Kamis, 20 Agustus 2009

Judul Skripsi Biologi:LANGKAH PENELITIAN TINGKAH LAKU KAWIN BURUNG DI PERKOTAAN



1. Survei pendahuluan untuk menentukan wilayah yang paling banyak aktivitas burung dengan melakukan pengamatan
2. Penentuan lebih lanjut lokasi sarang
Penentuan jenis kelamin prilaku berpasangan, suara, atau kombinasi dari kedua cara tersebut. Observasi prilaku berpasangan didasarkan pada posisi spesifik burung jantan dan betina pada waktu berpasangan (Goodwin, 1963 dalam Sang Putu Kaler Surata, 2005). Umumnya burung berjenis kelamin jantan juga cenderung lebih agresif dibanding burung berjenis kelamin betina (Widodo dkk, 1998) sehingga dapat diketahui bahwa hanya burung jantan yang bernyanyi, hal tersebut didukung oleh observasi selama lima tahun oleh Goodwin (1963) yang menemukan hanya burung jantan yang bernyanyi.
3. Pengamatan dilakukan secara visual dan bantuan peralatan kamera, teropong binokuler, timbangan dan peralatan pendukung lainnya. Untuk penggunaan kamera perekam di letakkan di sekitar sarang sehingga dapat mengetahui kegiatan apa saja yang terjadi dalam sarang tersebut. Pengamatan dilakukan pada setiap hari selama musim perkawinan Jarak pengamatan dilakukan antara 6–10 m dibantu dengan binokular dan kamera. Pengamatan meliputi tingkah laku perkawinan, saat pertama kali meletakkan telur berupa sarang sebagai tempat pengeraman pertama kali di buat, tingkah laku dalam menjaga telur dan anakan serta tanggal menetas .
4. Penelitian dilakukan menggunakan metode deskriptif dengan teknik observasi. Pengamatan dilakukan terhadap aktivitas harian burung meliputi tingkah laku makan dan kawin. Pengamatan dilakukan secara intensif dan semua data yang diperoleh secara obyektif dianalisis secara tabulasi dan data yang diperoleh secara subyektif dianalisis secara deskriptif (Irba Unggul Warsono, 2002).

