APLIKASI SPSS DAN SAS
UNTUK PERANCANGAN PERCOBAAN
Aplikasi Pertanian Aplikasi Peternakan Aplikasi Kehutanan Aplikasi MIPA
Muhammad Aqil Roy Efendi
APLIKASI
SPSS DAN SAS
UNTUK PERANCANGAN PERCOBAAN Cetakan Ke-1, Maret 2015 vi + 226 hlm, 14.5 x 20.5 cm ISBN: 978-602-1083-07-9 Penulis Muhammad Aqil Roy Efendi Editor Husni Mubarok Desain Cover Dany RGB Setting lay-out: Eko Taufik
Diterbitkan oleh: Absolute Media Beran, Rt 07 No 56 Tirtonirmolo Kasihan Bantul Yogyakarta Phone: (0274) 8276966/087839515741 email:
[email protected]
Dilarang keras mereproduksi sebagian atau seluruh isi buku ini, dalam bentuk apa pun atau dengan cara apa pun, serta memperjualbelikannya tanpa izin tertulis dari Penerbit. ©Hak Cipta Dilindungi Oleh Undang-Undang
APLIKASI
SPSS DAN SAS
UNTUK PERANCANGAN PERCOBAAN Aplikasi Aplikasi Aplikasi Aplikasi
Muhammad Aqil Roy Efendi
Pertanian Peternakan Kehutanan MIPA
KATA PENGANTAR Keberhasilan pembangunan di bidang pertanian, peternakan, kehutanan, perikanan dan bidang lainnya sangat tergantung pada keberhasilan penelitian untuk penciptaan teknologi unggul. Hal ini tentu saja membutuhkan perencanaan yang sistematik termasuk dalam hal perencanaan penelitian. Oleh karena itu rancangan percobaan merupakan awal dari proses penciptaan teknologi untuk petani. Seiring kemajuan teknologi, perencanaan percobaan dan analisis datanya lebih mudah dilakukan dengan bantuan software statistik. Diantara program statistik yang banyak digunakan adalah SPSS dan SAS. SPSS telah dikenal secara luas sebagai perangkat analisis yang ampuh bukan hanya di bidang eksakta tetapi juga bidang ekonomi dan sosial budaya. SAS sendiri mempunyai kelebihan yang memungkinkan menganalisis data yang banyak dalam waktu singkat. Buku Aplikasi SPSS dan SAS untuk Perancangan Percobaan dibuat untuk membantu pengguna untuk menganalisis data secara praktis. Buku ini membahas berbagai aspek diantaranya dasar perancangan percobaan, analisis rancangan acak lengkap, rancangan acak kelompok, rancangan petak terpisah, bujur sangkar latin, analisis regresi, analisis korelasi dan analisis lintas. Dengan beragam contoh yang disajikan diharapkan dapat membantu pengguna dalam menggunakan aplikasi ini
Penulis
DAFTAR ISI Kata Pengantar Bab 1. Pengantar Rancangan Percobaan ………………………………………… Bab 2. Aplikasi Rancangan Acak Lengkap (one way Anova) Pembuatan Layout Percobaan dan Pengacakan ………………………………. Contoh Aplikasi RAL 1 Faktor Menggunakan SPSS ………………………… Contoh Aplikasi RAL 1 Faktor Menggunakan SAS ………………………… Bab 3. Aplikasi Rancangan Acak Kelompok (RAK) 1 Faktor Pembuatan Layout Percobaan dan Pengacakan ………………………….. Contoh Aplikasi RAK 1 Faktor Menggunakan SPSS ………………………. Contoh Aplikasi RAK 1 Faktor Menggunakan SAS ………………………… Bab 4. Aplikasi Rancangan Acak Lengkap 2 Faktor (Two way Anova) Pembuatan Layout Percobaan dan Pengacakan Faktorial …………….. Contoh Aplikasi RAL Faktorial Menggunakan SPSS
……………………..
Contoh Aplikasi RAL Faktorial Menggunakan SAS ……………………….. Bab 5. Aplikasi Rancangan Acak Kelompok 2 Faktor Pembuatan Layout Percobaan dan Pengacakan Faktorial …………….. Contoh Aplikasi RAK 2 Faktor Menggunakan SPSS ……………………… Contoh Aplikasi RAK 2 Faktor Menggunakan SAS ……………………….. Bab 6. Rancangan Acak Kelompok 3 Faktor (Three Way Anova) Layout Percobaan dan Pengacakan 3 Faktor ……………………………… Contoh Aplikasi RAK 3 Faktor Menggunakan SPSS ……………………… Contoh Aplikasi RAK 3 Faktor Menggunakan SAS ………………………… Bab 7. Aplikasi Rancangan Petak Terpisah (RPT) Layout dan Pengacakan Petakan ……………………………………………… Contoh Aplikasi RPT Menggunakan SPSS ………………………………….. Contoh Aplikasi RPT Menggunakan SAS ……………………………………. Bab 8. Aplikasi Rancangan Petak Petak Terpisah (RPPT) Layout Percobaan dan Pengacakan RPPT …………………………………..
Contoh Aplikasi RPPT Menggunakan SPSS ………………………………… Contoh Aplikasi RPPT Menggunakan SAS ………………………………….. Bab 9. Aplikasi Rancangan Bujur Sangkar Latin (BSL) Layout Percobaan dan Pengacakan BSL ……………………………………. Contoh Aplikasi BSL Menggunakan SPSS …………………………………….. Contoh Aplikasi BSL Menggunakan SAS ……………………………………. Bab 10. Aplikasi Regresi Linier Sederhana ……………………………………… Bab 11. Aplikasi Regresi Linier Berganda ……………………………………….. Bab 12. Aplikasi Analisis Korelasi …………………………………………………….. Bab 13. Aplikasi Analisis Jalur (Path Analysis) ………………………………. Bab 14. Uji Deskriptif, Validitas dan Normalitas Data …………………….. Daftar Pustaka ……………………………………………………………………………….. Profil Penulis …………………………………………………………………………………….
