Bahan Kuliah - Nugraha Edhi Suyatma

Report
PENGANTAR ANALISIS DATA DALAM
UJI SENSORI
Dr. Ir. Nugraha Edhi Suyatma, DEA
Ir. Budi Nurtama, MAgr
.
Departemen Ilmu dan Teknologi Pangan
Fakultas Teknologi Pertanian
Institut Pertanian Bogor
Metode untuk Evaluasi Sensori
a) Discrimination
Triangle test, Duo-trio test, Two-out-of
five-test, Paired comparison test,
Ranking Test
b) Descriptive
Flavor profile, Textural profile and
QDA
c) Affective
Hedonic test, Scale tests, Rank
preference, Paired preference test.
Review Statistika
Statistika Parametrik:
• Menggunakan asumsi mengenai populasi
• Membutuhkan pengukuran kuantitatif dengan
level data interval atau rasio
Statistika Non parametrik
(distributionfree statistics for use with nominal / ordinal
data):
• Menggunakan lebih sedikit asumsi mengenai
populasi (atau bahkan tidak ada sama sekali)
• Membutuhkan data dengan level serendahrendahnya ordinal (ada beberapa metode untuk
nominal)
Aplikasi Statistika
 Statistik Deskriptif : Menjelaskan atau
menggambarkan berbagai karakteristik data
seperti berapa rata-rata, seberapa jauh data
bervariasi
 Statistik Induktif (Inferensi) : Membuat
berbagai inferensi terhadap sekumpulan
data yang berasal dari suatu sampel.
Inferensi  Melakukan perkiraan,
peramalan, pengambilan keputusan
4
JENIS DATA
Nominal Ordinal Interval
Bilangan menunjukkan
perbedaan
Pengukuran dapat digunakan
untuk membuat peringkat
atau mengurutkan obyek
Perbedaan bilangan
mempunyai arti
Mempunyai nol mutlak dan
rasio antara dua bilangan
mempunyai arti

Rasio









TIPE SKALA PADA EVSE
• Kategori (Category Scaling)
Skala dari metode pengukuran dimana panelis
diminta menilai intensitas stimulus tertentu
dengan menetapkan suatu nilai pada skala
numerik yang terbatas (9 skala tingkat kesukaan)
 data ordinal / data interval
TIPE SKALA PADA EVSE
• Garis (Line Scales)
Skala yang menggunakan garis dimana panelis
diminta menilai intensitas stimulus tertentu
dengan menandai garis tersebut data interval.
TIPE SKALA PADA EVSE
• Magnitude Estimation Scaling
Skala proporsi yang diperoleh dengan
membandingkan terhadap referensi (with or
without modulus)  data interval/rasio
METODE STATISTIKA UTK SENSORI
Peluang Binomial
Uji Segitiga
Uji Duo-Trio
Two-out-of-Five Test
Directional Difference Test
Analisis Khi-kuadrat (Chi-square Analysis)
Same/Differentt,
"A" - "not A" ,
Acceptance Test
Analisis Friedman (Friedman Analysis), data
ordinal/peringkat
Pairwise Ranking
Simple Ranking
METODE STATISTIKA UTK SENSORI
Uji t (Student’s t Test), populasi normal, data
interval/rasio
Rating Approach Test
Untuk Statistika nonparametrik: Uji Wilcoxon (~ pairs ttest) atau Uji U Mann-Whitney (~ independent t-test)
Analysis of Variance (ANOVA),
Difference-from-Control, Rating Approach Test
• Statistika parametrik: randomized block design (data
interval, rasio)
• Untuk nonparametrik: uji Kruskal-Wallis
(Completely random design) dan Friedman Test
(Randomized block design)
Descriptives:
• Qualitative Descriptive Analysis (QDA)
• Multivariate analysis: PCA, Discriminant analysis, dll
PELUANG BINOMIAL
• Peluang binomial : suatu peluang yang
berkaitan dengan percobaan (trials) yang
hanya menghasilkan jawaban dua hal yang
berlawanan misalnya ya/tidak,
benar/salah, hitam/putih,
laki/perempuan, dsb
• Terjadi pada: eksperimen yang terdiri atas
n trials, dengan setiap trial mempunyai
probabilitas sukses p (konstan)
PELUANG BINOMIAL
n
b (x n , p) =   p x (1  p)n x
x
n!
P( X ) 
p x q n X
X !(n  X )!
untuk x = 0, 1, 2, ... , n
n > 0 dan bilangan bulat
0p1
n = banyaknya ulangan (trials)
p = peluang "sukses" pada sembarang ulangan
Contoh: TRIANGLE TEST
Choose the sample that is
most different
A
A
B
342
608
194
n = banyaknya panelis = 20
x = banyaknya panelis yang menjawab
dengan benar = 13
p = 1/3 = 0.3333
P (x  13) = 1  P (x < 12)
12
= 1 
 b (x
x=0
= 1  0.996
= 0.004
20 , 0.3333)
Uji Segitiga, p = 1/3
Uji Duo-Trio, p = 1/2
Two-out-of-Five Test, p = 1/10
• Dengan Tabel Standar
• Minimum Panelis agar Produk Beda Nyata
CHI-SQUARE ANALYSIS
Membandingkan frekuensi kategori teoritis
(expected) dari populasi, dengan frekuensi
kategori aktual (observed), apakah sama
atau tidak sama.

