maka cenderung terjadi kasus
hetroscedasticity.
Koefisien korelasi Spearman dihitung dengan cara :
dan D adalah selisih rank antar dua variabel.
87
Kegiatan Praktikum :
Dengan menggunakan uji Glejser, periksalah adanya kasus
heteroscedasticity untuk data berikut :
Year Saving Income1 264 87772 105 92103 90 99544 131 105085 122 109796 107 119127 406 127478 503 134999 431 14269
10 588 1552211 898 1673012 950 1766313 779 1857514 819 1963515 1222 2116316 1702 2288017 1578 2412718 1654 2560419 1400 2650020 1829 2767021 2200 2830022 2017 2743023 2105 2956024 1600 2815025 2250 3210026 2420 3250027 2570 3525028 1720 3350029 1900 3600030 2100 3620031 2300 38200
88
Penyelesaian :
Dengan bantuan MINITAB permasalahan di atas, dapat diselesaikan
dengan cara :
MTB > regr 'saving' 1 'income';SUBC> fits c11;SUBC> resid c12.
dan hasilnya adalah :
The regression equation issaving = - 648 + 0.0847 income
Predictor Coef SE Coef T PConstant -648.1 118.2 -5.49 0.000income 0.084665 0.004882 17.34 0.000
S = 247.6 R-Sq = 91.2% R-Sq(adj) = 90.9%
Untuk melakukan uji Glejser, dilakukan perintah :
MTB > let c13=abs(c12)MTB > name c13='abs_res'MTB > regr 'abs_res' 1 'income'
The regression equation isabs_res = - 7.7 + 0.00935 income
Predictor Coef SE Coef T PConstant -7.69 47.73 -0.16 0.873income 0.009346 0.001972 4.74 0.000
S = 100.0 R-Sq = 43.6% R-Sq(adj) = 41.7%
Dari hasil uji Glejser ini, diperoleh informasi adanya hubungan antara
variabel harga mutlak residual dengan variabel income sehingga terjadi kasus
heteroscedasticity. Karena nilai harga mutlak residual sebanding dengan nilai
income maka selanjutnya dilakukan analisis regresi untuk model :
saving/income = income)+
Dengan bantuan MINITAB analisis regresi untuk model di atas dapat
dilakukan dengan cara :
89
MTB > let c4=saving/incomeMTB > let c5=1/incomeMTB > name c4='y*' c5='x*'MTB > regr 'y*' 1 'x*';SUBC> resid c21.
dan hasilnya adalah :
The regression equation isy* = 0.0881 - 723 x*
Predictor Coef SE Coef T PConstant 0.088139 0.004372 20.16 0.000x* -722.50 72.36 -9.98 0.000
S = 0.01051 R-Sq = 77.5% R-Sq(adj) = 76.7%
Pengujian adanya heteroscedasticity dengan uji Glejser
MTB > let c22=abs(c21)MTB > name c22='absres'MTB > regr 'absres' 1 'income'
Hasil pengujian Glejser
The regression equation isabsres = 0.00793 +0.000000 income
Predictor Coef SE Coef T PConstant 0.007931 0.002608 3.04 0.005income 0.00000003 0.00000011 0.31 0.760S = 0.005465 R-Sq = 0.3% R-Sq(adj) = 0.0%
NIlai p untuk variabel income >5% sehingga tidak ada hubungan antara
harga mutlak residual dengan income atau varians residual cenderung sudah
homogen.
Sedangkan asumsi kenormalan residual dapat diuji dengan cara :
MTB > %NormPlot C21;SUBC> Kstest.
Dan hasil uji kenormalan dengan menggunakan uji Kolmogorov Smirnov
adalah :
90
Dari hasil pengujian Komogorov Smirnov, diperoleh hasil p-value>5%
sehingga dapat diputuskan residual sudah berdistribusi normal
Model yang menggambarkan hubungan antara saving dengan income
setelah dilakukan transfromasi adalah :
y* = 0.0881 - 723 x* atau :
saving/income= 0.0881 -723 (1/income)
setelah ruas kiri dan kanan digandakan dengan income maka diperoleh :
saving=-723 +0.0881 income
91
MULTICOLLINEARITY
Multicollinearity
Adanya hubungan linear antar variabel independent
Multicollinearity dapat dideteksi dengan :
a. Variance Inflation Factor (VIF) yang tinggi, biasanya>10
b. korelasi antar variabel independent yang tinggi
c.
d. R2 tinggi tetapi tidak ada variabel independent yang significant
e. Koefisien korelasi dan koefisien regresi berbeda tanda
Multicollinearity dapat diatasi dengan :
a. Mengeluarkan salah satu variabel independent yang berkorelasi tinggi
dengan variabel independent yang lain. Pengeluaran variabel ini dapat
dilakukan secara manual ataupun otomatis melalui metode stepwise.