BAB 1 PENGANTAR RANCANGAN PERCOBAAN Suatu percobaan baik yang dilakukan di lapangan maupun di laboratorium bertujuan untuk memberikan informasi ilmiah atas pertanyaan ataupun hipotesis yang dibuat. Sebagai contoh apakah introduksi varietas jagung sintetik dari luar negeri dapat memberikan hasil yang lebih tinggi dibandingkan varietas yang sudah berkembang saat ini. Pertanyaan lain misalnya apakah penggunaan pupuk hayati secara berkelanjutan efektif meningkatkan kesuburan tanah. Untuk menjawab pertanyaan tersebut perlu dilakukan suatu percobaan. Tahapan singkat pelaksanaan suatu percobaan meliputi penetapan maksud dan tujuan, penggunaan rancangan percobaan (jenis rancangan, jumlah perlakuan dan jumlah ulangan) serta yang kalah pentingnya analisis dan interpretasi data dan penarikan kesimpulan. Rancangan percobaan adalah suatu prosedur pengumpulan data percobaan baik yang dilakukan di lapangan maupun di laboratorium agar dapat ditarik kesimpulan terhadap objek yang di teliti. Dalam rancangan percobaan faktor yang sangat penting untuk menjadi perhatian adalah penentuan perlakuan dan jumlah ulangan. Hasil yang baik diperoleh dari percobaan yang perlakuan-perlakuannya dipilih secara cermat terlebih dahulu. Jenis perlakuan dapat bervariasi tergantung faktor yang akan diteliti, misalnya varietas, dosis pemupukan, waktu penyimpanan, herbisida dan lain-lain. Dengan melihat perlakuan yang ada maka pemilihan model rancangan yang tepat juga dapat dilakukan. Sebagai contoh percobaan pengujian efektifitas herbisida baru untuk pengendalian gulma pada tanaman jagung hibrida. Dalam kasus ini, peneliti biasanya telah mengetahui ambang batas bawah atau atas konsentrasi bahan aktif yang berpengaruh terhadap tanaman. Apabila dalam percobaan ingin diketahui tanggapan hasil tanaman terhadap perlakuan herbisida maka laju penyemprotan dapat dibuat dalam beberapa tingkatan, misalnya 5 level. Untuk memudahkan perhitungan, dosis penyemprotan
biasanya dipilih dengan selang yang sama misalnya 0,5 liter bahan aktif/ha, 1 liter/ha, 1,5 liter/ha, 2 liter/ha dan 2,5 l/ha. Galat Percobaan Dalam keseharian kadangkala kita dihadapkan pada adanya perbedaan antara yang kita inginkan dengan kenyataan. Sebagai contoh, kita menanam jagung menggunakan varietas hibrida yang dikemas dalam kantong 1 kg. Setelah menanam tentu saja kita mengharapkan akan memperoleh hasil yang sama pada setiap tanaman atau petakan. Tetapi dalam kenyataan hasil yang diperoleh berbeda antar tanaman, bahkan tidak ada tanaman yang mempunyai hasil yang sama. Perbedaan hasil antara dua tanaman atau kelompok tanaman dalam istilah statistik disebut galat percobaan (experimental error). Dalam suatu percobaan, nilai galat dijadikan ukuran ketelitian dan dasar perbandingan antara rata-rata hasil perlakuan. Faktor-faktor yang menyebabkan timbulnya galat adalah adanya keragaman pada lokasi penelitian, dan pada penelitian lapangan galat umumnya terjadi karena perbedaan tingkat kesuburan antara petak perlakuan.
Faktor lain adalah
kesalahan/ketidakcermatan dalam pelaksanaan penelitian termasuk pengukuran parameter. Ulangan, Pengacakan dan Pengelompokan Untuk meningkatkan ketelitian, suatu percobaan memerlukan ulangan. Ulangan dilakukan selain untuk mengendalikan ragam galat percobaan juga untuk memperluas daya cakup dari kesimpulan yang akan diambil. Galat percobaan timbul karena adanya perbedaan yang terjadi pada petakan yang telah diperlakukan sama. Jadi, tanpa adanya ulangan maka galat percobaan tidak dapat dihitung. Hasil optimal dapat dicapai dengan menerapkan teknik pengacakan yang benar. Tata letak plot setiap perlakuan perlu di acak untuk menjamin keragaman
perlakuan. Pengacakan dilakukan dengan tujuan untuk menjaga agar perlakuan bebas dari bias yang disebabkan oleh perbedaan lingkungan percobaan. Pengacakan dapat dilakukan dengan menggunakan daftar acak atau dengan software statistik. Galat
dapat
pengelompokan
diminimalkan
perlakuan.
dengan
Prosedurnya
menerapkan adalah
kontrol
dengan
lokal
membagi
dalam tempat
percobaan kedalam beberapa petak atau kelompok. Pada setiap petakan perlu diusahakan agar kesuburan tanah sama. Selain itu peneliti harus mempunyai kemampuan
untuk
memilih
lokasi
untuk
pelaksanaan
percobaan.
