Tabel 5.6 Uji log-likelihood model GAMMI ZIP dan GAMMI Poisson untuk data bercak daun
Model Log-Likelihood
Sebaran ZiP Sebaran Poisson
FullModel Rank=4 -217.5668
-217.5668 GAMMI Rank=3
-222.0696 -222.0696
GAMMI Rank=2 -227.1508
-227.1508 GAMMI Rank=1
-232.6191 -232.6191
Main EffectsRank=0 -451.4137
-451.4136
Tabel 5.7 Uji log-likelihood Model GAMMI ZIP dan GAMMI Poisson untuk data hama daun
Model Log-Likelihood
Sebaran ZiP Sebaran Poisson
FullModel Rank=3 -39.04556
-39.04556 GAMMI Rank=2
-39.09895 -39.09895
GAMMI Rank=1 -40.99432
-40.99432 Main EffectsRank=0
-48.33612 -48.33612
Kemampuan ini ditunjukkan oleh hasil model GAMMI ZIP yang sangat mirip dengan model GAMMI Poisson. Bahkan pada kedua data yang digunakan
di atas, model GAMMI ZIP memberikan hasil yang sama dengan model GAMMI Poisson. Tabel 5.6 menunjukkan nilai Log-Likelihood yang sama antara model
ZIP dan Poisson, untuk data bercak daun. Demikian juga untuk data Hama Daun, model ZIP dan model Poisson memberikan hasil yang sama Tabel 5.7.
5.7 Penutup
Model GAMMI ZIP mampu menangani masalah nol-berlebih dan overdispersi sekaligus, memberikan nilai peluang sel untuk menjadi nol dan nilai dugaan pada
pengamatan nol yang acak dan sel tak nol. Dengan model ini struktur interaksi dipertahankan melalui sel-sel tak nol. Data tabel dua arah dengan nol yang
berlebih seringkali memaksa kita untuk menggunakan model GAMMI ZIP, karena model Poisson biasa adakalanya akan menemui masalah komputasi dan
gagal konvergen, terutama pada kompleksitas model dengan rank yang lebih tinggi. Model GAMMI ZIP mampu memodelkan dengan baik struktur interaksi
data cacahan tanpa masalah nilai nol dan memberikan hasil yang sama persis
101 dengan model GAMMI Poisson. Justru akan memberikan keuntungan bila pada
data cacahan Poisson terdapat overdispersi. Diagnosis pemilihan model menyangkut dua hal yaitu 1 pilihan sebaran
dan fungsi hubung yang berkenaan dengan sebaran data dan interpretasi serta 2 penentuan rank dalam menjelaskan struktur interaksi. Keduanya hampir tak
terpisahkan confounded apalagi bila terjadi overdispersi ataupun nol-berlebih. Model yang pas dapat diperoleh dari sebaran dan fungsi hubung yang tepat, pada
saat yang sama mungkin juga oleh derajat penguraian interaksi rank model. Dalam hal ini uji nisbah kemungkinan memberikan jalan keluar bagi pemilihan
model.
103
BAB VI. PEMBAHASAN UMUM
Analisis stabilitas melalui Biplot pada data serangan hama dan penyakit memerlukan kehati-hatian karena stabilitas yang ditunjukkan oleh posisi genoripe
disekitar titik pusat Biplot mempunyai dua makna. Makna pertama adalah stabil yang “baik” atau “tahan” karena memiliki angka serangan yang rendah, stabil
yang kedua adalah stabil yang “buruk” atau “rentan” karena memiliki angka serangan yang besar. Verifikasi harus dilakukan dengan memeriksa nilai tengah
genotipe tersebut secara relatif terhadap genotipe-genotipe yang lain. Hal ini berlaku untuk karakter-karakter lain yang nilai genotipe yang diinginkan justru
genotipe-genotpe dengan nilai pengamatan yang rendah, bukan genotipe dengan nilai pengamatan yang tinggi. Pengamatan pada karakter-karakter genotipe yang
demikian sering disebut karakter dengan arah “kiri”.
Transformasi kenormalan dilakukan untuk tetap bertahan pada model sebaran normal dengan metode pendugaan yang telah mapan secara teori sehingga
pengujian hipotesis dan interpretasinya pun tidak banyak perdebatan. Model AMMI dibangun dengan landasan teori pemodelan yang mapan, teknik komputasi
yang sederhana, dan telah secara luas digunakan. Transformasi dilakukan untuk semata-mata memperoleh asumsi kenormalan. Analisis AMMI kemudian
dilakukan pada data hasil transformasi ini. Kita seolah menutup mata terhadap makna apa yang diberikan oleh transformasi pada interpretasi model AMMI.
Transformasi kenormalan sebagai upaya penanganan data cacahan dapat kita lakukan menggunakan transformasi Box-Cox dan kemudian memodelkannya
dengan AMMI. Perbedaan hasil AMMI pada pendekatan transfomasi Box-Cox pada data cacahan yang menyebar Poisson, mungkin saja terjadi. Diperlukan
kehati-hatian pada penggunaan transformasi, karena sangat terkait dengan ukuran matriks interaksinya. Sangat mungkin pada matriks interaksi yang berukuran lebih
besar diperoleh hasil berbeda, karena transformasi tidak lagi mampu mempertahankan struktur interaksinya yang makin kompleks. Kita perlu
memeriksa diagnostik sisaan model dengan lebih seksama. Kehati-hatian juga sangat diperlukan dalam melakukan interpretasi hasil AMMI dan Biplot AMMI,
karena harus memperhatikan transformasi pangkat yang digunakan. Apakah