2
=

(O  E) 2
E
O = frekuensi pengamatan (observed value)
E = frekuensi harapan (expected value)
2hitung
vs.
2tabel
Tabel. Upper- probability points of 2
distribution
Penerapan Chi-Square
 sirup dengan pemanis sintetis (sampel A)
dibandingkan sirup dengan pemanis gula
(sampel Bukan A). Lima belas panelis
masing-masing mengevaluasi 2 pasangan
sampel sama dan pasangan sampel beda.
Sampel yang disajikan
Penilaian
Panelis
Pasangan
Sama
(AA atau BB)
Pasangan
Beda
(AB atau BA)
Total
Sama
17
9
26
Berbeda
13
21
34
Total
30
30
60
Penerapan Chi-Square
Penilaian
Panelis
Sama
Berbeda
Total
Sampel yang disajikan
Pasangan
Pasangan
Sama
Beda
(AA atau BB) (AB atau BA)
17
9
13
21
30
26 x 30
E

 13
sama
60
30
dan
Total
26
34
60
34 x 30
E

 17
beda
60
(17  13)2 (9  13)2 (13  17)2 (21  17) 2
 



 4.34
13
13
17
17
2
2 tabel (=0.05, v= 2-1) = 3,84
Student's t Test
Dua sampel berkaitan (Two-related samples)
t 
d
S / N
dimana
d =
d
N
d = beda antar pasangan nilai
N = banyaknya pasangan nilai
d
2
S =

  d
N 1
2
N
Uji hipotesis : H0 : d  0 vs. H1 : d  0
t hitung  t tabel  H0 DITERIMA
t hitung  t tabel  H0 DITOLAK
Student's t Test
Dua sampel independen (Independent
samples)
t
x1  x2  d 0
( s12 / n1 )  (s22 / n2 )
d0 = 1 - 2 = 0
v= n1 + n2 - 2
Uji Wilcoxon & U Mann-Whitney
Dua sampel berkaitan (Two-related samples)
Untuk statistika nonparametrik
Gunakan Uji Wilcoxon (seperti juga uji t)
digunakan untuk menganalisis data pada 2
kelompok yang berkaitan
Dua sampel Independen Untuk statistika
nonparametrik
gunakan uji U Mann-Whitney
Jenis data untuk uji Wilcoxon dan U MannWhitney: serendah-rendahnya level ordinal
(uji-t tidak bisa)
Prosedur Uji Wilcoxon
• n = banyaknya pasangan data
• Urutkan perbedaan antara kedua data (d), dari yang
terkecil sampai yang terbesar, tanpa
memperhatikan apakah perbedaan tersebut (-) atau
(+)
• Jika perbedaan tersebut (-) maka peringkatnya juga
diberi tanda (-)
• Perbedaan (d) yang bernilai 0 (apabila ada)
diabaikan, dan banyak data (n) dikurangi sebanyak
d yang bernilai 0
• Jumlahkan peringkat yang bertanda (-), sebut T-.
Tanda (-) tidak ikut didalam perjumlahan
• Jumlahkan peringkat yang bertanda (+), sebut T+.
• Statistik uji: T = min (T- dan T+)
ANALYSIS OF VARIANCE
(ANOVA)
 Data Rating
 Experimental Designs :
- Randomized Complete Block Design