Praktek
manajemen pertanaman juga perlu diperhatikan sehingga diperoleh hasil optimal. Buku ini akan menyajikan berbagai bentuk rancangan percobaan diantaranya: 1. Rancangan Acak Lengkap (Completely Randomized Design) 2. Rancangan Acak Kelompok (Completely Randomized Block Design) 3. Rancangan Acak Lengkap Faktorial (Faktorial Randomized Design) 4. Rancangan Acak Kelompok Faktorial (Faktorial Randomized Bock Design) 5. Rancangan Petak Terbagi (Split Plot Design) 6. Rancangan Petak Petak Terbagi (Split Split Plot Design) 7. Rancangan Bujur Sangkar Latin (Latin Square Design) Pengolahan data rancangan percobaan saat ini semakin mudah dilakukan dengan banyaknya software statistik, diantaranya yang banyak digunakan adalah SPSS (Statistical Product and Service Solution) dan SAS (Statistical Analysis System). Kedua software mempunyai beberapa kelebihan diantaranya tampilannya berbasis windows sehingga user friendly. Selain itu software ini juga dapat menganalisis permasalahan yang kompleks termasuk data mining.
BAB 2. APLIKASI RANCANGAN ACAK LENGKAP 1 FAKTOR Rancangan Acak Lengkap (RAL) merupakan rancangan yang paling sederhana dibanding rancangan lainnya. Penggunaan RAL di berbagai bidang penelitian telah banyak dilaporkan. RAL digunakan jika kondisi unit percobaan yang digunakan relatif homogen. Percobaan ini umumnya dilakukan di laboratorium atau rumah kaca dengan melibatkan sedikit unit percobaan. Kelebihan penggunaan metode RAL diantaranya
Pembuatan layout percobaan lebih mudah dilakukan
Analisis sidik ragam relatif lebih sederhana
Fleksibel dalam penggunaan jumlah perlakuan dan jumlah ulangan
Adapun contoh percobaan yang menggunakan RAL 1 faktor adalah:
Analisis pertumbuhan jagung manis pada percobaan pot di rumah kaca
Pengaruh konsentrasi nira terhadap kandungan etanol jagung di laboratorium
Analisis daya hasil varietas unggul padi terhadap varietas lokal
Pengaruh penambahan pupuk kandang terhadap hasil jagung Peletakan tiap perlakuan perlu dilakukan secara acak pada seluruh tempat
percobaan. Pada rancangan ini, pengelompokan tidak diperlukan. CONTOH KASUS: Analisis Pengaruh Pupuk Urea Terhadap Hasil Jagung Menggunakan RAL 1 Faktor Sebuah penelitian dilakukan untuk mengetahui pengaruh dosis pupuk urea terhadap hasil jagung komposit. Percobaan dilakukan dengan menggunakan pot di rumah kaca. Percobaan terdiri atas 6 dosis pupuk dengan 5 ulangan. Penyelesaian Jumlah perlakuan = 6 dengan 5 ulangan sehingga diperlukan 30 petakan/pot. Setelah diadakan pengacakan diperoleh hasil sebagai berikut: 1
1
7
D
E
13
2
8
25
A
14 D
19
C
C
A
3
E
9
E
15 B
20
26
E
F
4
10
27
11
B
16 F
21
5
A
B
C
28
A
17 E
22
F
6
12
23
29
F
D
18 B
A
C
C
D
D
24
30
F
B
Perlakuan: A= dosis 0 Kg/ha; B = 50 Kg/ha; C = 100 kg/ha; D = 200 Kg/ha; E = 250 Kg/ha
Data pengamatan hasil jagung yang diperoleh adalah: dosis pupuk (kg/ha) 0 50 100 150 200 250
Ulangan I 31,3 38,8 40,9 40,9 39,7 40,6
Hasil jagung (ku/ha) Ulangan II Ulangan III Ulangan IV 33,4 37,5 39,2 41,7 40,6 41,0
29,2 37,4 39,5 39,4 39,2 41,5
32,2 35,8 38,6 40,1 38,7 41,1
Ulangan V 33,9 38,4 39,8 40,0 41,9 39,8
Penyelesaian Model yang akan digunakan untuk analisis sidik ragam adalah one way anova dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel dan lakukan tabulasi seperti Gambar 1. Simpan dengan nama
ral1faktor.xls
2
Gambar 1. Tampilan data entri di Excel 2. Buka program SPSS pada Komputer, selanjutnya akan muncul data view. Impor data dari Excel dengan klik File > Open > Data
Gambar 2. Tampilan open data di SPSS 3. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih ral1faktor.xls dilanjutkan dengan klik Open. Kotak dialog opening excel data source ditampilkan.
3
Gambar 3. Kotak dialog open data 4. klik Continue maka data akan ditampilkan di data view spss seperti berikut.
Gambar 4. Data view Perlakuan dan hasil 5. Selanjutnya kita akan melakukan analisis varians, klik Analyze > Compare means
> one way anova.
4
Gambar 5 Tampilan menu one way anova 6. Selanjutnya kotak dialog One way Anova ditampilkan. Pilih variabel Hasil dan klik ke Dependent List, variabel Hasil akan berpindah ke kanan (lihat gambar 6). Selanjutnya pada Faktor pilih Perlakuan dan klik tanda panah ke kanan, variabel perlakuan akan berpindah ke kanan (Lihat gambar 6).
Gambar 6. Memasukkan variabel
5
7. Masih pada kotak dialog One way anova, kali ini kita akan melakukan uji Duncan. Klik menu Post Hoc yang terletak di sebelah kanan, pilih uji Duncan
dan Klik
Continue. Apabila semua data sudah lengkap maka SPSS siap memproses data, klik OK, maka Output Model akan ditampilkan.
Gambar 7. One way anova: post Hoc multiple comparison OUTPUT MODEL ANOVA Hasil Sum of Squares
df
Mean Square
F
Sig.
