Bee SaVe

Conceptual Framework of My Lontar

•June 11, 2009 • Leave a Comment

Conceptual Framework of My Lontar

Alhamdulillah, aku mulai mencoba menuangkan kerangka pikirku ke dalam keyboard

Posted in 1

Urusan dan Hikmahnya

•April 7, 2009 • Leave a Comment

QS. Al-Baqarah:286
Allah tidak membebani seseorang melainkan sesuai dengan kesanggupannya. Ia mendapat pahala (dari kebajikan) yang diusahakannya dan ia mendapat siksa (dari kejahatan) yang dikerjakannya. (Mereka berdoa): “Ya Tuhan kami, janganlah Engkau hukum kami jika kami lupa atau kami tersalah. Ya Tuhan kami, janganlah Engkau bebankan kepada kami beban yang berat sebagaimana Engkau bebankan kepada orang-orang sebelum kami. Ya Tuhan kami, janganlah Engkau pikulkan kepada kami apa yang tak sanggup kami memikulnya. Beri ma’aflah kami; ampunilah kami; dan rahmatilah kami. Engkaulah Penolong kami, maka tolonglah kami terhadap kaum yang kafir.”

QS. Al-Kahfi:10
Ingatlah) tatkala para pemuda itu mencari tempat berlindung ke dalam gua, lalu mereka berdoa: “Wahai Tuhan kami, berikanlah rahmat kepada kami dari sisi-Mu dan sempurnakanlah bagi kami petunjuk yang lurus dalam urusan kami (ini).”

QS. Ath-Thalaaq:3
Dan memberinya rezki dari arah yang tiada disangka-sangkanya. Dan barangsiapa yang bertawakkal kepada Allah niscaya Allah akan mencukupkan (keperluan)nya. Sesungguhnya Allah melaksanakan urusan yang (dikehendaki)Nya. Sesungguhnya Allah telah mengadakan ketentuan bagi tiap-tiap sesuatu.

QS. Asy-Syuura:53
(Yaitu) jalan Allah yang kepunyaan-Nya segala apa yang ada di langit dan apa yang ada di bumi. Ingatlah, bahwa kepada Allah-lah kembali semua urusan.

QS. Yunus:31
Katakanlah: “Siapakah yang memberi rezki kepadamu dari langit dan bumi, atau siapakah yang kuasa (menciptakan) pendengaran dan penglihatan, dan siapakah yang mengeluarkan yang hidup dari yang mati dan mengeluarkan yang mati dari yang hidupdan siapakah yang mengatur segala urusan?” Maka mereka akan menjawab: “Allah.” Maka katakanlah “Mangapa kamu tidak bertakwa kepada-Nya)?”

Posted in 1

Community Forestry

•March 23, 2009 • Leave a Comment

Intro to ‘the local project’ community forest Jan Alexander

Community Forestry: India

Posted in 1

META ANALYSIS using SPSS – Forest Plot

•March 12, 2009 • Leave a Comment

META ANALYSIS PROGRAM USING SPSS

Source:http://www.nabble.com/’Forest-plots’-or-Errror-bar-charts-in-SPSS-td6308879.html

Buat Program dibawah ini dengan SPSS syntax Editor

Kemudian dari SPSS syntax editor, pilih Run > All

* Sample dataset (processed data )*.

DATA LIST LIST/ trial(F4) year(A5) study(A10) measure cilow ciup percwi(4 F8.3).

BEGIN DATA

1 “1989″ “Hodnett ” .502 .262 .962 4.940

2 “1991″ “Kennell ” .352 .216 .575 8.694

3 “1992″ “Bréart-Fr” .785 .483 1.276 8.878

4 “1992″ “Bréart-Bg” .811 .653 1.007 44.598

5 “1997″ “Gagnon ” .867 .573 1.311 12.237

6 “1998″ “Langer ” .280 .203 .384 20.654

7 “ ” “Total ” .594 .514 .687 100.000

END DATA.

EXECUTE.

* Assuming you have SPSS 14 or higher:

SORT CASES BY trial(D).

STRING YearAndStudy(A30).

COMPUTE YearAndStudy=CONCAT(RTRIM(year),” “,study).

COMPUTE RefLine=1.

