HASIL DAN PEMBAHASAN
Berdasarkan tabel 1 diperoleh ukuran kecocokan model regresi dengan data beragam. Hal ini dapat dilihat dari R~ dan R*-adjust yang berkisar 0,3 sarnpai 0,7. Pemeriksaan asumsi kehomogenan ragam dan kenormalan terhadap sisaan setelah dilakukan analisis regresi memberikan hasil bahwa hampir seluruhnya sisaan memenuhi asunsi tersebut meskipun ada beberapa data yang menunjukkan pencilan. Tabel 1. Hasil analisis regresi data produksi susu dan produksi ikan tuna
Xu : peubah bebas ke-l Xb : peubah bebas ke-2 yang akan dihilangkan
Hasil pengujian terhadap pengaruh tiap peubah X terhadap Y beragaln berdasarkan JK seq X, dan Xb dan P-value ,B I dan ,Bz. P-value
P 1 dan
yang
diperoleh adalah 0,000 sampai 0,850. Nilai P-value 0,000 menunjukkan bahwa peubah X berpengaruh nyata terhadap peubah Y pada a = 0,01 dan 0,05. Jika P-value
,D 1 dan
,/32
lebih besar dari a yang telah ditentukan maka peubah X, dan Xb tidak
berpengaruh nyata terhadap Y pada a tersebut. Nilai P-value ,D2 menjadi fokus perhatian jika akan dilakukan penghilangan data terhadap peubah Xb. Selanjutnya penghilangan data sebanyak 5-30 persen pada peubah Xb dilakukan 750 kali secara acak dan rata-rata
ad adjust untuk ketiga metode dapat
dilihat pada lampiran 4. Hasil analisis menunjukkan bahwa setelah dilakukan penghilangan data nilai R2-adjust yang diperoleh cukup besar yaitu lebih dari 70 %. Hal ini disebabkan karena ketiga metode merupakan model tanpa intersep, sehingga dalam perhitungan R'-adjust JKT yang digunakan adalah JKT tak terkoreksi. Gambar 1-6 data produksi susu pada lampiran 5 dan gambar 1 data produksi ikail tuna pada lampiran 6 menunjukkan bahwa metode complete-case memiliki R'adjust yang terbesar dan cenderung stabil terhadap kenaikan persentase data hilang sedangkan R2-adjust metode missing-indicator 1 dan metode missing-indicator 2 selllakin menurun dengall bertambahnya persentase data hilang. Hal ini berarti pada data tersebut apabila terjadi data hilang pada peubah bebas
Xb maka metode
conlplere-case merupakan metode yang terbaik untuk digunakan. Hal tersebut relevan dengan hasil penelitian yang pernah dilakukan terhadap pembandingan ragam ketiga metode, meilyimpulkan bahwa metode conzplete-case merupakan metode yang lebih baik dibandingkan kedua metode laiilnya jika data hilang secara acak. Artinya peubah Xbtidak hilang dari suatu fungsi regresi (Y,X,,Xb, E )
(Jones, 1996).
Nilai P-value ,b 2 untuk gambar 1-6 data produksi susu pada lanpiran 5 dan gambar 1 data produksi ikan tuna pada lampiran 6 adalah 0,000 yang berarti bahwa peubahxb berpengaruh nyata terhadap peubah Y pada a = 0,01 dan 0,05. Pada P-value
,b2
0,002 sampai 0,05 metode complete-case masih baik
digunakan meskipun dalam P-value ini metode missing-indicator 2 dapat pula dipertimbangkq untuk digunakan (gambar 7-1 1 data produksi susu pada lampiran 5 dan gambar 2-4 data produksi ikan tuna pada lampiran 6 ) . Hal ini terlihat pada lampiran 5, P-value
,B2
0,002 untuk 5-15 persen data hilang (gambar 7 dan 8) dan P-
value ,b 0,008 untuk 5-20 persen data hilang (gambar 10) a adjust metode missingindicator 2 lebih besar daripada metode complete-case. Nilai P-value ,B2 yang semakin besar menunjukkan bahwa metode missingindicator 1 dan metode missing-indicator 2 lebih baik digunakan dibandingkan metode complete-case (gambar 12-14 data produksi susu pada lampiran 5 dan gambar 5 dan 6 data produksi ikan tuna pada lampiran 6). Penentuan metode yang akan digunakan tergantung pada P-value ,f?2 untuk a tertentu. Hal ini berarti tergantung pada nyata tidaknya pengaruh peubah X terhadap Y pada a tersebut sebelum data dihilangkan. Metode complete-case baik digunakan apabila peubah bebas tersebut berpengaruh nyata terhadap Y untuk a
=
0,05
sedangkan jika tidak berpengaruh nyata maka metode missing-indicator 1 atau metode missing-indicator 2 lebih baik daripada metode complele-case. Secara teoritis menunjukkal bahwa pendugaan parameter regresi untuk metode complete-case bersifat tak bias sedangkan pada metode missing-indicator 1
dan metode missing-indicator 2 pendugaan parameternya bersifat bias. Hal ilii berarti metode complete-case merupakan metode yang lebih baik dibandingkan metode missing-indicator 1 dan missing-indicator 2. Selain itu secara teori pula menunjukkan bahwa metode missing-indicator 2 lebih baik daripada metode missing-indicator 1 karena beberapa penduga parameter pada metode missing-indicator 2 bersifat tak bias
Membandingkan hasil analisis data yang telah dilakukan dengan sifat pendugaan parameter ketiga metode tersebut diperoleh bahwa metode complete-case merupakan metode yang terbaik untuk jumlah data hilang 5-30 persen. Hal tersebut juga didasarkan pada asumsi bahwa jumlah data hilang 5-30 persen,
metode
conzplete-case masih sah untuk digunakan.
Contoh Kasus Data yang digunakan untuk contoh kasus ini merupakan data penelitian yang bertujuan untuk melihat hubungan peubah intensitas serangan tanaman (peubah respon) dengan peubah jumlah tanaman yang terserang dan jumlah cabang sekunder tanaman (peubah penjelas) Pada peubah jumlah cabang sek~uldertanaman ditemukan 5 data hilailg yaitu pengamatan ke-6, 9, 31, 35 dan 36, Persentase data hilang sebesar 13,89% (lampiran 3). Hasil analisis dilakukan dengan menggunakan tiga inetode (lalnpiran 7) dan model dugaannya adalah :
1 . Metode complete-case : Y,Q,
8,41Qi + l,OIXliQi - 2,01XriQi dengan adjust
=
2. Metode missing-indicator 1 : Yi dengan
=
7,6Q2i
+ 1,03Xli - 2,00X2iQ2i+ 6,17(1-Q2J
ad adjust 0,899059
3. Metode missing-indicator 2 : Yi
=
8,4Q2i + 1,OlX/iQ2i - 2,01XziQzi - 2,0(1-L)zJ +
1 ,29Xli(l-Q2J dengan met adjust 0,896262
Berdasarkan
ad adjust yang diperoleh maka disirnpulkan bahwa metode .?
complete-case rnerupakan metode yang terbaik dengan model YiQi
l,OIXliQi - 2,01XriQi dan ~ ~ - a d j u s t adalah n ~ a 0,906685
=
8,41Qi +