Judul Skripsi Kedokteran: METODE ANALISIS JUMLAH DAN MORFOLOGI SEL DARAH



Eritrosit
1. Menghitung jumlah eritrosit (Gandasoebrata, 1992 dan Tjokronegoro, 2000)
Larutan Hayem digunakan sebagai pengencer dengan perbandingan 1:200 Darah diisap(yang sudah dicampuri NaEDTA) dengan pipet eritrosit sampai tanda garis 1,0 dan larutan pengencer sampai tanda garis 101. Dicampur selama satu menit kemudian dibiarkan selama 3 menit agar eritrosit mengendap. Penghitungan jumlah eritrosit menggunakan kamar hitung Double Improve Neubauer pada kelima bidang sedang yang masing-masing dibagi menjadi 16 bidang kecil sehingga faktor untuk mendapat jumlah eritrosit per ul darah menjadi 5000E dengan E adalah jumlah eritrosit Eritrosit diamati dengan perbesaran mikroskop sebesar 400X
2. Uji kadar hemoglobin (Gandasoebrata, 1992 dan Waid, 1990 )
Kadar Hb ditentukan dengan kit Hb Merck 3317. Darah diambil sebanyak 20 ul dan dimasukkan dalam larutan kaliumferrisianida dan kalium sianida sebanyak 5 ml (Larutan Drabkin). Absorbansi larutan darah diukur dalam gelombang 540 nm. Kadar hemoglobin ditentukan dari perbandingan absorbansinya dengan absorbansi standar sianmethemoglobin yaitu kadar hemoglobin = absorbansi yang teramati x 36.8 g Hb/dl
3. Mengamati morfologi eritrosit (Tjokronegoro, 2000)
Pembuatan sediaan apusan darah dilakukan diatas kaca objek yang bebas lemak maupun kotoran dengan dibersihkan dengan sedikit metil alkohol. Kemudian diteteskan darah pada jarak kurang lebih 2-3 mm dari ujung kaca objek dan dengan bantuan kaca penghapus yang sebelumnya diletakkan didepan tetesan darah dengan sudut 30-45 derajat (agar darah tersebar merata) dibuat film hapusan darah dengan menggeser kaca penghapus secepat mungkin dengan sudut antara kaca objek dengan kaca penghapus sebesar mungkin sehingga diperoleh film sediaan hapusan darah yang tipis dan merata.
Pewarnaan menggunakan zat warna Giemsa (1 g dalam 10 ml metil alkohol) dan Wright ( 1 g dalam 10 ml metil alkohol). Pewarnaan dengan zat warna Giemsa dan Wright tidak memerlukan fiksatif karena zat warna sudah mengandung metil alkohol. Zat warna diteteskan pada sediaan sebanyak 20 tetes dan dibiarkan selama 5 sampai 12 menit. Dilanjutkan dengan membersihkan zat warna yang berlebihan dengan air suling secara perlahan-lahan dan setelah bersih dikeringkan dalam posisi vertikal.
Pengamatan meliputi kelainan morfologi yang didasarkan pada ukuran, bentuk dan warna pada bagian apusan darah eritrosit yang tidak bersentuhan atau pada sediaan tipis.
b). Leukosit
1. Menghitung leukosit (Arifin, 1983 dan Gandasoebrata, 1992)
Larutan Turk digunakan sebagai pengencer dengan perbandingan 1:20. Darah diisap dengan pipet leukosit sampai pada tanda garis 1,0 kemudian dilanjutkan menghisap larutan pengencer sampai tanda 11 dan dikocok selama 15-30 detik serta dibiarkan selama 3 menit. Penghitungan menggunakan kamar hitung Double Improve Neubauer pada ke 4 bidang besar yang masing-masing terdiri 16 kotak kecil sehingga jumlah leukosit diperoleh dengan mengkalikan 50. Leukosit diamati dengan perbesaran mikroskop 100X
2. Menghitung jenis leukosit (Gandasoebrata, 1992)
Penghitungan jenis leukosit mengunakan sediaan apusan darah yang hitungannya didasarkan atas per 100 leukosit kemudian hasilnya disusun. Pengamatan mikroskop menggunakan perbesaran 40X yang dapat dilanjutkan dengan perbesaran 100X.
3. Mengamati morfologi (Tjokronegoro, 2000)
Mengamati morfologi mengunakan sediaan apusan darah yang proses dan pewarnaan sama dengan pembuatan sediaan apusan darah eritrosit dan meliputi kelainan morfologi dalam bentuk, ukuran, warna sitoplasma dan granula dengan menggunakan mikroskop perbesaran 100 x.
c). Trombosit
1. Menghitung jumlah trombosit (Marjorie, 1983)
Larutan Ammonium Oksalat digunakan sebagai pengencer dengan perbandingan 1:200. Darah diisap menggunakan pipet eritrosit sampai tanda garis 1,0 dan dilanjutkan dengan larutan pengencer sampai 101 dan segera dikocok selama 3 menit. Penghitungan jumlah trombosit dilakukan dengan kamar hitung Double Improve Neubauer pada ke lima bidang besar yang masing-masing terdiri dari enam belas bidang kecil sehingga jumlah trombosit diperoleh dengan mengkalikan 5000 jumlah trombosit yang ditemui dalam penghitungan. Pengamatan mengunakan mikroskop menggunakan perbesaran 100X.

Metode Analisa Data: Multidimensional Scaling



Multidimensional scaling (MDS) adalah salah satu teknik penyekalaan yang sering digunakan untuk memposisikan sekelompok obyek secara relatif di dalam sebuah peta preseptual (grafik dengan 2 sumbu X-Y atau lebih dengan dimensi sumbu yang saling berlawanan seperti tinggi-rendah, pahit-manis dan sebaginya). Secara umum MDS dapat membantu untuk menentukan (1) dimensi yang paling sering digunakan oleh responden dalam menilai suatu obyek, (2) berapa jumlah dimensi yang digunakan dalam penilaian tersebut, (3) hubungan relatif dari masing-masing dimensi, (4) hubungan obyek yang diamati secara preseptual.
Semua obyek yang diamati memiliki dimensi obyektif dan dimensi preseptual. Sebagai contoh produk motor Honda Kharisma memiliki dimensi warna merah dan hitam, rem cakram, serta mesin 125 CC, hal ini adalah dimensi obyektif. Sedangkan di sisi lain konsumen juga dapat beranggapan bahwa motor Honda Kharisma memiliki body kurang langsing dan kurang lincah, mahal namun irit. Hal-hal tersebut dapat juga dinamakan dimensi preseptual atau dimensi subyektif. Dua produk dapat memiliki ciri fisik yang sama namun dapat dipandang secara lain karena merek yang berbeda dianggap mencerminkan kualitas yang berbeda.