banyaknya perlakuan @ blok
 Perlakuan (Treatments) > 2
APLIKASI ANOVA
Analisis Difference-from-Control Test
Manager R&D di PT.XYZ, ingin membandingkan 2 sampel
saus A dan B dengan konsentrasi bahan pengental yang
berbeda dengan sampel Kontrol (K) yang sudah existing.
Panelis yang mengikuti uji adalah 15 orang. Setiap
panelis mencoba sampel K terlebih dahulu kemudian
membandingkan kekentalannya dengan 3 sampel (K, A,
dan B) yang berkode. Skala penilaian adalah 0 = tidak
berbeda s/d 9 = amat sangat berbeda. Dengan hasil yang
ditabulasikan berikut ini, apakah terdapat perbedaan
diantara ketiga sampel pada taraf 5% ? Jika benar
berbeda, sampel mana yang berbeda dengan sampel
kontrol (K) ?
APLIKASI ANOVA
Analisis Difference-from-Control Test
Panelis
Sampel K
Sampel A
Sampel B
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0
3
4
1
5
3
2
4
0
1
6
2
3
4
0
3
3
3
1
4
2
4
4
5
3
4
4
5
6
3
4
4
7
5
9
5
6
8
2
5
3
7
3
5
2
Tabel ANOVA RCBD
Randomized Complete Block Design
Sumber
Keragaman
derajat
bebas (db)
Jumlah
Kuadrat (JK)
Kuadrat
Tengah
(KT)
Fhitung
Sampel
(perlakuan)
(s-1)
JKS
JKS / (s-1)
KTS / KTG
(p-1)
JKP
JKP / (p-1)
KTP / KTG
(s-1) (p-1)
JKG
JKG / (s-1)(p-1)
(sp-1)
JKT
Panelis (blok)
Galat
(Error)
Total
Tabel ANOVA RCBD
Randomized Complete Block Design
Faktor koreksi (FK) = (Total skor)2 / (Sampel x Panelis)
Jumlah kuadrat sampel (JKS) =  (Subtotal skor @ sampel)2/(Panelis) – FK
Jumlah kuadrat panelis (JKP) =  (Subtotal skor @ panelis)2/(Sampel) – FK
Jumlah kuadrat total (JKT) =  (@ skor)2 – FK
Jumlah kuadrat galat (JKG) = JKT – JKS – JKP
s = banyaknya sampel KTS = Kuadrat Tengah Sampel
p = banyaknya panelis KTP = Kuadrat Tengah Panelis
KTG = Kuadrat Tengah Galat
Tabel ANOVA RCBD
Randomized Complete Block Design
Panelis
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Total kolom
Sampel K
0
3
4
1
5
3
2
4
0
1
6
2
3
4
0
38
Sampel A
3
3
3
1
4
2
4
4
5
3
4
4
5
6
3
54
Sampel B
4
4
7
5
9
5
6
8
2
5
3
7
3
5
2
75
Total baris
7
10
14
7
18
10
12
16
7
9
13
13
11
15
5
167
Tabel ANOVA RCBD
Randomized Complete Block Design
Faktor koreksi (FK) = (167)2 / (4 x 15) = 619.756
Jumlah kuadrat sampel (JKS) = (382 + 542 + 752) / (15) – 619.756 = 45.911
Jumlah kuadrat panelis (JKP) = (72 + 102 + … + 52) / (3) – 619.756 = 65.911
Jumlah kuadrat total (JKT)
= (02 + 32 + 42 + … + 02 + 32 + 22) – 619.756
= 179.244
Jumlah kuadrat galat (JKG)
= 179.244 – 45.911 – 65.911 = 67.422
Tabel ANOVA yang diperoleh
Sumber
Keragaman
Sampel
(perlakuan)
Panelis
(blok)
Galat
(Error)
Total
derajat
bebas (db)
Jumlah
Kuadrat (JK)
Kuadrat
Tengah (KT)
Fhitung
2
45.911
