ANALISIS PROBIT

Analisis Probit adalah metode penghitungan untuk mendapatkan nilai toksisitas (daya
racun) suatu jenis insektisida terhadap serangga percobaan. Nilai toksisitas tersebut dinyatakan
dalam bentuk LC50 - 95 atau LD50 - 95 (Busvine 1971; Heinrichs et al. 1981). Dalam bidang
pertanian, data toksisitas insektisida terhadap serangga hama atau musuh alami dapat digunakan
untuk berbagai keperluan, seperti untuk memantau perkembangan resistensi serangga hama
terhadap insektisida yang umum digunakan, untuk menentukan insektisida yang selektif, atau
untuk mengetahui pengaruh pencampuran insektisida (Moekasan & Prabaningrum 1999).
Setiawati (1997) melaporkan bahwa nilai LC50 insektisida Bacillus thuringiensis
(Dipel WP) terhadap larva Plutella xylostella L. pada tahun 1987, 1991, dan 1994 berturutturut ada-lah sebesar 44 ppm, 403 ppm dan 3.194,31 ppm. Berdasarkan data tersebut dapat
disimpulkan bahwa pada tahun 1994 larva P. xylostella telah resisten terhadap insektisida B.
thuringiensis, dengan nisbah resistensi berkisar antara 7 - 72 kali dibandingkan dengan tahun
1987 dan 1991. Winteringham (1969) menyatakan bahwa populasi serangga dianggap resisten
apabila nisbah resis-tensinya lebih dari 4 (empat) kali dibandingkan dengan populasi yang masih
rentan.
Menurut Metcalf dan Flint (1962), suatu jenis insektisida dapat dikatakan selektif, jika
secara fisiologis insektisida tersebut berspektrum sempit, artinya insektisida tersebut hanya
membunuh serangga hama dan tidak atau kurang membahayakan musuh-musuh alami
(parasitoid dan predator). Moekasan (1987) melaporkan bahwa nilai LC50 insektisida
Klorfluazuron (Atabron50 EC) terhadap larva P. xylostella dan imago parasitoid Diadegma
semiclausum Hellen masing-masing adalah sebesar 116,46 ppm dan 3.460, 98 ppm. Berdasarkan
data tersebut dapat disimpulkan bahwa insektisida Klorfluazuron termasuk ke dalam kelompok
insektisida yang selektif, karena nilai LC50 Klorfluazuron terhadap parasitoid lebih besar
dibandingkan dengan nilai LC50 terhadap serangga hama, dengan nilai nisbah selektifitasnya
kurang dari satu, yaitu 116,46 : 3.146,98 = 0,0336. Dengan kata lain, jika nilai nisbah
selektifitasnya < 1, maka insektisida tersebut dinyatakan selektif.
Pencampuran atau kombinasi suatu jenis insektisida dengan insektisida atau bahan kimia
lain dapat menimbulkan efek sinergistik, antagonistik, atau netral. Menurut Benz (1971), jika
bahan kimia atau insektisida tersebut mempunyai kemampuan untuk meningkatkan daya racun
insektisida, maka efek tersebut dinamakan sinergistik. Sebaliknya, jika bahan campuran
menurunkan daya racun insektisida tersebut, maka efek tersebut dinamakan efek antagonistik.
Jika bahan campuran tersebut tidak berpengaruh terhadap daya racun insektisida bersangkutan,
maka efeknya dinamakan netral. Moekasan (1999) melaporkan bahwa nilai LC50 SeNPV
terhadap ulat bawang (Spodoptera exigua Hubn.) adalah sebesar 493,46 ppm. Setelah dicampur
dengan insektisida Profenofos sebanyak 850 ppm, nilai LC50 SeNPV menurun menjadi 25,56
ppm. Hal ini menunjukkan bahwa penambahan insektisida Profenofos meningkatkan daya racun
SeNPV terhadap ulat bawang. Selain di bidang pertanian, program komputer pengolah data StatRIV 2.0 dapat pula digunakan di bidang farmasi dan kedokteran, yaitu untuk mendapatkan nilai
LC50 - 95 atau LD50 - 95 suatu jenis bahan kimia terhadap hewan percobaan.

Persamaan
Regresi linier dengan satu prediktor (X) didefinisikan dengan persamaan di bawah ini. B0
adalah intersep dan B1 adalah slope. Slope menunjukkan seberapa besar peranan prediktor (X)
dalam menjelaskan variabel keluaran (Y).

Regresi logistik dengan satu prediktor (X) didefinisikan dengan persamaan di bawah ini.
Karena diterapkan pada data keluaran yang bersifat dikotomi (pilah), maka persamaan regresi
ditransformasi menjadi probabilitas (P) yang merupakan kepanjangan dari P=1 (probabilitas
untuk mendapatkan skor 1).