Between Groups
277.686
5
55.537
39.854
.000
Within Groups
33.444
24
1.393
Total
311.130
29
Berdasarkan hasil ANOVA, pada kolom Sig diperoleh nilai P (P-value) = 0.000. Dengan demikian, pada taraf alpha = 0.05 kita menolak Ho sehingga dapat disimpulkan bahwa terdapat perbedaan yang sangat nyata antara dosis pemupukan dengan hasil jagung. Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan uji lanjut (post Hoc) untuk melihat pengaruh antar perlakuan. Hasil uji Duncan adalah: 6
Post Hoc Tests Homogeneous Subset Duncan
Hasil Subset for alpha = 0.05
perlaku an
N
1
1 2 3
5 5 5
32.00
5 4 6
5 5 5
2
3
37.58 39.60 40.02 40.42 40.80
Untuk memudahkan interpretasi maka tabel diatas dapat diberi kode huruf, dimulai dengan huruf “ a “ pada kolom dengan nilai tertinggi. Selain itu perlu diingat bahwa kolom yang sama mempunyai kode huruf yang sama. Duncan
Hasil Subset for alpha = 0.05
Perlaku an
N
1
1 2 3
5 5 5
32.00 c
5 4 6
5 5 5
2
3
37.58 b 39.60 a 40.02 a 40.42 a 40.80 a
Catatan: Kolom yang sama mempunyai kode huruf yang sama Pemberian kode huruf diurutkan dari nilai yang paling tinggi (symbol “a”)
Penyajian akhir dari data adalah: Perlakuan 1 2 3 4 5 6
Dosis Pupuk (kg/ha) 0 50 100 150 200 250
Hasil (ku/ha) 32,00 c 37,58 b 39,60 a 40,02 a 40,42 a 40,80 a
Kesimpulan: Pemberian pupuk dengan dosis 100 kg/ha menghasilkan produksi 39,60 ku/ha dan tidak berbeda nyata dengan dosis 250 kg/ha yang menghasilkan 40,80 ku/ha sehingga dosis pupuk 100 kg/ha yang direkomendasikan (Perlakuan 3). 7
Dalam analisis Anova, seringkali kita bekerja dengan lebih dari satu parameter yang harus di uji secara bersamaan. Contoh Kasus: Analisis Pengaruh Putaran Alat Pencampur Pakan Terhadap Kandungan Nutrisi Pakan Sebuah
penelitian
dilakukan
untuk
mengetahui
pengaruh
putaran
alat
pencampur pakan terhadap komposisi karbohidrat, lemak dan protein dari ransum yang dihasilkan. Penelitian dilakukan di laboratorium dengan menggunakan bahan pakan serta alat pencampur skala lab. Penelitian disusun dengan RAL. Tabulasi data adalah: RPM
Karbohidrat (%)
Lemak (%)
Protein (%)
Alat
Ulangan
Ulangan
Ulangan
I
II
III
I
II
III
I
II
III
600
8,037
8,035
8,037
4,504
4,540
4,510
5,680
4,750
6,250
700
6,064
6,063
6,061
2,350
2,340
2,342
11,54
10,20
9,89
800
5,036
6,034
6,034
1,254
1,255
1,250
14,04
15,94
12,60
Penyelesaian Model yang akan digunakan untuk analisis sidik ragam adalah one way anova dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti beriku. Simpan dengan nama ral3parameter.xls
8
Gambar 8. Tampilan data entri di Excel 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data
Gambar 9.Tampilan open data 3. Selanjutnya pada dialog File Type pilih Excel dan File name pilih ral3parameter.xls dilanjutkan dengan klik Open. 4. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.
Gambar 10. Data view di spss 9
5. Selanjutnya kita akan melakukan analisis anova secara bersamaan terhadap ketiga parameter. Klik Data > Split File sebagai berikut.
Gambar 11. Tampilan menu split file 6. Selanjutnya akan muncul kotak dialog split file. Pilih Analyze all cases do not
create groups diikuti dengan klik OK
Gambar 12. Kotak dialog menu split file
10
7. Untuk analisis varians, klik Analyze > Compare means > one way anova sebagai berikut.
Gambar 13. Tampilan menu one way anova 8. Pilih variabel Protein dan klik ke Dependent List. Lakukan hal yang sama pada variabel Karbohidrat dan Lemak. Selanjutnya pada Faktor pilih Perlakuan dan klik tanda panah kekanan (Lihat gambar 14).
Gambar 14. Memasukkan variabel 9. Masih pada kotak dialog One way anova, kali ini kita akan melakukan uji Duncan. Caranya Klik menu Post Hoc dan pilih uji Duncan > Continue. Apabila semua data sudah lengkap maka SPSS siap memproses data, klik OK. 11
OUTPUT MODEL ANOVA Sum of Squares Protein
Between Groups
Mean Square
112.691
2
56.345
8.298
6
1.383
120.988
8
9.479
2
4.740
.663
6
.111
Total
10.142
8
Between Groups
16.577
2
.001
6
16.578
8
Within Groups Total Karbohidrat Between Groups Within Groups Lemak
df
Within Groups Total
F
Sig.
40.743
.000
42.888
.000
8.288 6.109E4
.000
.000
Berdasarkan hasil ANOVA, pada kolom Sig diperoleh nilai P (P-value) = 0.000 (< 0,05) pada parameter karbohidrat, protein dan lemak. Dengan demikian, pada taraf alpha = 0.05 kita menolak Ho sehingga dapat disimpulkan bahwa terdapat perbedaan yang sangat nyata antara RPM alat dengan kadar karbohidrat, protein dan lemak ransum. Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan uji lanjut (post Hoc) untuk melihat pengaruh antar perlakuan. Hasil uji Duncan adalah: Karbohidrat Duncan Subset for alpha = 0.05 per
N
1
3 2 1 Sig.
3 3 3
5.70 b 6.06 b .231
2
8.04 a 1.000
12
Lemak Duncan Subset for alpha = 0.05 per 3 2 1 Sig.