22.956
9.533
14
65.911
4.708
1.955
28
67.422
2.408
44
179.244
Pembacaan Nilai F Tabel --  = 0.05
Untuk sampel : v1 = 2 dan v2 = 28 diperoleh nilai Ftabel = 3.34
Kesimpulan :
Nilai Fhitung sampel (=9.533) > Ftabel (=3.34).
Jadi ada perbedaan diantara sampel pada taraf 5% dan perlu dilanjutkan
dengan uji Dunnett
Tabel Nilai Kritis Sebaran F0.05 ( v1 , v2 )
v1 : db pembilang
v2 : db penyebut
1
2
3
4
5
6
7
8
9
10
12
15
20
1
161.4
199.5
215.7
224.6
230.2
234.0
236.8
238.9
240.5
241.9
243.9
245.9
248.0
2
18.51
19.00
19.16
19.25
19.30
19.33
19.35
19.37
19.38
19.40
19.41
19.43
19.45
3
10.13
9.55
9.28
9.12
9.01
8.94
8.89
8.85
8.81
8.79
8.74
8.70
8.66
4
7.71
6.94
6.59
6.39
6.26
6.16
6.09
6.04
6.00
5.96
5.91
5.86
5.80
5
6.61
5.79
5.41
5.19
5.05
4.95
4.88
4.82
4.77
4.74
4.68
4.62
4.56
6
5.99
5.14
4.76
4.53
4.39
4.28
4.21
4.15
4.10
4.06
4.00
3.94
3.87
7
5.59
4.74
4.35
4.12
3.97
3.87
3.79
3.73
3.68
3.64
3.57
3.51
3.44
8
5.32
4.46
4.07
3.84
3.69
3.58
3.50
3.44
3.39
3.35
3.28
3.22
3.15
9
5.12
4.26
3.86
3.63
3.48
3.37
3.29
3.23
3.18
3.14
3.07
3.01
2.94
10
4.96
4.10
3.71
3.48
3.33
3.22
3.14
3.07
3.02
2.98
2.91
2.85
2.77
11
4.84
3.98
3.59
3.36
3.20
3.09
3.01
2.95
2.90
2.85
2.79
2.72
2.65
12
4.75
3.89
3.49
3.26
3.11
3.00
2.91
2.85
2.80
2.75
2.69
2.62
2.54
13
4.67
3.81
3.41
3.18
3.03
2.92
2.83
2.77
2.71
2.67
2.60
2.53
2.46
14
4.60
3.74
3.34
3.11
2.96
2.85
2.76
2.70
2.65
2.60
2.53
2.46
2.39
15
4.54
3.68
3.29
3.06
2.90
2.79
2.71
2.64
2.59
2.54
2.48
2.40
2.33
16
4.49
3.63
3.24
3.01
2.85
2.74
2.66
2.59
2.54
2.49
2.42
2.35
2.28
17
4.45
3.59
3.20
2.96
2.81
2.70
2.61
2.55
2.49
2.45
2.38
2.31
2.23
18
4.41
3.55
3.16
2.93
2.77
2.66
2.58
2.51
2.46
2.41
2.34
2.27
2.19
19
4.38
3.52
3.13
2.90
2.74
2.63
2.54
2.48
2.42
2.38
2.31
2.23
2.16
20
4.35
3.49
3.10
2.87
2.71
2.60
2.51
2.45
2.39
2.35
2.28
2.20
2.12
v1
v2
28
3.34
Uji Lanjut Dunnett
Kedua sampel yang dibandingkan dengan sampel Kontrol yg
jelas lebih kental; jadi menggunakan uji satu sisi (t berekor
satu).
Untuk  = 0.05, k = 3, dferror = 28 diperoleh nilai D = 1.997
(interpolasi 2.01 – 1.99 pada dferror = 24 – 30).
Nilai KTG = 2.408 dan n = 15.
Besarnya selang uji = Rataan sampel Kontrol = 2.53,
sampel A = 3.60 dan sampel B = 5.00.
• Sampel A - Kontrol = 3.60 – 2.53 = 1.07 < 1.132 
Sampel A tidak berbeda nyata kekentalannya dengan Kontrol
pada taraf 5%.
• Sampel B - Kontrol = 5.00 – 2.53 = 2.47 > 1.132 
Sampel B secara signifikan lebih kental dibanding dengan
Kontrol pada taraf 5%.
Tabel 10. Critical Values of the Dunnett Test for Comparing Treatment Means
with a Control (One-tailed comparisons).
dferror