Regresi Probit merupakan modifikasi regresi logistik dengan menetapkan persamaan

regresi logit mengikuti distribusi normal. Dengan menggunakan regresi probit maka B0+B1X
dilihat sebagai skor standar Z yang mengikuti distribusi normal, maka didapatkan :

Persamaan ini didasari pada distribusi normal () di bawah ini sehingga regresi probit
ditunjukkan dengan (Z) (Skrondal & Hesketh, 2004). Simbol menunjukkan berlakunya
fungsi deviasi standar distribusi normal (inverse standard normal distribution).

Z adalah suatu variabel kontinu yang tidak teramati (laten) karena merupakan suatu
"kecenderungan" munculnya sebuah kejadian. Jadi misalnya data teramati kita adalah lulus (kode
1) dan tidak lulus (kode 0), nilai Z menunjukkan kecenderungan atau probabilitas untuk lulus.
Contoh lainnya adalah data pelanggan. Melakukan pembelian ulang (kode 1) dan tidak
melakukan pembelian ulang (kode 0). Dalam kasus ini Z merupakan suatu kecenderungan
pelanggan untuk melakukan pembelian ulang. Semakin besar nilai Z semakin besar
kecenderungan pelanggan untuk melakukan pembelian ulang.
Hubungan antara Hasil Estimasi dan Probabilitas Gambar di bawah ini menunjukkan
hubungan antara hasil regresi probit dengan kurva normal yang diwujudkan dalam kontinum
probabilitas. Ketika hasil persamaan regresi probit menghasilkan nilai nol, itu artinya nilai
probabilitas yang dihasilkan sama dengan 50%. Ketika persamaan regresi probit menghasilkan
nilai 1.645, itu artinya probabilitas yang didapatkan adalah 5%.

Proses analisis dengan menggunakan program komputer akan menghasilkan nilai probit
(Z) yang menunjukkan posisi individu dalam wilayah kurva normal. Oleh karena itu untuk
menghasilkan informasi mengenai probabilitas yang dihasilkan kita perlu mentransformasinya
dengan menggunakan tabel Z. Misalnya dengan memasukkan nilai individu yang memiliki X=1
ke dalam persamaan regresi kita dapatkan nilai untuk individu tersebut adalah Y=0. Nilai 0 ini
kemudian ditransformasi melalui tabel Z menjadi 0.5 (50%). Penghubung logit dan probit sering
memberikan hasil yang sama meskipun penghubung probit mendiskriminasikan dengan lebih
baik dan mendekati nilai median (0.5 respon probabilitas).
Akan diteliti seberapa besar probabilitas jejaka untuk memutuskan menikah didasarkan
dari kesiapan (X1) dan tingkat kemandiriannya (X2).
Variabel keputusan menikah bersifat kategorikal, memutuskan menikah (kode 1) dan
belum memutuskan menikah (kode 0). Data prediktor bersifat kontinyu karena didapatkan dari
skor skala psikologi. Tabel di bawah ini contoh penampakan data ini.

Menganalisis
Di program SPSS analisis regresi probit dengan tampilan data di atas lebih tepat
dianalisis dengan menggunakan syntax.

Gambar di atas menunjukkan syntax yang dapat kita terapkan. Anda tinggal mengganti
nama variabel di atas dengan nama variabel anda. Untuk kasus di atas, nama variabel yang
dipakai disesuaikan dengan nama variabel di dalam data.
Hasil Analisis
Berikut ini hasil output yang keluar dari SPSS:

Model Fitting Information. Bagian ini menunjukkan kebaikan model yang kita
kembangkan. Nilai 2 loglikelihood pada baris intercept only didapatkan dari model tanpa
prediktor. Pada model tanpa prediktor ini nilai koefisien slope regresi diasumsikan sebesar nol
(b1=0). Akibatnya hanya koefisien intersep saja yang dipakai. Berikut ini adalah model yang
hanya melibatkan intersep () saja.

Model Final menggambarkan model yang mencakup variabel prediktor yang kita analisis.
Nilai ini didapatkan dari proses iterasi untuk menemukan log likelihood yang maksimal (baca
tulisan estimasi maksimum likelihood di bab sebelumnya). Persamaan untuk model ini adalah
sebagai berikut.

Hasil analisis menunjukkan adanya perbedaan yang signifikan (2 =113.463; p<0.05)

Dapat disimpulkan bahwa melibatkan prediktor dalam model lebih baik daripada tidak
melibatkannya sama sekali. Nilai df didapatkan dari jumlah prediktor yang dilibatkan di dalam
model.