N
1
3 3 3
1.25 c
2
3
2.34 b 1.000
1.000
4.52 a 1.000
Protein Duncan Subset for alpha = 0.05 per 1 2 3 Sig.
N
1
3 3 3
5.56 c
2
3
10.54 b 1.000
1.000
14.19 a 1.000
Catatan: Kolom yang sama mempunyai kode huruf yang sama
Pemberian kode huruf diurutkan dari nilai yang paling tinggi (symbol “a”)
Hasil yang diperoleh selanjutnya dapat di tabulasi untuk memudahkan interpretasi sebagai berikut : Tabel pengaruh RPM alat pencampur terhadap kompisisi nutrisi ransum RPM
Karbohidrat
Lemak
Protein
600 700 800
8,04 a 6,06 b 5,70 b
4,52 a 2,34 b 1,25 c
5,56 c 10,54 b 14,19 a
13
Kesimpulan : 1. kecepatan putaran alat pencampur pakan mempengaruhi secara nyata komposisi nutirsi karbohidrat, protein, dan lemak pada pakan ternak yang dihasilkan. 2. Kecapatan putaran alat 600 RPM merupakan kecepatan putaran yang terbaik untuk pencampuran pakan dengan hasil kadar karbohidrat dan lemak yang nyata paling tinggi, masing-masing sebesar 8,04% dan 4,52%. 3. Kecapatan putaran alat 800 RPM merupakan kecepatan putaran yang terbaik untuk pencampuran pakan dengan hasil kadar protein nyata paling tinggi yaitu 14,19%.
14
ANALISIS DATA MENGGUNAKAN SOFWARE SAS Sistem SAS (Statistical Analysis System) merupakan sistem paket program untuk analisis data dan pelaporan. Pemrograman SAS dibuat pada suatu sistem manajer, yaitu Display Manager System yang terdiri dari tiga window yaitu: 1) Window editor program, berfungsi untuk menulis program. Perintah-perintah SAS ditulis pada window editor program. Suatu perintah dimulai dengan kata kunci dan diakhiri dengan tanda titik koma. Satu program lengkap diakhiri dengan pernyataan run; 2) Wndow Log berguna untuk menampilkan pesan apakah suatu perintah telah berhasil dikerjakan atau terdapat kesalahan; 3) Window Output berfungsi untuk menampilkan hasil proses dari suatu program
Window Output
Window Log
Window Editor
15
Analsis Data 1. Penyusunan data. Sebelum melakukan anlasis data, data yang telah dikumpulkan di input di MS Excel untuk memudahkan pengaturan dan pengeditan data. Setiap faktor dan varibel yang akan dianalisi disusun secara verikal. Contoh Penyusunan data di MS Excel Perlakuan 0 0 0 0 0 50 50 50 50 50 100 100 100 100 100 150 150 150 150 150 200 200 200 200 200 250 250 250 250 250
Ulangan 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
Hasil 31.3 33.4 29.2 32.2 33.9 38.8 37.5 37.4 35.8 38.4 40.9 39.2 39.5 38.6 39.8 40.9 41.7 39.4 40.1 40.0 39.7 40.6 39.2 38.7 41.9 40.6 41.0 41.5 41.1 39.8
16
2. Pengetikan listing SAS Buka software SAS, kemudian klik windows Editor untuk melakukan pengetikan listing SAS
Pengimputan listing SAS
Windows Editor telah aktif
OPTION PS=100; TITLE'RANCANGAN ACAK LENGKAP_ satu faktor'; Data RAL; input Perlakuan$ Ulangan Hasil; cards;
Copy data dari MS. Excel dan paste di sini ; proc anova; class Perlakuan; Model Hasil=Perlakuan; MEAN Perlakuan/DUNCAN; RUN;
Keterangan: Title
= ketik nama judul percobaan disetai dengan tanda ‘...’
Input
= merupakan nama faktor dan variabel yang akan dianalisis
17
proc anova class Model Hasil MEAN Perlakuan/DUNCAN
= = = =
analisis varian; input nama faktor percobaan “perlakuan” Perlakuan = model analisis anova Mean Perlakuan/Duncan = rata-rata setiap perlakuan dan uji lanjut dengan menggunakan uji Duncan. Uji lanjut yang lain dapat digunakan sebagai berikut: Uji BON, DUNCAN, DUNNETT, DUNNETTL, DUNNETTU, GABRIEL GT2, LSD, REGWQ, SCHEFFE, SIDAK, SMM, SNK, TUKEY, WALLER
RUN = menjalankan analisis
3. Copy data dari MS Excel di baris bagian cards; (data yang di copy tidak termasuk nama “factor” dan “variabel”
OPTION PS=60; TITLE'RANCANGAN ACAK LENGKAP_ satu faktor'; Data RAL; input Perlakuan$ Ulangan Hasil; cards; 0 1 31.3 0 2 33.4 0 3 29.2 0 4 32.2 0 5 33.9 50 1 38.8 50 2 37.5 50 3 37.4 50 4 35.8 50 5 38.4 100 1 40.9 100 2 39.2 100 3 39.5 100 4 38.6 100 5 39.8 150 1 40.9 150 2 41.7 150 3 39.4 150 4 40.1 150 5 40.0 200 1 39.7 200 2 40.6 200 3 39.2 200 4 38.7 200 5 41.9 250 1 40.6 250 2 41.0 250 3 41.5 250 4 41.1 250 5 39.8 ;
18
proc anova; class Perlakuan; Model Hasil=Perlakuan; MEAN Perlakuan/DUNCAN; RUN;
setelah listing SAS telah selesai diketik, klik Submit
atau tekan F8
Klik windos Output untuk melihat hasil analsisi
19
RANCANGAN ACAK LENGKAP
14:20 Friday, February 19, 2015
1
The ANOVA Procedure Class Level Information Class
Levels
Perlakuan
Values
6
A B C D E F
Number of observations
30
RANCANGAN ACAK LENGKAP
14:20 Friday, February 19, 2015
2
The ANOVA Procedure Dependent Variable: Hasil DF
Sum of Squares