k = number of treatment means, including control
2
3
4
5
6
7
8
9
10
20
0.05
0.01
1.72
2.53
2.03
2.81
2.19
2.97
2.30
3.08
2.39
3.17
2.46
3.23
2.51
3.29
2.56
3.34
2.60
3.38
24
0.05
0.01
1.71
2.49
2.01
2.17
2.92
2.28
3.03
2.36
3.11
2.43
3.17
2.48
3.22
2.53
3.27
2.57
3.31
30
0.05
0.01
1.70
2.46
1.99
2.72
2.15
2.87
2.25
2.97
2.33
3.05
2.40
3.11
2.45
3.16
2.50
3.21
2.54
3.24
40
0.05
0.01
1.68
2.42
1.97
2.68
2.13
2.82
2.23
2.92
2.31
2.99
2.37
3.05
2.42
3.10
2.47
3.14
2.51
3.18
60
0.05
0.01
1.67
2.39
1.95
2.64
2.10
2.78
2.21
2.87
2.28
2.94
2.35
3.00
2.39
3.04
2.44
3.08
2.48
3.12
120
0.05
0.01
1.66
2.36
1.93
2.60
2.08
2.73
2.18
2.82
2.26
2.89
2.32
2.94
2.37
2.99
2.41
3.03
2.45
3.06
∞
0.05
0.01
1.64
2.33
1.92
2.56
2.06
2.68
2.16
2.77
2.23
2.84
2.29
2.89
2.34
2.93
2.38
2.97
2.42
3.00
2.77
Uji Kruskal-Wallis
• Statistika Parametrik: ANOVA RCBD.
– Asumsi: populasi terdistribusi normal, data interval atau
rasio
• Statistika Nonparametrik: uji Kruskal-Wallis.
– Asumsi: populasi tidak harus terdistribusi normal, data
serendah-rendahnya peringkat (ordinal) MISALNYA
untuk kasus sebelumnya: panelis hanya diminta
meranking: kontrol, sampel A dan B.
• Asumsi lain pada Uji Kruskal-Wallis:
– Tidak ada interaksi antara blok dan treatment
(Independent)
– Lebih dari 2 kelompok yang diuji
– Untuk Completely random Design
Uji HEDONIK
• Suatu uji hedonik yang diikuti oleh 30 panelis
dilakukan untuk menguji kesukaan panelis
terhadap 4 sampel kue kering (A, B, C, dan D).
Skala kesukaan yang digunakan adalah structured
scaling (1 = amat sangat tidak suka, 2 = sangat
tidak suka, …, 5 = biasa, …, 8 = sangat suka, 9 =
amat sangat suka). Apakah ada perbedaan
diantara keempat sampel pada taraf 5% ? Jika
benar, lakukan uji lanjutnya.
Uji HEDONIK
• Data diolah dengan menggunakan ANOVA
untuk Rancangan Blok Acak Lengkap sama
seperti dalam Difference-from-Control Test;
sedangkan uji lanjutnya dapat memilih salah
satu Multiple Comparison Tests, misalnya uji
LSD, Duncan, Tukey, ataupun yang lainnya.
• Jika hanya 2 sampel yang diuji, gunakan Uji t.
Tabel ANOVA
Sumber
Keragaman
derajat
bebas (db)
Jumlah
Kuadrat (JK)
Kuadrat
Tengah (KT)
Fhitung
Sampel
(perlakuan)
3
169,092
56,364
33,097
Panelis
(blok)
29
119,075
4,106
2,411
Galat
(Error)
87
148,158
1,703
Total
119
436,325
Pembacaan Tabel Nilai Kritik F untuk  = 0.05, Untuk
sampel : v1 = 3 dan v2 = 87 diperoleh nilai Ftabel = 2.733
(interpolasi 2.76 – 2.68 pada v2 = 60 – 120).
UJI PEMERINGKATAN
(SIMPLE RANKING TEST)
• Divisi R & D suatu industri pangan ingin mengetahui
peringkat produk sosisnya (A) jika dibandingkan dengan 3
produk pesaingnya (B, C, dan D). Uji pemeringkatan
dilakukan untuk tujuan tersebut dengan Rancangan Blok
Acak Lengkap (Randomized Complete Block Design) yaitu
rancangan yang disusun berdasarkan perlakuan dan blok
(pengelompokan terhadap perlakuan). Ada 13 panelis
dimana setiap panelis memeringkat 1 s/d 4 terhadap
atribut rasa dari 4 sampel yang disajikan. Peringkat 1 untuk
sampel yang paling disukai sedangkan peringkat 4 untuk
sampel yang paling tidak disukai. Tidak diperbolehkan ada
peringkat yang sama.
UJI PEMERINGKATAN
(SIMPLE RANKING TEST)
Panelis
1
2
3
4
5
6
7
8
9
10
11
12
13
Rank sum (R)
Sampel A
1
1
3
1
2
3
1
2
1
1
2
1
1
20
Sampel B
2
2
2
3
3
2
3
3
2
2
1
2
3
30
Sampel C
4
3
4
2
4
4
2
4
4
3
3
3
4
44
Sampel D
3
4
1
4
1
1
4
1
3
4
4
4
2
36
Uji Friedman digunakan untuk mengolah data karena level datanya
adalah Ordinal dan merupakan Randomized Block Design.
FRIEDMAN TEST
 12
2
T
R   3pt  1