b. Ridge Regression. , 0<k<1
c. Principal Component Regression, tahapan dari metode ini adalah :
- Melakukan pembakuan data :
- Membangkitkan variabel baru yang saling independent
w1 = a11x1 + a12x2 + … + a1pxp
w2 = a21x1 + a22x2 + … + a2pxp
…
wp = ap1x1 + ap2x2 + … + appxp
atau
wi =a’ix, nilai a’I adalah eigen-vector dari eigen-value ke-i dari
matriks korelasi antar variabel independent
- Melakukan regresi y dengan w dan menyatakan model regresi
y dengan w ke dalam model y dengan x
92
Kegiatan Praktikum1. Periksa adanya kasus multicollinearity pada
pemodelan harapan hidup perempuan dengan pendapatan perkapita persentase penduduk yang tinggal di kota, persentase perempuan yang dapat membaca, persentase laki-laki yang dapat membaca di region Amerika Latin
2. JIka ada kasus multicollinearity, atasi dengan beberapa metode untuk mengatasi multicollinearity
Penyelesaiana. Memilih data dari region Amerika Latin klik data+select cases+if
b. Memeriksa adanya kasus multicollinearity dengan menentukan matriks korelasi antar variabel independent :klik analyze+correlate+bivariate
93
Correlations
1 .550** .500* .833** .756**
.550** 1 .285 .617** .581**
.500* .285 1 .578** .542*
.833** .617** .578** 1 .956**
.756** .581** .542* .956** 1
Average female lifeexpectancy
Gross domestic product /capitaPeople living in cities (%)
Females who read (%)
Males who read (%)
Averagefemale lifeexpectancy
Grossdomesticproduct /
capita
Peopleliving incities(%)
Femaleswho read
(%)
Maleswhoread(%)
Correlation is significant at the 0.01 level (2-tailed).**.
Correlation is significant at the 0.05 level (2-tailed).*.
Korelasi antar variabel independent cukup tinggi dan significant segingga ada kecenderungan terjadi kasus multicollinearity.
c. Memeriksa adanya kasus multicollinearity dengan VIF:klik analyze+regression+linear
klik statistics
94
Coefficientsa
45.921 8.483 5.413 .000
.000 .001 .320 .753 1.640
.011 .068 .159 .875 1.525
-.273 .274 -.997 .334 11.573
.594 .238 2.498 .024 13.289
(Constant)
Gross domestic product/ capita
People living in cities(%)
Males who read (%)
Females who read (%)
B Std. Error
UnstandardizedCoefficients
t Sig. VIF
CollinearityStatistics
Dependent Variable: Average female life expectancya.
Ada variabel independent yang nilai VIF>10 dan tanda koefisien regresi untuk males who read negatif sedangkan koefisien korelasinya positif sehingga memang ada kasus multicollinearity.
d. Mengatasi multicollinearity dengan metode stepwise : klik analyze + regression + linear + method stepwise
Coefficientsa
39.013 5.077 7.684 .000
.406 .062 6.557 .000 1.000
(Constant)
Females who read (%)
Model1
B Std. Error
UnstandardizedCoefficients
t Sig. VIF
CollinearityStatistics
Dependent Variable: Average female life expectancya.
95
e. Mengatasi multicollinearity dengan ridge regression : klik file + new + syntax
klik Run +All
R-SQUARE AND BETA COEFFICIENTS FOR ESTIMATED VALUES OF K K RSQ GDP_CAP URBAN LIT_FEMA LIT_MALE______ ______ ________ ________ ________ ________.00000 .71418 .054792 .026292 1.216924 -.453266.05000 .69610 .094060 .064195 .727695 -.027707.10000 .68316 .108722 .079079 .576309 .089996.15000 .67496 .116972 .087904 .499551 .141542.20000 .66894 .122256 .093883 .451628 .168551.25000 .66400 .125810 .098171 .418018 .183994.30000 .65966 .128228 .101326 .392635 .193180.35000 .65564 .129847 .103668 .372467 .198665.40000 .65182 .130880 .105402 .355839 .201821.45000 .64811 .131470 .106666 .341745 .203441.50000 .64445 .131719 .107560 .329540 .204016.55000 .64083 .131700 .108158 .318790 .203861.60000 .63722 .131470 .108517 .309190 .203186.65000 .63360 .131071 .108681 .300520 .202137.70000 .62999 .130537 .108683 .292617 .200817.75000 .62637 .129895 .108551 .285355 .199298.80000 .62273 .129165 .108309 .278639 .197636.85000 .61909 .128365 .107975 .272392 .195871.90000 .61544 .127509 .107564 .266551 .194033.95000 .61179 .126608 .107088 .261068 .1921461.0000 .60813 .125671 .106558 .255901 .190227
Besarnya k dipilih sedemikian hingga nilai koefisien regresinya dianggap sudah tidak berubah lagi, besarnya k yang memenuhi
96
kriteria ini adalah k=0.35, pemilihan k ini juga dapat ditentukan berdasarkan gambar berikut :
97
f. Mengatasi multicollinearity dengan principal component regression
1. Menentukan skor komponen (w1, w2,…)
MTB > PCA 'GDP_CAP' 'URBAN' 'LIT_MALE' 'LIT_FEMA';SUBC> Coefficients c41-c44;SUBC> Scores c51-c54.
Eigenanalysis of the Correlation Matrix
Eigenvalue 2.8278 0.7163 0.4141 0.0419Proportion 0.707 0.179 0.104 0.010Cumulative 0.707 0.886 0.990 1.000
Variable PC1 PC2 PC3 PC4GDP_CAP -0.435 0.655 -0.616 0.049URBAN -0.414 -0.755 -0.506 0.046LIT_MALE -0.560 0.028 0.478 0.676LIT_FEMA -0.571 0.022 0.368 -0.734
2. Meregresikan y dengan w
Hanya w1 yang eigen-value-nya >1 sehingga regresinya hanya dengan w1
MTB > regr 'lifeexpf' 1 'w1'The regression equation isLIFEEXPF = 71.8 - 3.51 w1Predictor Coef SE Coef T PConstant 71.7619 0.9930 72.26 0.000w1 -3.5140 0.6051 -5.81 0.000
3. Menyatakan model regresi ke dalam variabel asal
y = 71.8 -3.51 w1
y = 71.8 –3.51(-0.435 z1 -0.414 z2 -0.560 z3 -0.571 z4
y = 71.8 + 1.53 z1 + 1.45 z2 + 1.97 z3 + 2.00 z4
98
AUTOCORRELATION
Autocorrelation
Adanya hubungan antar residual atau residual bersifat tidak saling
independent, kasus ini sering dijumpai pada data time series.