Mean Square
F Value
Pr > F
5
277.6856667
55.5371333
39.85
<.0001
Error
24
33.4440000
1.3935000
Corrected Total
29
311.1296667
Source Model
Galat
Koefesien keragaman
Source Perlakuan
R-Square
Coeff Var
Root MSE
Hasil Mean
0.892508
3.073863
1.180466
38.40333
DF
Anova SS
Mean Square
F Value
Pr > F
5
277.6856667
55.5371333
39.85
<.0001
20
RANCANGAN ACAK LENGKAP
14:20 Friday, February 19, 2015
3
The ANOVA Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha Error Degrees of Freedom Error Mean Square Number of Means Critical Range
2 1.541
3 1.618
0.05 24 1.3935 4 1.668
5 1.703
6 1.730
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
Perlakuan
A A A A A A A
40.8000
5
250
40.4200
5
150
40.0200
5
200
39.6000
5
100
B
37.5800
5
50
C
32.0000
5
0
Hasil Output di buat dalam bentuk Tabel Anova adalah sebagai berikut: Sumber keragaman db Jumlah kuadrat Kuadrat tengah F hitung Pr > F Perlakuan 5 277.6856667 55.5371333 39.85 <.0001 ** Galat 24 33.444 1.3935 Total 29 311.1296667 Koefesien keragaman (KK) = 3.07% Berdasarkan hasil ANOVA, pada kolom Pr > F (Probality) tercantum nilai signifikan <.0001 yang menunjukkan perlakuan sangat nyata pada taraf α =0,05 sehingga dapat disimpulkan terdapat perbedaan yang sangat nyata antara dosis pemupukan dengan hasil jagung. Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan uji lanjut untuk melihat pengaruh antar perlakuan. Hasil uji Duncan pada output SAS adalah: Perlakuan 1 2 3 4 5 6
Dosis Pupuk (kg/ha) 0 50 100 150 200 250
Hasil (ku/ha) 32,00 c 37,58 b 39,60 a 40,02 a 40,42 a 40,80 a 21
Pada kasus RAL 1 faktor dengan tiga parameter, penyelesaian di SAS adalah: Penyusunan data dalam MS Excel RPM
ulangan Karbohidrat
600 700 800 600 700 800 600 700 800
1 1 1 2 2 2 3 3 3
8.037 6.064 5.036 8.035 6.063 6.034 8.037 6.061 6.034
Lemak
Protein
4.504 2.350 1.254 4.540 2.340 1.255 4.510 2.342 1.250
5.680 11.540 14.040 4.750 10.200 15.940 6.250 9.890 12.600
Ketik listing SAS dalam windos Editor OPTION PS=100; TITLE'RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel'; Data RAL; input RPM ulangan Krbohdrt Lemak Protein ; cards; 600 1 8.037 4.504 5.680 700 1 6.064 2.350 11.540 800 1 5.036 1.254 14.040 600 2 8.035 4.540 4.750 700 2 6.063 2.340 10.200 800 2 6.034 1.255 15.940 600 3 8.037 4.510 6.250 700 3 6.061 2.342 9.890 800 3 6.034 1.250 12.600 ; proc anova; class RPM Ulangan; Model Krbohdrt Lemak Protein = RPM; MEAN RPM/DUNCAN; RUN;
Jalankan perhitungan anlisis dengan mengklik Submit atau F8 Hasil analisis dapat dilihat pada Windows Output RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 1 19:34 Thursday, February 25, 2015 The ANOVA Procedure Class Level Information Class RPM
Levels 3
Values 600 700 800
22
ulangan
3
1 2 3
Number of observations
9
RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 2 19:34 Thursday, February 25, 2015
Anova variabel karbohidrat
The ANOVA Procedure Dependent Variable: Krbohdrt DF
Sum of Squares
Mean Square
F Value
Pr > F
Model
2
9.47814689
4.73907344
42.82
0.0003
Error
6
0.66401000
0.11066833
Corrected Total
8
10.14215689
Source
R-Square
Coeff Var
Root MSE
Krbohdrt Mean
0.934530
5.040347
0.332669
6.600111
Source RPM
DF
Anova SS
Mean Square
F Value
Pr > F
2
9.47814689
4.73907344
42.82
0.0003
RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 3 19:34 Thursday, February 25, 2015
Anova variabel lemak
The ANOVA Procedure Dependent Variable: Lemak DF
Sum of Squares
Mean Square
F Value
Pr > F
Model
2
16.57678200
8.28839100
61093.8
<.0001
Error
6
0.00081400
0.00013567
Corrected Total
8
16.57759600
Source
R-Square
Coeff Var
Root MSE
Lemak Mean
0.999951
0.430595
0.011648
2.705000
Source RPM
Anova variabel protein
DF
Anova SS
Mean Square
F Value
Pr > F
2
16.57678200
8.28839100
61093.8
<.0001
RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 4 19:34 Thursday, February 25, 2015 The ANOVA Procedure
Dependent Variable: Protein DF
Sum of Squares
Mean Square
F Value
Pr > F
Model
2
112.6905556
56.3452778
40.74
0.0003
Error
6
8.2977333
1.3829556
Corrected Total
8
120.9882889
Source
Source
R-Square
Coeff Var
Root MSE
Protein Mean
0.931417
11.64476
1.175991
10.09889
DF
Anova SS
Mean Square
F Value
Pr > F
23
RPM
2
112.6905556
56.3452778
40.74
0.0003
RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 5 19:34 Thursday, February 25, 2015 Uji lanjut Duncan pada variabel karbohidrat
The ANOVA Procedure Duncan's Multiple Range Test for Krbohdrt
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 6 Error Mean Square 0.110668 Number of Means Critical Range