Pseudo R-Square. Rkuadrat dalam Regresi probit tidak sama dengan R kuadrat yang
ditemukan dalam regresi linier (OLS). Namun demikian sejumlah ahli telah mencoba untuk

mengembangkannya. Karena nilai ini tidak menunjukkan Rkuadrat yang sebenarnya maka
dinamakan dengan R-Square pseudo (Rkuadrat semu).

Parameter Estimates.
Bagian ini menunjukkan koefisien regresi. Probabilitas pengambilan keputusan menikah
terprediksi dilaporkan dengan menggunakan koefisien ini. Nilai ambang (threshold)
menunjukkan nilai konstan seperti halnya dalam regresi linier. Berdasarkan hasil di atas dapat
dihasilkan persamaan regresi probit yang dihasilkan adalah:

F adalah fungsi distribusi normal kumulatif. Interpretasi koefisien dalam regresi probit
tidak sama dengan regresi linier atau regresi logistik. Peningkatan probabilitas dalam analisis ini
dikaitkan dengan peningkatan satu unit prediktor lain dan nilai awal prediktor. Dari hasil analisis
ini dapat ketahui koefisien (beta) untuk kesiapan menikah adalah 2.563 (p<0.05)
Nilai signifikansi di bawah 0.05 menunjukkan bahwa nilai koefisien ini berbeda secara
signifikan dengan beta=0. Dengan kata lain merupakan prediktor pemilihan keputusan menikah
yang signifikan. Sebaliknya, nilai koefisien kesiapan tidak signifikan (2.563 p<0.05) sehingga
bukan merupakan prediktor pemilihan keputusan menikah.

Penerapan Hasil
Mendapatkan persamaan regresi F(Z)=[14.49+2.563(X1)+0.299(X2)]. Karena
peranan kemandirian tidak signifikan, maka kita keluarkan dari persamaan. Dengan demikian
persamaan
kita
menjadi
F(Z)=14.49+2.563X1.
Jika
X1=0
maka
F(Z)=
[14.49+2.563(0)]=14.49. Jika X1=1 maka Z=19.61. ditransformasikan nilai Z menjadi nilai
probabilitas. Kita tinggal melihat tabel. Misalnya nilai Z=19.61 terletak pada wilayah 0.999
(mendekati 1). Kasus ini kurang cocok untuk contoh penerapan karena nilai koefisien B0 dan B1
yang dihasilkan sangat besar sehingga mendekati 1. Berikut ini contoh lainnya. Misalnya peneliti
hendak memprediksi kesuksesan berwirausaha berdasarkan kemauan mengambil resiko (X).
Kesuksesan berwirausaha terdiri dari sukses=1 dan belum sukses=0. Persamaan regresi
menghasilkan F(Z)=[ 2.061+0.188(X1)]. Ketika nilai X=0 maka nilai Z yang dihasilkan
adalah 2.061+0.188 (0)=2.061. Kita lihat di tabel Z, nilai Z=2.061 sama dengan luas
kurva sebesar 0.02 atau probabilitas sebesar 2%. Jika X=5 maka nilai Z=1.12 yang setara
dengan probabilitas sebesar 13.1%. Artinya ketika kemauan individu mengambil resiko sebesar
5, maka probabilitas untuk suksesnya adalah 13.1%.

DAFTAR PUSTAKA
Skrondal, A. and RabeHesketh, S. (2004). Generalized Latent Variable Modeling: Multilevel,
Longitudinal and Structural Equation Models. Boca Raton, FL : Chapman & Hall/CRC.
Benz, G. 1971. Synergism of Microorganism and Chemical Insecticides. P. 327-355. In : H.D.
Burgess and N.W. Husey (Eds.). Microbial Control of Insect and Mites. Academic Press,
New York and London. 583 pp.
Burvine, J., A., R. 1971. Techniques for Testing Inseticides. Commonwealth Agricultural
Bureaux. London. 336 pp.
Heinrichs, E.A., S. Chelliah, S.L. Valencia, M.B. Arceo, L.T. Fabelar, G.B. Aquino and S.
Pickin. 1981. Manual for Testing Insecticides on Rice. International Rice Research
Institute. Los Banos, Laguna. Philippines. 134 pp.
Metcalf, C.L. and W.P. Flint. 1962. Destructive and Useful Insects, Their Habits and Control.
McGraw-Hill. Publ.Co.Ltd. New Delhi. 667 pp.
Moekasan, T.K. 1987. Daya racun insektisida mikroba (Bacillus thuringiensis Berl.). dan
pengahambat pembentukan kitin terhadap larva Plutella xylostella L. (Lepidoptera :
Yponomeutodae) dan imago parasitoid Diadegma eucerophaga Hellen (Hymenoptera :
Ichneumonidae) di Laboratorium. Skripsi S1. Faperta Unbar. Bandung 68 h.