Autocorrelation dapat dideteksi dengan :
a. Statistik uji Durbin-Watson :
b. ACF plot, ada nilai r(et,et-k) melampaui batas maka residual
tidak saling independent
c. Statistik uji Ljung-Box
tolak Ho : residual saling independent jika Q>k
Adanya residual yang saling dependent dapat diatasi dengan :
a. Regresi beda
b. Regresi Nisbah
c.
99
Kegiatan Praktikum
tahun export gdp1970 102 2551971 105 2611972 105 2611973 105 2601974 104 2571975 104 2571976 106 2611977 106 2601978 105 2571979 106 2591980 106 2591981 106 2581982 106 2571983 106 2571984 108 2611985 108 2611986 109 2621987 110 2641988 113 2711989 113 2711990 112 2681991 114 2711992 113 2691993 112 2661994 114 2701995 113 2671996 117 2761997 117 2761998 117 2761999 117 275
Tentukan model yang menggambarkan hubungan antara gdp dengan export
dan periksa apakah residual sudah saling independent.
100
Penyelesaian
a. Penentuan model regresi dan pemeriksaan asumsi independent
residual
MTB > regr ‘gdp’ 1 ‘export’;
SUBC > resid c5.
The regression equation isgdp = 110 + 1.41 export
Predictor Coef SE Coef T PConstant 110.354 6.839 16.14 0.000export 1.40664 0.06251 22.50 0.000
S = 1.549 R-Sq = 94.8% R-Sq(adj) = 94.6%MTB > %acf c5
Nilai autokorelasi residual keluar dari batas pada lag ke-1 sehingga
residual tidak saling independent.
101
b. Mengatasi autocorrelation dengan regresi beda
MTB > diff 'export' c7MTB > diff 'gdp' c8MTB > name c7 'dif_xprt' c8 'diff_gdp'MTB > regr c8 1 c7;SUBC> resid c9.
The regression equation isdiff_gdp = - 0.488 + 2.28 dif_xprt
29 cases used 1 cases contain missing values
Predictor Coef SE Coef T PConstant -0.48789 0.09875 -4.94 0.000dif_xprt 2.27658 0.06924 32.88 0.000
S = 0.4956 R-Sq = 97.6% R-Sq(adj) = 97.5%
MTB > %acf c9
residual sudah saling independent, dan modelnya adalah :
102
Mengatasi autocorrelation dengan regresi nisbah
MTB > let c11=c2/lag(c2)MTB > let c12=c3/lag(c3)MTB > regr c12 1 c11;SUBC> resid c13.
The regression equation isC12 = 0.0563 + 0.942 C11
29 cases used 1 cases contain missing values
Predictor Coef SE Coef T PConstant 0.05627 0.02957 1.90 0.068C11 0.94186 0.02942 32.01 0.000
S = 0.001930 R-Sq = 97.4% R-Sq(adj) = 97.3%
MTB > %acf c13
residual sudah saling independent, dan modelnya adalah
103
ROBUST REGRESSION
Metode pendugaan parameter yang paling sering dipergunakan di dalam
analisis regresi adalah metode kuadrat terkecil (least squares), metode ini
mempunyai kelemahan jika diterapkan pada data yang mengandung
pengamatan berpengaruh (inflentual observation), persamaan regresi yang
dihasilkan oleh metode kuadrat terkecil cenderung mudah berubah-ubah
dengan adanya pengamatan berpengaruh.
Untik mengatasi kelemahan metode kuadrat terkecil ini dapat dilakukan
dengan dua cara yaitu :
a. Mengeluarkan titik yang berpengaruh yang dapat dideteksi
dengan dffit, cook distance, dfbetas, setelah itu tetap menggunakan
metode kuadrat terkecil
b. Tetap menggunakan seluruh data, tetapi dengan memberikan
bobot yang kecil untuk pengamatan yang berpengaruh, metode ini
dikenal dengan nama metode regresi robust.
104
Metode pendugaan parameter di dalam analisis regresi robust
a. Least Absolute Deviation (LAD), metode ini bekerja dengan
meminimukan harga mutlak residual atau meminimumkan
b. Least Trimmed Squares, metode ini bekerja dengan cara
meminimumkan jumlah kuadrat q buah residual terkecil atau
meminimumkan , besarnya
c. Least Median Squares (LMS), metode ini bekerja dengan cara
meminimumkan median kuadrat residual atau meminimumkan
median( )
d. M estimate, metode ini dikenalkan oleh Huber dengan cara
meminimumkan jumlah fungsi dari residual atau meminimumkan
, jika maka metode ini sama dengan OLS dan jika
maka metode ini sama dengan LAD. Peminimuman dari
biasanya dilakukan dengan cara iteratively reweighted least
squares (IRLS) atau :
min ekuivalen dengan min dengan
untuk metode LAD :min ekuivalen dengan min
dengan , penentuan dapat juga ditentukan dengan cara :
untuk dan
untuk
Implementasi metode LAD dapat dinyatakan dalam macro berikut :
105
macro lad y xmconstant i n s iterasi delta mcolumn y x w error b_old b_newlet n=count(y)let iterasi=0let delta=10regr y 1 x; resid error; coef b_old.let error=abs(error)let s=median(error)while delta>0.000001 and iterasi<100 let iterasi=iterasi+1 do i=1:n if error(i)<s let w(i)=1 else let w(i)=s/error(i) endif enddo regr y 1 x; weight w; resid error; coef b_new. let delta=sum(abs(b_old-b_new)) let error=abs(error) let s=median(error) let b_old=b_newendwhileendmacro
106
Kegiatan Praktikum
Dari data Anscombe berikut, tentukan model regresi robust dengan
metode LAD dan bandingkan hasilnya dengan metode OLS setelah pengamatan
berpengaruhnya dikeluarkan.