2 .6646
3 .6888
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
RPM
A
8.0363
3
600
B B B
6.0627
3
700
5.7013
3
800
RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 6 19:34 Thursday, February 25, 2015 Uji lanjut Duncan pada variabel lemak
The ANOVA Procedure Duncan's Multiple Range Test for Lemak
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 6 Error Mean Square 0.000136 Number of Means Critical Range
2 .02327
3 .02412
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
RPM
A
4.518000
3
600
B
2.344000
3
700
C
1.253000
3
800
RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 7 19:34 Thursday, February 25, 2015 Uji lanjut Duncan pada variabel protein
The ANOVA Procedure Duncan's Multiple Range Test for Protein
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 6 Error Mean Square 1.382956 Number of Means Critical Range
2 2.350
3 2.435
24
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
RPM
A
14.1933
3
800
B
10.5433
3
700
C
5.5600
3
600
Penyusunan Tabel Anova variabel karbohidrat Sumber keragaman RPM Galat Corrected Total
sb 2 6 8
jumlah Kuadrat kuadrat tengah F Value 9.47814689 4.73907344 42.82 0.66401 0.11066833 10.14215689 KK = 5.040347 %
Pr > F 0.0003 **
Penyusunan Tabel Anova variabel lemak Sumber keragaman RPM Galat Corrected Total
sb 2 6 8
jumlah Kuadrat kuadrat tengah 16.576782 8.288391 0.000814 0.00013567 16.577596 KK = 0.430595 %
F Value 61093.8
Pr > F <.0001 **
Penyusunan Tabel Anova variabel protein Sumber keragaman RPM galat Corrected Total
sb 2 6 8
jumlah kuadrat 112.69000 8.279000
Kuadrat tengah 1.3829556
F Value 40.74
Pr > F 0.0003 **
KK = 11.64476 %
Berdasarkan hasil ANOVA, pada kolom Sig diperoleh nilai P (P-probality) = 0.000 (< 0,001) pada parameter karbohidrat, protein dan lemak pada taraf nyata α = 0.05. Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan uji lanjut untuk melihat pengaruh antar perlakuan. Hasil uji Duncan pada output SAS adalah RPM
Karbohidrat (%)
Lemak (%)
Protein (%)
600 700 800
8,04 a 6,06 b 5,70 b
4,52 a 2,34 b 1,25 c
5,56 c 10,54 b 14,19 a
25
BAB 3 APLIKASI RANCANGAN ACAK KELOMPOK 1 FAKTOR Rancangan Acak Kelompok atau biasa disingkat RAK digunakan jika kondisi unit percobaan yang digunakan tidak homogen. Dalam rancangan ini, petakan percobaan dibagi menjadi beberapa kelompok. Masing-masing kelompok di bagi lagi menjadi beberapa petak yang banyaknya sama dengan jumlah perlakuan. Adapun tujuannya adalah untuk menjaga agar keragaman antara perlakuan dalam satu kelompok sekecil mungkin. Manfaat rancangan ini adalah adanya pembagian kedalam kelompok sehingga keragaman yang disebabkan oleh kelompok dapat disisihkan. Di samping itu rancangan ini juga dapat menurunkan galat percobaan, yang berarti pula meningkatkan ketelitian percobaan. Percobaan ini umumnya dilakukan di lapangan atau laboratorium, diantaranya:
Pengaruh jenis varietas terhadap karakter agronomi tanaman jagung
Pengaruh penggunaan jagung sebagai campuran bahan pakan terhadap perkembangan ternak
Pengaruh pemupukan N, P dan K terhadap hasil jagung
Urutan kegiatan dalam RAK adalah sebagai berikut:
Tentukan jumlah perlakuan dan jumlah kelompok
Tentukan lokasi percobaan
Buat denah percobaan berdasarkan jumlah perlakuan dan kelompok
Lakukan pengacakan perlakuan pada setiap blok
Contoh denah dan pengacakan menggunakan RAK
Blok I
D1
B1
C1
A1
E1
Blok II
C1
A1
E1
B1
D1
B1
E1
D1
C1
A1
Blok III
Perlakuan: A = Varietas Pulut A, B = Pulut B, C = Pulut C, D = Pulut D dan E = Pulut E
CONTOH KASUS:
Analisis Pengaruh Varietas terhadap Hasil Jagung Menggunakan RAK 1 Faktor
Sebuah penelitian dilakukan untuk mengetahui pengaruh jenis varietas terhadap hasil jagung pulut. Penelitian terdiri atas 5 macam varieas jagung pulut lokal dengan 3 ulangan. Penelitian menggunakan rancangan acak kelompok. Data pengamatan adalah: Varietas Pulut A Pulut B Pulut C Pulut D Pulut E
Hasil (t/ha) Blok I 4,5 4,8 4,9 5,1 5,2
Blok II 4,7 4,9 5,0 5,1 5,1
Blok III 4,8 4,8 4,8 4,9 5,2
Penyelesaian Model yang akan digunakan untuk analisis sidik ragam adalah general linear model dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan dengan nama rak1faktor.xls
Gambar 1. Tampilan data entri di Excel 2. Buka program SPSS, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data
Gambar 2. Tampilan open data di SPSS 3. Selanjutnya pada dialog File Type pilih Excel dan File name pilih rak1faktor.xls dilanjutkan dengan klik Open. Selanjutnya akan muncul kotak dialog data source.