Dimensi 1
A
F
E
B


IPDimensi 2
C
D

Gambar 2.1. Gambar Ilustrasi Peta Preseptual pada MDS
Perbedaan MDS dengan metode interdependen lainnya seperti analisis faktor dan analisis cluster, adalah bahwa analisis faktor mengelompokkan faktor-faktor yang memiliki korelasi yang tinggi. Analisis cluster didasarkan pada pengamatan sekelompok variabel dan menentukan profil tiap kelompok. Sedangkan pada MDS responden bebas mengambil kesimpulan ataupun berangapan tentang suatu produk sehingga tidak dapat ditentukan nilai penyimpangannya. (Hair, 1998).
Pemetaan preseptual dalam metode MDS sangat sesuai digunakan untuk :
1. Mengeksplorasi dan mengidentifikasi dimensi-dimensi tak dikenal yang dapat mempengaruhi tingkah laku atau anggapan responden terhadap suatu obyek.
2. Membandingkan dua atau lebih obyek secara langsung sekalipun basis persamaan atau nilai pembanding obyek-obyek tersebut tidak dapat didefinisikan.
Berikut ini adalah diagram algoritma pengambilan keputusan dalam metode Multidimensional scaling sampai dengan tahap 3. (Hair, 1998)
Desain Penelitian
· Jumlah Obyek yang diamati
· Metrik atau nonmetrik
Desain Penelitian
· Jumlah Obyek yang diamati
· Metrik atau nonmetrik
Jenis Evaluasi
Mencari similaritas, preferensi obyek atau keduanya
Asumsi-Asumsi
Dimensi evaluasi dapat bervariasi pada tiap responden, begitu juga urutannya
Menentukan Metode Pendekatan pada Peta Preseptual
· Komposisional , ditentukan secara spesifik oleh peneliti
· Dekomposisional, menggunakan anggapan umum
Tujuan Penelitian
Menentukan obyek pengamatan yang relevan (similaritas atau preferensi, obyek secara umum atau khusus)
Rumusan Permasalahan
Mengidentifikasi dimensi-dimensi yang digunakan untuk mengevaluasi obyek
Tahap 4
Tahap 1
Tahap 2
Tahap 3
Metode Dekomposisional : Metode MDS tradisional dengan cara memecah atribut khusus dari anggapan umum obyek
Kombinasi : Kombinasi Similaritas dan preferensi
Preferensi : Meranking obyek secara langsung
Similaritas : Mencari kesamaan antar obyek
Metode Komposisional
Membuat presepsi secara umum dari atribut-atribut yang ditentukan oleh peneliti, seperti corespondence analysis, Factor analysis, dan discriminant analysis.