Nomor X Y
1 10 7.462 8 6.773 13 12.744 9 7.115 11 7.816 14 8.847 6 6.088 4 5.399 12 8.15
10 7 6.4211 5 5.73
Penyelesaian
Dengan menggunakan MINITAB diperoleh hasil sebagai berikut :
MTB >%lad.txt c2 c1
The regression equation isY = 4.01 + 0.345 XPredictor Coef SE Coef T PConstant 4.00533 0.03445 116.26 0.000X 0.345467 0.003783 91.31 0.000S = 0.03554 R-Sq = 99.9% R-Sq(adj) = 99.9%Analysis of VarianceSource DF SS MS F PRegression 1 10.533 10.533 8338.16 0.000Residual Error 9 0.011 0.001Total 10 10.545Unusual ObservationsObs X Y Fit SE Fit Residual St Resid 3 13.0 12.7400 8.4964 0.0207 4.2436 2.99R
107
Setelah kasus ke-3 dihilangkan, diperoleh persamaan regresi berikut :
MTB > let c2(3)=’*’
MTB > regr c2 1 c1
MTB > regr y 1 x
The regression equation isY = 4.01 + 0.345 X10 cases used 1 cases contain missing valuesPredictor Coef SE Coef T PConstant 4.00565 0.00292 1369.81 0.000X 0.345390 0.000321 1077.35 0.000S = 0.003082 R-Sq = 100.0% R-Sq(adj) = 100.0%
Setelah kasus ke-3 dihilangkan ternyata persamaan regresi dari OLS dan
LAD adalah hampir sama
108
NONLINEAR REGRESSION
Berdasarkan kelinearan antar parameter di dalam model regresi, maka
model regresi dapat diklasifikasikan menjadi dua macam yaitu linear dan non-
linear. Model regresi dikatakan linear jika dapat dinyatakan dalam model :
JIka model regresi tidak dapat dinyatakan ke dalam model di atas maka
model yang diperoleh adalah model regresi non-linear, secara umum model
regresi non-linear dapat dinyatakan dalam persamaan :
NIlai dapat diduga dengan dengan cara meminimukan jumlah kuadrat
residual, jumlah kuadrat ini dapat diminimukan jika turunan pertama terhadap
sama dengan nol atau :
Hasil turunan pertama terhadap sama dengan nol membentuk suatu
sistem persamaan non-linear yang tidak dapat diselesaikan secara langsung
tetapi dapat didekati secara iteratif dengan menggunakan metode numerik,
salah satu metode numerik yang dapat menyelesaikan hal ini adalah metode
Gauss-Newton. Metode Gauss-Newton ini bekerja dengan menggunakan
pendekatan deret Taylor dari fungsi sampai suku kedua. Nilai dugaan
pada iterasi ke i+1 adalah :
dan
109
Iterasi ini dihentikan jika nilai
atau
Levenberg-Marquardt menyempurnakan metode Gauss-Newton dengan
memasukkan konstanta (nilai awal yang besarnya berubah-ubah
mengikuti perubahan SSE. Nilai akan diperkecil sepersepuluh kali dan iterasi
diteruskan jika SSE turun serta nilai akan meningkat sepuluh kali dan
kembali ke iterasi awal jika SSE meningkat. Formula Levenberg-Marquardt
adalah :
110
Kegiatan Praktikum
Tahun Penduduk1980 1001981 1051982 1101983 1151984 1241985 1301986 1351987 1421988 1491989 1551990 1651991 1721992 1821993 1941994 2031995 2121996 2231997 2341998 2461999 2582000 271
Banyaknya penduduk pada interval tahun 1980
sampai dengan tahun 2000 diduga mempunyai pola
pertumbuhan eksponensial yang dapat dinyatakan
dalam model :
Tentukan nilai dugaan untuk dan
Penyelesaian
Model adalah model non linear, berbeda dengan model
yang dapat dilinearkan dengan transformasi logaritma, untuk
menduga besarnya koefisien regresi digunakan metode Gauss-Newton
dengan formula berikut :
Dengan nilai awal untuk (Nilai y pada tahun dasar) dan untuk
(nilai pertumbuhan relatif dari dua nilai y awal :100 ke 105).