GGRAPH

/GRAPHDATASET NAME=”graphdataset” VARIABLES=YearAndStudy ciup cilow measure percwi RefLine

MISSING=LISTWISE REPORTMISSING=NO

/GRAPHSPEC SOURCE=INLINE.

BEGIN GPL

SOURCE: s=userSource(id(”graphdataset”))

DATA: YearAndStudy=col(source(s), name(”YearAndStudy”), unit.category())

DATA: ciup=col(source(s), name(”ciup”))

DATA: cilow=col(source(s), name(”cilow”))

DATA: measure=col(source(s), name(”measure”))

DATA: percwi=col(source(s), name(”percwi”))

DATA: RefLine=col(source(s), name(”RefLine”))

COORD: transpose(rect(dim(1,2), transpose()))

GUIDE: axis(dim(2), label(” Favours treatment Favours Control”))

SCALE: cat(dim(1))

SCALE: log(dim(2))

ELEMENT: interval(position(region.spread.range(YearAndStudy*(cilow+ciup))),

shape(shape.line), color(color.black))

ELEMENT: point(position(YearAndStudy*measure), shape(shape.square),

size(percwi), color.interior(color.black))

ELEMENT: line(position(YearAndStudy*RefLine), shape(shape.line))

END GPL.

GRAPH /HILO(SIMPLE)=VALUE( ciup cilow measure ) BY study.

Meta Analysis SPSS - Forest Plot

meta-analysis-spss-data

Referensi terkait:
http://www.spsstools.net/Syntax/MetaAnalysis/META-SPSS.ZIP

Posted in 1

OPOR AYAM PERANTAUAN

•March 12, 2009 • Leave a Comment

opor awal

Opor Ayam and Thesis 1. Jahe, bawang putih, bawang merah dihaluskan-kasi garam dikit biar gampang. (bumbu segar)
2. Tumis bumbu seger dan bumbu instant sampe wangi, masukin daun2nya (daun salam, jeruk dan sereh).
3. Kasi air dikit, masukin ayamnya, sampai meresap ke ayamnya.
4. Tambahin air sesuai selera, kemudian
5. Masukin santennya agak belakangan biar tidak terlalu berminyak.
6. Siap dihidangkan, taburi bawang goreng biar lebih sedap.
7. Rasakan Bedanya (jelas beda dengan produk local Indonesia)
8. Alhamdulillah akhirnya makan opor bikinan sendiri …..

Posted in 1

Prasasti Menuju Bab 2 — Bingung

•February 21, 2009 • Leave a Comment

Sabtu, 21 Februari 2009, 12.11 pm, Japan

Wiro
kalo saya kesulitannya menuangkan mana yg duluan
mbulet terus
he he
kdg2 nggak fokus

ab:
hehehe, sak jane kui bisa dianggap mudah pak
saya dulu sering begitu
pun terjadi pada Interns Mr G
yg kebetulan dapat tugas dari Mr S
simply, bukan karena gak ngerti
bukan gak mampu
tapi lebih ke bingung
mana yg duluan
dan apakah yg sudah ada pada saya cukup
dan seterusnya, dan akhir e nggak kegarap or gak ketulis
berkutat dgn kebingungan trus pak

wiro:
betul sekali

ab:
ntah cocok apa gak buat pak wiro

wiro:
ditambah nggak iso inggris
ab:
saran saya:
1. petakan dalam kertas poin besar dalam kertas yg menjadi kebingungan
2. lingkari masing2 masalah besar tersebut
3. bikin interkoneksi dari lingkaran tersebut
yg memang punya hubungan
Selanjutnya akan mulai terlihat apa yg benernya sedang kita kerjakan
dan darimana sebaiknya memulai
begitu kira2 pak