Langkah-Langkah Penentuan Tujuan Penelitian
Salah satu kesulitan paling umum dalam penentuan tujuan penelitian adalah pendefinisian spesifikasi standar untuk menilai atau mengevaluasi suatu obyek. Keutamaan peta preseptual adalah kemampuannya untuk menarik dimensi simpulan (obyektif maupun subyektif) tanpa harus mendefinisikan atribut obyek lebih dahulu. Oleh karena itu, perlu dilakukan tiga langkah dasar dalam penentuan tujuan penelitian, sebagai berikut :
a. Memilih obyek-obyek yang akan dievaluasi
Peneliti harus memastikan untuk mengikutsertakan segala hal yang relevan dalam evaluasi pembentukan presepsi responden, seperti produk atau layanan.
b. Menentukan basis penilaian obyek, similaritas atau preferensi
Langkah berikutnya setelah memilih obyek yang diamati, peneliti harus menentukan basis evaluasi, similaritas (kesamaan) atau preferensi (tingkatan). Kedua basis evaluasi tersebut dapat digunakan untuk membuat peta preseptual namun dengan intepretasi yang berbeda. Peta preseptual berbasis similaritas menampilkan atribut-atribut kesamaan obyek namun tidak secara langsung menampilkan urutan atau obyek yang menjadi pilihan utama responden. Sedangkan peta preseptual berbasis preferensi menampilkan urutan dan pilihan responden namun tidak menampilkan aspek-aspek kesamaan atribut obyek dikarenakan responden dapat mendasarkan penilaiannya pada dimensi yang benar-benar berbeda satu sama lain. Penggunaan basis similaritas atau preferensi harus diputuskan sejak awal, karena kedua hal tersebut secara mendasar mewakili hal yang berbeda.
c. Menentukan apakah analisis dilakukan pada suatu kelompok atau tingkat individu (agregate atau disagregate).
Peneliti dapat menentukan pembuatan peta preseptual mewakili masing masing individu secara terpisah pada metode disagrerat, sehingga dari peta presptual ini akan dapat dicari solusi untuk tiap-tiap orang. Melalui cara ini peneliti harus dapat mengidentifikasi elemen-elemen yang menjadi kesamaan pada tiap-tiap responden.
Sedangkan pada metode agregat, pendekatan paling sederhana adalah dengan mengambil nilai rata-rata dari keseluruhan skor obyek dan menghasilkan solusi tunggal pada seluruh obyek, untuk mengelompokkan responden dengan ciri sama, peneliti dapat menggunakan analisis kluster dan menggambarkan peta prespetual secara rata-rata.
d. Menentukan metode pendekatan yang akan digunakan, pendekatan berdasarkan penilaian obyek secara keseluruhan dan umum atau menggunakan pendekatan berdasarkan atribut dari masing-masing obyek yang diamati.
e. Menentukan siapa dan berapa responden yang akan dijadikan sasaran penelitian. Peneltitian hendaknya dilakukan pada responden yang setara dan bisa diperbandingkan atau memiliki satu karakter yang sama karena peta preseptual tidak dapat menggambarkan responden dengan karakteristik yang dipaksakan sama. Jumlah responden yang diamati minimal memenuhi level penerimaan terendah, terantung pada tingkat kepercayaan yang diunakan.
f. Metrik atau non metrik
Pada mulanya metode MDS menggunakan peta non metrik (secara ururtan) untuk menggambarkan peta preseptual, namun keterbatasan intreprestasi yang dapat digunakan menjadikan metode metrik (terukur) lebih banyak digunakan. Metode metrik dapat melakukan beberpa modoikasi dari data aslinya yaitu dengan menambahkan konstanta tertentu atau dengan melakukan rotasi.
g. Mencari kesamaan atau tingkat preferensi
Pengumpulan data harus ditentukan tujuannya, yaitu mencari kesamaan dan ketidak samaan atau mencari preferensi terhadap suatu obyek.
Basis preferensi memiliki dua pilihan prosedur yang dapat digunakan:
· Penentuan peringkat secara langsung
Setiap responden menentukan peringkat secara langsung pada obyek-obyek yang diamati, dengan cara ini masing-masing obyek harus diberikan penilaian yang unik (tidak boleh ada yang memiliki nilai sama).
· Perbandingan berpasangan
Setiap responden memberikan nilai terhadap pasngan obyek yang diamati sehingga dengan cara ini peneliti dapat menemukan informasi secara eksplisit dan lebih detail dari penentuan peringkat secara langsung. Namun tugas perhitungan akan menjadi berpuluh kali lipat lebih banyak, untuk 10 obyek yang diamati akan menjadi 90 pasang obyek.
h. Asumsi-asumsi yang digunakan.
asumsi yang digunakan di sini tidak pada metodologinya, namun lebih pada asumsi presepsi:
· Variasi dimensional
Setiap responden akan menerima memiliki dimensi presepsi suatu obyek yang berlainan sehingga jawaban akan beragam sekalipun ada keterbatasan jumlah dimensi yang diajukan peneliti.
· Variasi keutamaan
Responden memutuskan keutamaan dimensi suatu brand berdasarkan tingkatan kepentingan yang berbeda.
· Variasi batas waktu
Presepsi responden terhadap suatu obyek baik secara dimensional maupun tingkatan tidak akan selalu sama seiring berjalannya waktu, atau dapat berubah sewaktu-waktu.

Tahap Selanjutnya dari algortima pengambilan keputusan dengan metode multidimensional scaling adalah sebagai berikut : (Hair, 1998)