Sedangkan nilai matriks dapat ditentukan dari dan yaitu :
111
sehingga matriks menjadi :
dan matriks ’ adalah :
Untuk menyelesaikan kaus ini dengan metode Gauss-Newton, dapat
dilakukan dengan bantuan Macro MINITAB berikut :
macro
nonlin yy xx b0 b1 mconstant b0 b1 bb0 bb1 iterasi deltamcolumn yy xx x1 x2 b yhat error mmatrix x xt xtx xtxinv xte e yyhat h b_old b_new## nilai awal#let b(1)=b0let b(2)=b1copy b b_oldlet yhat=b0*expo(b1*xx)let error=yy-yhatcopy error elet x1=expo(b1*xx)let x2=b0*xx*expo(b1*xx)copy x1 x2 xlet delta=10let iterasi=0## iterasi gauss-newton
112
#while delta>0.000001 and iterasi<100 let iterasi=iterasi+1 transpose x xt multiply xt x xtx invert xtx xtxinv multiply xt e xte multiply xtxinv xte h add b_old h b_new copy b_new b let bb0=b(1) let bb1=b(2) let delta=abs(b0-bb0)+abs(b1-bb1) let b0=bb0 let b1=bb1 copy b_new b_old let yhat=b0*expo(b1*xx) let error=yy-yhat copy error e let x1=expo(b1*xx) let x2=b0*xx*expo(b1*xx) copy x1 x2 xendwhile print b0 b1endmacro
Untuk menjalankan macro MINITAB di atas dapat dilakukan dengan
perintah :
MTB > set c1DATA> 0:20DATA> endMTB > set c2DATA> 100 105 110 115 124 130 135 142 149 155DATA> 165 172 182 194 203 212 223 234 246 258DATA> 271DATA> endMTB > %nonlin.txt c2 c1 100 0.05b0 100.150b1 0.0499193
Sehingga model pertumbuhan eksponensial banyaknya penduduk dari
tahun 1980 sampai dengan tahun 2000 adalah :
Dengan bantuan SPSS pemodelan regresi nonlinear untuk banyaknya
penduduk dapat dilakukan dengan : klik analyze+regression+nonlinear
113
klik parameters
Iteration Residual SS B0 B1 1 22.83350008 100.000000 .050000000 1.1 22.58470063 100.149827 .049919149 2 22.58470063 100.149827 .049919149 2.1 22.58469961 100.149728 .049919293 3 22.58469961 100.149728 .049919293 3.1 22.58469961 100.149729 .049919293
Nilai koefisien regresi dan SSE sudah tidak berubah lagi sehingga iterasi berhenti.Nonlinear Regression Summary Statistics Dependent Variable Y Source DF Sum of Squares Mean Square
Regression 2 681946.41530 340973.20765 Residual 19 22.58470 1.18867 Uncorrected Total 21 681969.00000 (Corrected Total) 20 56224.95238 R squared = 1 - Residual SS / Corrected SS = .99960 Asymptotic 95 % Asymptotic Confidence Interval Parameter Estimate Std. Error Lower Upper
114
B0 100.14972863 .350807378 99.415480345 100.88397691 B1 .049919293 .000241815 .049413169 .050425416
Confidence interval untuk koefisien regresi tidak ada yang melalui titik nol
sehingga dapat dikatakan koefisien regresi yang diperoleh significant pada
Latihan
1. Rasio elektrifikasi (Persentase rumah tangga yang berlangganan PLN)
selama 20 tahun di suatu daerah adalah sebagai berikut :
57.44 64.57 71.09 76.85 81.76 85.81 89.09 91.68 93.70
95.26 96.44 97.34 98.02 98.52 98.90 99.18 99.39 99.55
99.67 99.75
Tentukan model yang menggambarkan hubungan antara rasio
elektrifikasi dengan waktu
2. Tentukan model terbaik yang menggambarkan hubungan antara harapan
hidup perempuan (y), persentase penduduk yang tinggal di perkotaan (x1),
harapan hidup laki-laki (x2) dan pendapatan perkapita(x3) yang dinyatakan
dalam model :
Penyelesaian
Persentase penduduk yang berlangganan PLN tidak mungkin lebih dari
100 %, dan akan mendekati 100 % untuk t yang sangat besar, salah satu
model yang memenuhi sifat-sifat ini adalah :
Dengan bantuan SPSS
115
Nonlinear Regression Summary Statistics Dependent Variable Y Source DF Sum of Squares Mean Square Regression 2 164053.29912 82026.64956 Residual 18 1.799245E-04 9.995807E-06 Uncorrected Total 20 164053.29930 (Corrected Total) 19 3129.70530 R squared = 1 - Residual SS / Corrected SS = 1.00000 Asymptotic 95 % Asymptotic Confidence Interval Parameter Estimate Std. Error Lower Upper
B0 .740850358 .000067112 .740709362 .740991355 B1 .299981460 .000027927 .299922787 .300040132
116
Pemodelan dengan bantuan SPSS dapat dilakukan
dengan cara :
Nonlinear Regression Summary Statistics Dependent Variable LIFEEXPF Source DF Sum of Squares Mean Square Regression 4 542255.95702 135563.98926 Residual 104 368.04298 3.53887 Uncorrected Total 108 542624.00000 (Corrected Total) 107 12023.07407 R squared = 1 - Residual SS / Corrected SS = .96939 Asymptotic 95 % Asymptotic Confidence Interval Parameter Estimate Std. Error Lower Upper B0 1.266804442 .150462507 .968431646 1.565177239 B1 .010369463 .007318355 -.004143109 .024882036 B2 .934838552 .033915777 .867582293 1.002094811 B3 .009008014 .003101373 .002857875 .015158153
Confidence interval untuk memuat titik nol, sehingga koefisien ini
tidak significant sehingga analisis regresi nonlinear perlu dilanjutkan dengan
tanpa memasukkan variabel persentase penduduk yang tinggal diperkotaan.
117
Nonlinear Regression Summary Statistics Dependent Variable LIFEEXPF
Source DF Sum of Squares Mean Square
Regression 3 548174.04067 182724.68022 Residual 106 378.95933 3.57509 Uncorrected Total 109 548553.00000
(Corrected Total) 108 12070.34862
R squared = 1 - Residual SS / Corrected SS = .96860
Asymptotic 95 % Asymptotic Confidence Interval Parameter Estimate Std. Error Lower Upper
B0 1.208565153 .138090655 .934786998 1.482343308 B2 .953133843 .031327433 .891024160 1.015243525 B3 .010483637 .002967936 .004599416 .016367859
118
RANCANGAN PERCOBAAN(EXPERIMENTAL DESIGN)
Tujuan
Mengkaji pengaruh pemberian perlakuan (treatment) terhadap satuan
percobaan (unit of experiment). Pengaruh dari perlakuan terhadap satuan
percobaan ditandai oleh bervariasinya nilai variabel respon (response variable)
yang diduga karena pemberian perlakuan yang berbeda.