 ptt  1

p = banyaknya panelis
t = banyaknya perlakuan
R = jumlah peringkat setiap perlakuan
Pembacaan nilai kritik 2 menggunakan data  = 0.05
dan v = t  1

12
2
2
2
2 
T
20  30  44  36   3 * 134  1  14.17
13 * 4 * 4  1



Nilai kritik 2 dengan db = 3 pada taraf 0.05 adalah 7.81
FRIEDMAN TEST
Kesimpulan Uji Friedman :
Nilai T > nilai kritik 2 jadi berarti ada perbedaan peringkat
kesukaan diantara keempat sampel pada taraf 5 %.
Urutan R sampel terbesar – terkecil : C (=44) – D (=36) – B (=30) – A
(=20)
RC – RA = 44 – 20 = 24 >
LSDrank →
C≠A
RC – RB = 44 – 30 = 14 >
LSDrank →
C≠B
RC – RD = 44 – 36 = 8 <
LSDrank →
C=D
RD – RA = 36 – 20 = 16 >
LSDrank →
D≠A
RD – RB = 36 – 30 = 6 <
LSDrank →
D=B
RB – RA = 30 – 20 = 10 <
LSDrank →
B=A
C
D
B
A
Quantitative Descriptive
Analysis
• Analisis jaring laba-laba (spider web analysis)
• Statistika lanjut dengan multivariate analysis
• Diagram Laba-laba - paling sederhana
Contoh Kasus
Uji kesukaan terhadap 2 produk es krim (A
dan B) yang diikuti oleh 7 panelis terlatih.
Sebanyak 6 atribut ditanyakan kepada
setiap panelis. Garis sepanjang 15 cm
digunakan untuk setiap atribut. Berikut ini
tabulasi data penilaian ketujuh panelis.
TAMPILAN DATA YANG DIPEROLEH:
RATA-RATA DATA YANG DIPEROLEH:
ANALISIS MULTIVARIAT
• Analisis terhadap lebih dari dua variabel secara
simultan
• Merupakan perluasan dari analisis Univariat (uji t) dan
Bivariat (korelasi, regresi sederhana atau hubungan
variabel Y dan X)
• Variat: dapat didefinisikan sebagai suatu kombinasi
linier dari variabel² dgn persamaan regresi berganda:
• Nilai variat = w1.X1 + w2.X2 + w3.X3+...... + wn.Xn
METODE ANALISIS MULTIVARIAT
• Regresi berganda, analisis diskriminan, analisis faktor,
cluster, principal component analysis (PCA) dll.
KEUNGGULAN MULTIVARIAT
• Dapat menghitung lebih dari dua variabel
secara bersama-sama (simultan)
• Banyak penelitian selalu melibatkan
banyak variabel
• Contoh: perilaku konsumen terhadap
produk baru akan melibatkan banyak
variabel spt: harga, motivasi beli,
pengaruh lingkungan, kualitas produk,
pendapatan, jenis kelamin, dll.