wiro:
thanks banget

ab:
teknik spt ini dikenali sbagai scratching idea
banyak cara benernya
di tahun 2006 itu terjadi pada saya saat kudu menulis paper, yg mana saya belum punya egitu pula dgn bahasa inggris saya
Bahkan saya dulu gak ngerti apa yg harus saya tulis dalam sebuah paragraf
apa arti sebuah paragraf
pokok e jadi ketok bodo banget lah saya melihat diri saya
padahal hal2 spt itu jg pernah dipelajari sebelumnya
tapi kenapa tiba2 spt tidak tau apa2
itu yg pernah saya alami pak
tak lain cuman krn kena “load pressure”
menjadikan diri kita sendiri jadi merasa tak tau apa2 dan tak bisa apa2
kira2 begitu pak,
Mr G yg saya ceritakan tadi, pun alhamdulliah justru bisa memetakan permasalahan dan memulai menulis
tapi menulis e lain, krn kudu menulis sebuah program
ttg sesuatu yg dia tak pernah bayangkan semula, tak punya ilmunya sebelumnya
Jika pak wiro butuh teman untuk diskusi, walau mungkin saya gak begitu di bidang sosial, saya ok aja kok pak Insya Allah ada waktu

Wiro:
Thanks Banget
mungkin saya harus menyiapkan scratching ideanya dulu
and mulai memetakan

ab:
sip pak

———————————————————————————————————
*) Terima Kasih Pak Ahmad Basuki yang telah memberikan nasihat dan wawasan-nya

Posted in 1
Tags: Menulis Thesis Bab 2

LIN’S CONCORDANCE CORRELATION COEFFICIENT (Correlation Coefficient with Small Sample)

•February 20, 2009 • 3 Comments

Tanggal 20 February 2009, Teh Lusi menanyakan bagaimana mengihung korelasi dengan sampel kecil n<30 (Untuk data skala interval atau rasio, Jika sampel besar bisa kita gunakan korelasi Pearson).
Saya sudah kasih software PRAM untuk menghitung korelasi dengan sampel kecil, beliau minta ” Kalo bisa dengan SPSS atau TSP”. Akhirnya dengan ijin Allah SWT, aku dapatkan metode tersebut dengan mencari di google.
Metode tersebut : LIN’S CONCORDANCE CORRELATION COEFFICIENT.

Dan Alhamdulillah akhirnya aku dapatkan pula syntax programnya dengan SPSS.
Semoga bisa bermanfaat, bagi siapa saja yang membutuhkan.

SYNTAX SPSS dari LIN’S CONCORDANCE CORRELATION COEFFICIENT

*********************************************
* LIN’S CONCORDANCE CORRELATION COEFFICIENT *
*********************************************
* (c) Marta Garcia-Granero (08/2005) *
* magrciagranero@gmail.com *
* Downloaded from: http://gjyp.nl/marta/Lin.sps*
* Feel free to use or modify this code, but *
* acknowledge the author and the web site *
*********************************************

DESCRIPTION

Lin’s concordance correlation coefficient measures how well a new set of
observations reproduce an original set. So, for example, it can be used to
assess the effectiveness of new instruments or measurement methods.
The coefficient is calculated by multiplying two components. The first is
the ordinary Pearson correlation coefficient, which essentially assesses the
linear relationship between the two sets of measurements. However, for the
second set to reproduce the first, the slope of the line relating the two
sets should be one, and the line should go through the origin. These other
aspects are assessed by the second component, which is known as Cb.

METHOD

The coefficient Rc is derived by Lin (1989) by considering how well the
relationship between the measurements is represented by a line through the
origin at an angle of 45 degrees (as would be generated if the two
measurements generated identical results):

Rc = 1 – dc²/du²

where dc² is the expected squared perpendicular deviation from the line, and
du² is the expected squared perpendicular deviation from the line when the
measurements are uncorrelated.

This can be written as

Rc = R × Cb
The term R is the standard Pearson product-moment correlation coefficient,
while Cb is a bias correction factor which is calculated by

Cb = 2 / (v + 1/v + u²)
v = s1/ s2
u = (m1 – m2) / SQRT(s1 × s2) –> ‘Mean shift’

where mi and si (i = 1,2) are the mean and standard deviation of the ith set
of measurements.

The Z-transformation (Fisher) is
Z = 0.5 × (log(1 + Rc)/(1 – Rc))

The standard deviation of the Z-transformed coefficient is calculated as
defined by Lin (2000). See formula 31 & 32 in: “Assessment of the Adequacy
of Mathematical Models”, by Luis Orlindo Tedeschi.
http://nutritionmodels.tamu.edu/mes/docs/model_adequacy.pdf

SCALE

0.21–0.40 Fair
0.41–0.60 Moderate
0.61–0.80 Substantial
0.81–1.00 Almost perfect

REFERENCES

- Lin, L.I. (1989). A concordance correlation coefficient to evaluate
reproducibility. Biometrics, 45, 255-268.
- Lin, L.I. (2000). A note on the concordance correlation coefficient.
Biometrics, 56, 324-325.