Contoh
Dilakukan percobaan penentuan obat penurun tekanan darah terbaik
dengan mencobakan 3 macam obat, dan dilakukan pengukuran tekanan darah
systolic dan diastolic sebelum diberi obat dan setengah jam setelah minum obat pada
kelompok umur 30-40 tahun, 40-50 tahun dan 50-60 tahun.
Perlakuan
Kelompok (Block)
Variabel respon
Covariate
Satuan percobaan
Pemberian obat penurun tekanan darah
Kelompok umur
Tekanan darah setengah jam setelah minum obat
Tekanan darah sebelum minum obat
Pasien
.
119
Klasifikasi
Rancangan Lingkungan (Environmental design)
a. Rancangan Acak Lengkap (Completely Random Design), dipakai
pada kasus satuan percobaan bersifat homogen
b. Rancangan Acak Kelompok (Block Random Design), dipakai pada
kasus satuan percobaan bersifat heterogen, kemudian dilakukan
pengelompokan sedemikian hingga satuan percobaan di dalam
kelompok yang sama masih bersifat homogen.
Rancangan Perlakuan (Treatment design)
a. Dilihat dari penentuan perlakuan :fixed dan random, dikatakan random
jika penentuan perlakuan dipilih secara acak dan kesimpulannya nanti
berlaku untuk populasi perlakuan.
b. Dilihat dari macam perlakuan : tunggal dan faktorial, dikatakan
faktorial, jika perlakuan terdiri dari beberapa factor dan antar fakor
dimungkinkan terjadi interaksi
120
Rancangan Acak Lengkap :
Contoh 1 :
Untuk meneliti efektifitas obat penurun tekanan darah tinggi, dilakukan
percobaan pemberian obat yang terdiri dari tiga macam obat yaitu obat A:
placebo, obat B, dan obat C, setiap obat dicobakan pada 10 orang, dan pada
setiap orang diukur tekanan darah systolic sebellum minum obat (y1) dan 30
menit setelah minum obat (y2). Respon yang diamati adalah nilai y1-y2.
Pelaksanaan Percobaan
Untuk melakukan percobaan ini dibutuhkan 30 orang yang mempunyai
kondisi kesehatan yang sama dan dari kelompok umur yang sama serta
berjenis kelamin sama misalkan perempuan. Kemudian untuk menentukan
perlakuan ke setiap orang dibutukan pengacakan yang dapat dilakukan
dengan cara berikut.
Ambil 30 buah kartu yang ditandai a1,a2,…,a10, b1,…,b10, c1,…,c10
kemudian dikocok kemudian berikan pada setiap orang satu kartu, beri
perlakuan yang sesuai dengan kartu yang diperoleh setiap orang.
Nilai variabel respon yang diamati adalah
Obat 1 2 3 4 5 6 7 8 9 10A 2 6 7 3 0 1 4 5 10 4B 11 9 11 11 11 10 15 8 9 9C 17 18 16 18 23 25 20 22 17 16
121
Model yang sesuai untuk kasus ini adalah :, i=1,…,t dan j=1,..,r
: Nilai penurunn tekanan darah setelah diberi obat ke-i untuk orang ke-j : Rata-rata penurunan tekanan darah: Pengaruh pemberian obat ke-i: Galat Percobaan (Experimental Error)
Asumsi : beristribusi normal dengan rata-rata=0 dan varians konstan
Hipotesis :
H0 : Tidak ada pengaruh pemberian obat terhadap penurunan tekanan darah
H1 : Ada pengaruh pemberian obat terhadap penurunaan tekanan darah
atauH0 : atau H0 : H1 : H1 :
Statistik uji :
Sumber Variasi derajat
bebas
Jumlah Kuadrat
(Sum of Squares)
Kuadrat Tengah
(Mean of squares)
F-hitung
Perlakuan t
Sisa (residual) rt-t-1
Total rt-1
Tolak Ho jika F-hitung>
122
Dengan bantuan SPSS, pengujian pengaruh pemberian obat terhadap
penurunan tekanan darah dapat dilakukan dengan cara :
a. Pemasukan Data
b. Analysis of variance klik analyze+compare means+oneway ANOVA
123
c. Pengujian kesamaan varians klk options
d. Pembandingan berganda (multiple comparison) klik post-hoc
dan hasilnya adalah :
1.686 2 27 .204PenurunanTekananDarah
LeveneStatistic df1 df2 Sig.
Test of Homogeneity of Variances
Nilai sig. lebih besar dari 5%, sehingga H0 diterima yang berarti varians
penurunan tekanan darah untuk ketiga macam perlakuan pemberian obat
adalah sama.
124
1136.267 2 568.133 75.342 .000
203.600 27 7.541
1339.867 29
BetweenGroups
WithinGroups
Total
PenurunanTekananDarah
Sum ofSquares df
MeanSquare F Sig.