KLASIFIKASI METODE MULTIVARIAT
• Analisis untuk kasus yang memiliki variabel dependen
dan independen: metode multivariat yg dipakai adalah
regresi berganda, analisis diskriminan, korelasi
kanonik, Manova, analisis Conjoint atau SEM.
• Analisis pada kasus yang bersifat interdependence,
yang ditandai dengan tidak adanya variabel bebas
maupun bergantung: metode yg dipakai adalah Analisis
faktor, analisis Cluster, dan analisis caterogical.
Pada Evaluasi sensori dan survei konsumen: umumnya
variabel bersifat bebas sehingga Analisis Faktor, analisis
cluster dan categorical lbh sering dipakai.
1. ANALISIS FAKTOR
• Tujuan:
1. Data summarization, yaitu mengidentifikasi adanya
hubungan antar variabel dengan melakukan uji
korelasi. Jika korelasi dilakukan antar variabel (dlm
pengertian SPSS adalah Kolom) disebut R Factor
Analysis. Jika dilakukan antar responden (sampel)
disebut cluster analysis atau Q factor analysis.
2. Data reduction, membuat sebuah variabel set baru
yg dinamakan faktor.
Jumlah sampel yg dianjurkan lebih dari 50 sampel.
Multiple Comparison Test
• Uji pembandingan nilai-nilai tengah
perlakuan
• Uji lanjut (posthoc tests) dari ANOVA jika
terdapat hasil yang signifikan (hipotesis H0
ditolak)
• Beberapa uji adalah :
1. Uji BNT (LSD, Least Significance Difference)
2. Uji Perbandingan Berganda Duncan (Duncan's
Multiple Range Test)
3. Uji Perbandingan thd Kontrol (uji Dunnett)
Multiple Comparison Test
• Uji LSD
LSD  t ,db galat
2 KTG
n
• Uji Duncan
Multiple ranges = rp
KTG
n
• Uji Dunnett (perbandingan dg kontrol)
Selang Uji = D
2 KTG banyaknya panelis
REFERENCES
 O’Mahony, M. 1986. Sensory Evaluation of
Food. Marcel Dekker, Inc., New York, U.S.A.
 Meilgaard, M., Civille, G.V., dan Carr, T.
1999. Sensory Evaluation Techniques. CRC
Press, Florida, U.S.A.
 Santosa, S. 2005. Menggunakan SPSS untuk
Statistik Non Parametrik. Elex Media
Komputindo, Jakarta.
 Simamora, B. 2005. Analisis Multivariate
Pemasaran. Gramedia Pustaka Utama, Jakarta.
 Uyanto, S. S. 2006. Pedoman Analisis Data
dengan SPSS. Graha Ilmu, Jakarta.
(recommended)

similar documents