* BEGINNING OF SYNTAX *.

DEFINE LINCCC(!POS=!CMDEND).
MATRIX.
PRINT /TITLE=”Lin’s Concordance Coefficient”.
GET pair
/VARIABLES=!1
/NAMES=vname
/MISSING OMIT.
COMPUTE n=NROW(pair).
COMPUTE mean=CSUM(pair)/n.
COMPUTE variance=(CSSQ(pair)-n*mean&**2)/(n-1).
PRINT {mean;variance}
/TITLE=’X & Y Statistics’
/FORMAT=’F8.3′
/RLABELS=’Mean’,'Variance’
/CNAMES=vname.
PRINT n
/TITLE=’Nr. of valid pairs’
/FORMAT=’F8.0′.
COMPUTE covxy=((T(pair(:,1))*pair(:,2))-n*mean(1)*mean(2))/(n-1).
COMPUTE r=covxy/SQRT(variance(1)*variance(2)).
COMPUTE ncovxy=covxy*(n-1)/n.
COMPUTE nvarx=variance(1)*(n-1)/n.
COMPUTE nvary=variance(2)*(n-1)/n.
COMPUTE sdx=SQRT(nvarx).
COMPUTE sdy=SQRT(nvary).
COMPUTE lcc=2*ncovxy/(nvarx+nvary+(mean(1)-mean(2))**2).
COMPUTE cb=lcc/r.
COMPUTE zr=.5*LN((1+lcc)/(1-lcc)).
COMPUTE u=((n-1)/n)*(mean(1)-mean(2))/(SQRT(sdx*sdy)).
COMPUTE u2=u**2.
COMPUTE u4=u**4.
COMPUTE r2=r**2.
COMPUTE rc2=lcc**2.
COMPUTE rc3=lcc**3.
COMPUTE rc4=lcc**4.
COMPUTE term1=((1-r2)*rc2)/((1-rc2)*r2).
COMPUTE term2=(2*(rc3-rc4)*u2)/(r*((1-rc2)**2)).
COMPUTE term3=(rc4*u4)/(2*r2*((1-rc2)**2)).
COMPUTE sezr=SQRT((term1+term2-term3)/(n-2)).
COMPUTE lowz1=zr-1.645*sezr.
COMPUTE lowzr=zr-1.959964*sezr.
COMPUTE uppzr=zr+1.959964*sezr.
COMPUTE lowr1=((exp(2*lowz1))-1)/((exp(2*lowz1))+1).
COMPUTE lowr=((exp(2*lowzr))-1)/((exp(2*lowzr))+1).
COMPUTE uppr=((exp(2*uppzr))-1)/((exp(2*uppzr))+1).
PRINT {covxy,r}
/TITLE=’Association statistics’
/FORMAT=’F8.4′
/CLABELS=”Cov.”,”R”.
PRINT {lcc,cb,ABS(u)}
/TITLE=”Lin’s Concordance Coefficient & related statistics”
/CLABELS=’Rc’,'Cb’,'Mn.Shift’
/FORMAT=’F8.3′.
PRINT {lowr,uppr}
/FORMAT=’F8.3′
/CLABELS=’Lower’ ‘Upper’
/TITLE=’95%CI for Rc’.
PRINT lowr1
/FORMAT=’F8.3′
/TITLE=’Lower one-sided 95% CL for Rc’.
PRINT {zr,sezr}
/FORMAT=’F8.3′
/CLABEL=’Z',’SE(Z)’
/TITLE=’Fisher transformation:’.
END MATRIX.
!ENDDEFINE.

* Sample dataset *.
DATA LIST LIST /var1 var2 (2 F8.0).
begin data
494 512
395 430
516 520
434 428
476 500
557 600
413 364
442 380
650 658
433 445
417 432
656 626
267 260
478 477
178 259
423 350
427 451
END DATA.