ANOVA
Nilai sig.<5% sehingga dapat disimpulkan ada pengaruh pemberian obat
terhadap penurunan tekanan darah atau rata-rata penurunan tekanan
darah dari perlakuan tiga macam obat tidak bisa dikatakan sama, untuk
menguji pasangan rata-rata yang berbeda dari perlakuan pemberian tiga
macam obat dapat dilakukan pembandingan berganda dengan
menggunakan statistik uji Least Significance Difference sebagai berikut :
Dependent Variable: Penurunan Tekanan Darah
LSD
-6.2000* 1.228 .000 -8.7198 -3.6802
-15.0000* 1.228 .000 -17.5198 -12.4802
6.2000* 1.228 .000 3.6802 8.7198
-8.8000* 1.228 .000 -11.3198 -6.2802
15.0000* 1.228 .000 12.4802 17.5198
8.8000* 1.228 .000 6.2802 11.3198
(J) JenisobattekanandarahB
C
A
C
A
B
(I) JenisobattekanandarahA
B
C
MeanDifference
(I-J) Std. Error Sig.LowerBound
UpperBound
95% ConfidenceInterval
Multiple Comparisons
The mean difference is significant at the .05 level.*.
Dari hasil pembandingan berganda, diperoleh informasi bahwa ketiga
macam obat memberikan rata-rata penurunan tekanan darah yang
berbeda, urutan penurunan tekanan darah adalah A<B<C.
125
Rancangan Acak Lengkap : analysis of covariance
Contoh 2 :
Untuk meneliti efektifitas obat penurun tekanan darah tinggi, dilakukan
percobaan pemberian obat yang terdiri dari tiga macam obat yaitu obat A:
placebo, obat B, dan obat C, setiap obat dicobakan pada 10 orang, dan pada
setiap orang diukur tekanan darah systolic sebellum minum obat (y1) dan 30
menit setelah minum obat (y2). Respon yang diamati adalah y2, sedangkan y1
adalah covariate.
Model yang sesuai untuk kasus ini adalah :
: Nilai tekanan darah setelah minum obat ke-I untuk orang ke-j
: Nilai rata-rata tekanan darah setelah minum obat
: Pengaruh obat ke-i
: NIlai tekanan darah sebelum minum obat ke-I untuk orang ke-k
Hipotesis 1:
H0 : Tidak ada pengaruh pemberian obat ke-I terhadap tekanan darah
H1 : Ada pengaruh pemberian obat ke-I terhadap tekanan darah
atau H0 : dan H1 :
Hipotesis 2 :
H0 : Tidak ada hubungan antara tekanan darah sebelum dan sesudah
minum obat
H1 : Ada hubungan antara tekanan darah sebelum dan sesudah minum
obat
atau : H0 : dan H1 :
126
Data :
Tekanan darah sebelum dan sesudah minum obat A Sesudah 142 143 145 150 144 145 148 142 146 142Sebelum 144 149 152 153 144 146 152 147 156 146 Tekanan darah sebelum dan sesudah minum obat B Sesudah 143 141 149 145 147 144 145 146 149 143Sebelum 154 150 160 156 158 154 160 154 158 152 Tekanan darah sebelum dan sesudah minum obat C Sesudah 143 150 143 150 146 146 146 147 142 150Sebelum 160 168 159 168 169 171 166 169 159 166
Dengan bantuan SPSS hal ini dapat diselesaikan dengan cara :
a. Pemasukan Data
127
b. Analisis Covariance : klik Analyze + General linear model + factorial
dan hasilnya adalah :
113.072 1 113.072 30.393 .000
56.224 2 28.112 7.556 .003
126.472 3 42.157 11.332 .000
96.728 26 3.720
223.200 29 7.697
Tekanandarahsebelumminumobat
Covariates
obatpenuruntekanandarah
Main Effects
Model
Residual
Total
Tekanandarahsesudahminumobat
Sum ofSquares df
MeanSquare F Sig.
Unique Method
ANOVAa,b
Tekanan darah sesudah minum obat by obat penurun tekanan darah with Tekanan darahsebelum minum obat
a.
All effects entered simultaneouslyb.
Nilai sig. untuk covariates lebih kecil dari 5 % berarti ada hubungan
antara tekanan darah sebelum dan sesudah minum obat.
Nilai sig. untuk main effects lebih kecil dari 5% berarti ada pengaruh
pemberian obat penurun tekanan darah terhadap tekanan darah setelah
minum obat
128
Rancangan LIngkungan : Rancangan Acak Lengkap
Rancangan Perlakuan : Faktorial
You as a biologist are studying how zooplankton live in two lakes. You set
up twelve tanks in your laboratory, six each with water from a different lake.
You add one of three nutrient supplements to each tank and after 30 days you
count the zooplankton in a unit volume of water.
Data untuk kasus ini diperoleh dari MINITAB (EXH_AOV.MTW), model
yang sesuai untuk kasus ini adalah :
dan i=1,2,3 j=1,2 k=1,2
: Banyaknya zooplankton pada air danau ke j yang diberi supplement
ke- i dan ulangan (replication) ke-k
: Rata-rata banyaknya zooplankton
: Pengaruh supplement ke-i terhadap banyaknya zooplankton
: Pengaruh penggunaan air dari danau ke-j terhadap banyaknya
zooplankton
Dengan bantuan MINITAB kasus ini dapat diselesaikan dengan cara : klik
stat + anova+two-way :
129
dan hasilnya adalah :
Analysis of Variance for ZooplankSource DF SS MS F PSuppleme 2 1919 959 9.25 0.015Lake 1 21 21 0.21 0.666Interaction 2 561 281 2.71 0.145Error 6 622 104Total 11 3123
Individual 95% CISuppleme Mean --+---------+---------+---------+---------1 43.5 (-------*-------)2 68.3 (--------*-------)3 39.8 (--------*-------) --+---------+---------+---------+--------- 30.0 45.0 60.0 75.0
Dilihat dari p-value dapat disimpulkan bahwa ada pengaruh supplement
tidak ada pengaruh penggunaan air dari danau yang berbeda, tidak ada
pengaruh interaksi antara penggunaan air yang berbeda dengan jenis
supplement terhadap banyaknya zooplankton. Supplement terbaik adalah
supplement yang kedua, yang memberikan rata-rata banyaknya zooplankton
tertinggi dibandingkan dengan supplement yang lain.
