31
BAB III. PENANGANAN PENGAMATAN PENCILAN PADA MODEL AMMI
3.1 Pengantar
Pengamatan pencilan sering mendapat perhatian pada analisis statistika. Ukuran pemusatan dan penyebaran data yang sering digunakan seperti rataan mempunyai
sifat rentan terhadap adanya pencilan. Akibat satu pengamatan yang sangat jauh berbeda nilainya dari sesamanya akan cenderung mempengaruhi nilai rataan.
Demikian juga dengan ragam, karena ragam diukur menggunakan konsep rataan jarak kuadrat pengamatan terhadap rataannya maka ia juga rentan terhadap
pencilan. Hampir semua prosedur statistik yang mendasarkan pada statistik rataan dan ragam serta sebaran normal pada umumnya, secara teori akan menghadapi hal
yang sama. Termasuk di dalamnya pendekatan kuadrat jarak terkecil atau Least Square.
Selain rataan dan ragam, dikenal pula ukuran pemusatan dan penyebaran lain yaitu median dan simpangan mutlak median atau Median Absolute Deviation
MAD. Dua statistik ini berbasis median yang relatif tegar terhadap pencilan. Terkait dengan itu, beberapa prosedur statistika dikembangkan menurut kedua
model di atas, antara lain regresi kekar dengan konsep simpangan median mutlak terkecil atau least absolut menggantikan least square. Prosedur-prosedur ini
kemudian disebut dalam kelas pemodelan atau pendekatan “robust”.
Pada data numerik yang mengikuti sebaran normal, keberadaan pencilan pada satu sisi tertentu akan menimbulkan kemenjuluran skewnesss yang
cenderung terdeteksi sebagai ketaknormalan. Model AMMI sebagaimana model- model lain yang menggunakan SVD seperti Analisis Komponen Utama dan
Analisis Faktor, rentan terhadap adanya pencilan, karena SVD berbasis Least Square
. Sedangkan dalam upaya merakit sifat-sifat unggul pada suatu genotipe, pencilan justru menjadi sesuatu yang berharga, karenanya mengabaikan
keberadaannya tidaklah bijaksana. Untuk itu diperlukan metode yang relatif ”kekar” terhadap adanya pencilan.
3.2 Antisipasi Pengaruh Pencilan pada Model AMMI
Dalam kasus penerapan model AMMI untuk analisis IGL dan kestabilan, meski belum pernah dilaporkan sebelumnya, namun karena secara teoritik SVD berbasis
least square, maka tetap berpotensi menghadapi masalah akibat pengamatan
pencilan. Untuk membangun kekekaran pada model AMMI maka dasarnya kita mengubah kriteria pemodelan dari least square ke least absolute pada pendugaan
pengaruh utama dan pengaruh interaksi. Cukup sulit untuk membayangkan bagaimana analisis ragam yang sudah begitu melekat dalam kehidupan ilmiah
harus kita ubah menjadi analisis simpangan mutlak atau istilah lain bagi pendekatan robust. Betapapun sulit dan tidak populer, hal tersebut tetap harus
dilakukan sebagai suatu langkah ilmiah yang didasari pemikiran visioner. Mungkin jalan ke arah itu masih jauh, sementara itu, pemecahan jangka
pendeknya memanfaatkan ide algoritma pada model AMMI terampat yaitu regresi bolak-balik.
3.3 Model Faktor Analitik dan Model AMMI
Model AMMI pada dasarnya adalah model tetap fixed model yang mengasumsikan genotipe dan lingkungan ditentukan secara subyektif oleh peneliti
dan kesimpulan yang diharapkan hanya terbatas pada genotipe dan lingkungan yang dicobakan saja. AMMI menguraikan matriks IGL dengan SVD, kemudian
mengkonstruksi biplot untuk memvisualisasi IGL tersebut. Biplot inilah yang menjadi kelebihan utama dari AMMI Gauch, 2006.
Selain itu, analisis faktor juga dapat digunakan untuk menguraikan suatu matriks menjadi bentuk multiplikatif antara loading faktor dan skor faktor.
Sehingga, analisis faktor dapat digunakan untuk menguraikan interaksi dalam konteks percobaan multi lokasi Model anaisis faktor ini merupakan model
campuran yang memperluas cakupan kesimpulan, dimana lingkungan bersifat acak dan kesimpulan untuk faktor lingkungan berlaku untuk populasi lingkungan
Sa ’diyah et al. 2011. Dengan model faktor analitik multiplikatif ini
ketakhomogenan ragam pada model AMMI dapat diatasi Smith et al. 2001.