Metode Analisa Data: ANALISIS MULTIVARIAT


Analisis Multivariat dapat didefinisikan secara sederhana sebagai metode pengolahan variabel dalam jumlah banyak untuk mencari pengaruhnya terhadap suatu obyek secara simultan. (Santoso, 2004)
Metode analisis multivariat sebenarnya secara teoritis sudah diketahui sejak lama, namun dalam praktek perhitungannya baru digunakan saat teknologi komputer berkembang pesat.
Berdasarkan ketergantungan variabel-variabel yang ada, analisis multivariat dapat dibai menjadi : (Dillon,1984)
1. Analisis dependensi
Ciri dari analisis ini adalah adanya suatu atau beberapa variabel yang berfungsi sebagai variabel dependen dan beberapa variabel lain variabel bebas (independen).Alat analisis dalam kategori ini adalah :
· Analisis regresi berganda
Metode ini menggunakan satu variabel dependen (terikat)dan lebih dari satu variabel independen (bebas) yang berada dalam satu set hubungan. Misal persamaan y = x1 + x2 + x3 + x4
· Analisis deskriminan
Metode ini pada prinsipnya mencoba mengelompokkan setiap obyek ke dalam dua atau lebih kelompok berdasarkan kriteria pada sejumlah variabel bebas. Pengelompokkan ini sifat mutually exclusive, dalam artian jika obyek A sudah masuk kelompok 1 maka dia tidak akan munkin menjadi anggota kelompok 2. Oleh karena ada sejumlah variabel independen, maka akan terdapat satu variabel dependen (tergantung). Ciri analisis diskriminan adalah jenis data dari variabel dependen bertipe nominal (kategori). seperti 0 dan 1 atau kombinasi lainnya.
· Analisis logit
Logit analisis digunakan jika kriteria ukuran tunggal adalah diskrit (kateorikal) dan variabel prediktor juga berbentuk kategorikal secara alamiah. Logit analisis adalah metode untuk kasus khusus untuk model log linier jika variabel yang diamati dipengaruhi oleh kelompok variabel prediktor dalam kategori tertentu.
· Multivariate analysis of variance (manova)
Manova digunakan jika tersedia berbagai ukuran kriteria yang secara bersamaan mempengaruhi berbagai level varibel eksperimen. Fokus utma dari multivariat analisis adalah untuk menguji signifikansi perbedaan suatu profil dengan adanya perubahan pada variabel-variabel eksperimen terkontrolnya.
· Analisis korelasi kanonikal
Analisis korelasi kanonikal bertujuan untuk mencari hubungan linier antara sekelompok prediktor serta sekelompok varibel terukur dengan menggunakan dua kombinasi linear. Pertama untuk variabel-variebel prediktor dan yang kedua untuk variabel-variabel kelompok terukur, contohnya untuk kasus yang membutuhkan penyelesaian diskriminan beranda.
2. Analisis interdependensi
Ciri dari analisis ini adalah bahwa variabel saling berhubungan satu dengan lainnya sehingga tidak ada variabel dependen atau variabel independen.
· Analisis komponen prinsip
Teknik ini bekerja dengan mereduksi data dengan tujuan mendapatkan kombinasi yang linier dari variabel-variabel asli sebanyak mungkin. Hubungan linier yang sukses jika variabel-variabel pendukungnya berlainan menciptakan variasi terkecil.
· Analisis faktor
Analisis faktor lebih tepatnya dinamakan common factor analytic model, adalah metode reduksi data , namun berbeda dengan analisis komponen prinsip karena ada beberapa faktor terhitung yang merupakan gabungan dari lainnya.
· Metrik multidomensional scaling
Adalah salah satu teknik penyekalaan yang sering digunakan untuk memposisikan sekelompok obyek secara relatif di dalam sebuah peta preseptual (grafik dengan 2 sumbu X-Y atau lebih dengan dimensi sumbu yang saling berlawanan seperti tinggi-rendah, pahit-manis dan sebaginya). Metrik MDS mengasumsikan data yang similar atau tidak, memiliki sifat metrik atau sifat yang dapat diukur secara relatif.
· Non-metrik multidimensional scaling
Non-metrik MDS mengasumsikan bahwa data yang similar tidak memilik sifat metrik (dipetakan secara angka) namun memilik sifat terukur secara relatif pada dimensi-dimensi tertentu ata adalah salah satu teknik penyekalaan yang sering digunakan untuk memposisikan sekelompok obyek secara relatif di dalam sebuah peta preseptual (grafik dengan 2 sumbu X-Y atau lebih dengan dimensi sumbu yang saling berlawanan seperti tinggi-rendah, pahit-manis dan sebaginya).u secara rangking saja.
· Analisis cluster
Anlisis kluster merupakan metode pengurangan data, dengan tujuan untuk mengidentifikasi kelompok-kelompok variabel yang anggotanya memeiliki kemiripan. namun tidak ada kemiripan dengan kelompok yang lain.
· Model loglinier
Model ini memungkinkan peneliti untuk menyelidiki,hubungan antar kategori variabel dari tabel kontingensi. Model loglinear mengekspresikan kemungkinan dari tabel kontinjensi multidemensi, memberikan efek dan berinteraksi dengan variabel-variabel, yang ada di dalam tabel