130
Rancangan Lingkungan : Rancangan Acak Kelompok
Rancangan Perlakuan : Perlakuan Tunggal
/* Getting Started Example 2: Randomized Complete Block Design */ title 'Randomized Complete Block'; data RCB; input Block Treatment $ Yield Worth @@; datalines; 1 A 32.6 112 1 B 36.4 130 1 C 29.5 106 2 A 42.7 139 2 B 47.1 143 2 C 32.9 112 3 A 35.3 124 3 B 40.1 134 3 C 33.6 116 ; proc anova; class Block Treatment; model Yield Worth=Block Treatment; means Treatment; run;
Dependent Variable: Yield Sum of Source DF Squares Mean Square F Value Pr > F Model 4 225.2777778 56.3194444 8.94 0.0283 Error 4 25.1911111 6.2977778 Corrected Total 8 250.4688889
R-Square Coeff Var Root MSE Yield Mean 0.899424 6.840047 2.509537 36.68889
Source DF Anova SS Mean Square F Value Pr > F
Block 2 98.1755556 49.0877778 7.79 0.0417 Treatment 2 127.1022222 63.5511111 10.09 0.0274
Dependent Variable: Worth
Sum of Source DF Squares Mean Square F Value Pr > F Model 4 1247.333333 311.833333 8.28 0.0323 Error 4 150.666667 37.666667 Corrected Total 8 1398.000000
R-Square Coeff Var Root MSE Worth Mean 0.892227 4.949450 6.137318 124.0000
Source DF Anova SS Mean Square F Value Pr > F Block 2 354.6666667 177.3333333 4.71 0.0889 Treatment 2 892.6666667 446.3333333 11.85 0.0209
Rancangan Lingkungan : Rancangan Acak Kelompok
Rancangan Perlakuan : Faktorial
/* Example 1: Randomized Complete Block */ /* With Factorial Treatment Structure */
131
title 'Randomized Complete Block With Two Factors'; data PainRelief; input PainLevel Codeine Acupuncture Relief @@; datalines; 1 1 1 0.0 1 2 1 0.5 1 1 2 0.6 1 2 2 1.2 2 1 1 0.3 2 2 1 0.6 2 1 2 0.7 2 2 2 1.3 3 1 1 0.4 3 2 1 0.8 3 1 2 0.8 3 2 2 1.6 4 1 1 0.4 4 2 1 0.7 4 1 2 0.9 4 2 2 1.5 5 1 1 0.6 5 2 1 1.0 5 1 2 1.5 5 2 2 1.9 6 1 1 0.9 6 2 1 1.4 6 1 2 1.6 6 2 2 2.3 7 1 1 1.0 7 2 1 1.8 7 1 2 1.7 7 2 2 2.1 8 1 1 1.2 8 2 1 1.7 8 1 2 1.6 8 2 2 2.4 ; proc anova; class PainLevel Codeine Acupuncture; model Relief = PainLevel Codeine|Acupuncture; run;
The ANOVA Procedure
Dependent Variable: Relief
Sum of Source DF Squares Mean Square F Value Pr > F Model 10 11.33500000 1.13350000 78.37 <.0001 Error 21 0.30375000 0.01446429 Corrected Total 31 11.63875000
R-Square Coeff Var Root MSE Relief Mean 0.973902 10.40152 0.120268 1.156250
Source DF Anova SS Mean Square F Value Pr > F
PainLevel 7 5.59875000 0.79982143 55.30 <.0001 Codeine 1 2.31125000 2.31125000 159.79 <.0001 Acupuncture 1 3.38000000 3.38000000 233.68 <.0001
Codeine*Acupuncture 1 0.04500000 0.04500000 3.11 0.0923
Split Plot
Rancangan Lingkungan : Rancangan Acak Kelompok
Rancangan Perlakuan : Faktorial
Faktor pertama diacak di dalam kelompok, sedangkan factor kedua diacak dalam factor pertama, error untuk factor pertama adalah interaksi antara kelompok dengan factor pertama.data Split; input Block 1 A 2 B 3 Response; datalines; 142 40.0
132
141 39.5 112 37.9 111 35.4 121 36.7 122 38.2 132 36.4 131 34.8 221 42.7 222 41.6 212 40.3 211 41.6 241 44.5 242 47.6 231 43.6 232 42.8 ; proc anova; class Block A B; model Response = Block A Block*A B A*B; test h=A e=Block*A; run; Sum of Source DF Squares Mean Square F Value Pr > F Model 11 182.0200000 16.5472727 7.85 0.0306 Error 4 8.4300000 2.1075000 Corrected Total 15 190.4500000
R-Square Coeff Var Root MSE Response Mean 0.955736 3.609007 1.451723 40.22500 Source DF Anova SS Mean Square F Value Pr > F Block 1 131.1025000 131.1025000 62.21 0.0014 A 3 40.1900000 13.3966667 6.36 0.0530 Block*A 3 6.9275000 2.3091667 1.10 0.4476 B 1 2.2500000 2.2500000 1.07 0.3599 A*B 3 1.5500000 0.5166667 0.25 0.8612
Tests of Hypotheses Using the Anova MS for Block*A as an Error Term Source DF Anova SS Mean Square F Value Pr > F
A 3 40.19000000 13.39666667 5.80 0.0914
133