Gambar 3. Kotak dialog open data
4. klik Continue maka data akan ditampilkan di data view spss seperti berikut.
Gambar 4. Data view Perlakuan dan hasil 5. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model > univariate.
Gambar 5. Tampilan menu general linear model
6. Selanjutnya kotak dialog Univariate ditampilkan. Pilih variabel Hasil
dan klik ke
Dependent List, variabel Hasil akan berpindah ke kanan. Selanjutnya pada Faktor pilih Perlakuan dan ulangan, maka variabel perlakuan dan ulangan akan berpindah ke kanan (Lihat gambar 6).
Gambar 6. Memasukkan variabel 7. Klik model maka akan keluar tampilan seperti gambar 7. Klik custom dan masukkan perlakuan dan ulangan ke kotak model dengan klik tanda panah. Selanjutnya klik continue.
Gambar 7. Kotak dialog model
8. Kita akan melakukan uji Duncan. Klik menu Post Hoc dan pilih uji Duncan >
Continue > OK. Output Model akan ditampilkan.
Gambar 8. Univariate: Post Hoc multiple comparison OUTPUT MODEL Between-Subjects Factors N Ulangan
Perlakuan
1
5
2
5
3 1
5 3
2
3
3
3
4
3
5
3
Tests of Between-Subjects Effects Dependent Variabel:Hasil Source Corrected Model
Intercept Ulangan Perlakuan Error Total Corrected Total
Type III Sum of Squares
Df
Mean Square
F
Sig.
.466a
6
.078
6.293
.010
363.588 .016 .449 .099 364.153 .564
1 2 4 8 15 14
363.588 .008 .112 .012
2.948E4 .662 9.108
.000 .542 .004
a. R Squared = .825 (Adjusted R Squared = 694)
Berdasarkan hasil ANOVA, diperoleh nilai Sig (P-value) dari perlakuan sebesar 0.004 (<0.05) sehingga hipotesis Ho ditolak dan disimpulkan bahwa terdapat perbedaan yang nyata antara perlakuan varietas terhadap hasil jagung. Karena terdapat perbedaan yang nyata antara perlakuan maka dilakukan uji lanjut untuk melihat pengaruh antar perlakuan. Hasil uji Duncan adalah: Post Hoc Tests Homogeneous Subset Hasil Duncan Subset Perlakuan 1 2 3 4 5
N
1
3 3 3 3 3
4.67 4.83
2 4.83 4.90 5.05
3
5.05 5.17
Untuk memudahkan interpretasi maka tabel diatas dapat diberi notasi huruf sebagai berikut. Hasil Duncan Subset Perlakuan 1 2 3 4 5
N
1
3 3 3 3 3
4.67 c 4.83 c
2
3
4.83 b 4.90 b 5.05 b
5.05 a 5.17 a
Catatan: Kolom yang sama mempunyai kode huruf yang sama
Pemberian kode huruf diurutkan dari nilai yang paling tinggi (symbol “a”)
Penyajian akhir dari data adalah: Perlakuan
Varietas
Hasil (t/ha)
1
Pulut A
4,67 c
2
Pulut B
4,83 bc
3
Pulut C
4,90 b
4
Pulut D
5,05 ab
5
Pulut E
5,17 a
Kesimpulan: Varietas Pulut E memberikan hasil jagung yang tertinggi yaitu 5,17 t/ha namun tidak berbeda nyata dengan varietas pulut D yang menghasilkan 5,05 t/ha.
Dalam analisis RAK, seringkali kita bekerja dengan lebih dari satu parameter yang harus di uji secara bersamaan. Hal tersebut dimungkinkan dalam SPSS. CONTOH KASUS: Analisis Pengaruh Varietas terhadap Parameter Fenotifik dan Hasil Jagung Sebuah penelitian dilakukan untuk mengetahui pengaruh varietas jagung pulut terhadap hasil. Penelitian menggunakan empat macam varietas jagung pulut lokal
dengan tiga ulangan, penelitian dilakukan dengan rancangan acak kelompok di kebun percobaan. Data pengamatan yang diperoleh adalah: Varietas
Umur panen
Tinggi tanaman
(hari)
(cm)
Blok
Blok
Hasil (t/ha) Blok
I
II
III
I
II
III
I
II
III
Pulut A
75
77
78
178
176
175
4,5
4,7
4,8
Pulut B
77
78
80
179
180
178
4,8
4,9
4,8
Pulut C
78
80
81
181
183
183
4,9
5,0
4,9
Pulut D
80
80
83
183
184
184
5,1
5,1
4,9
Penyelesaian Model yang akan digunakan untuk analisis sidik ragam adalah general linear model dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan dengan nama rak3parameter.xls 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data. Pada dialog File
Type pilih Excel dan File name pilih rak3parameter.xls dilanjutkan dengan klik Open. Selanjutnya akan muncul kotak dialog opening excel data source. 3. Klik Continue maka akan ditampilkan data view spss seperti berikut.
Gambar 8. Data view SPSS 4. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model > multivariate sebagai berikut :
Gambar 9. Tampilan menu general linear model 5. Selanjutnya kotak dialog Multivariate ditampilkan. Pilih variabel Umur dan klik ke
Dependent List, variabel Umur akan berpindah ke kanan. Lakukan hal yang sama pada variabel tinggi dan hasil. Selanjutnya Pada Faktor
pilih Perlakuan dan
ulangan, maka variabel perlakuan dan ulangan akan berpindah ke kanan.
Gambar 10. Memasukkan variable 6. Klik model maka akan keluar tampilan Dialog moodel. Klik custom dan masukkan
perlakuan dan ulangan ke kotak model dengan klik tanda panah. Selanjutnya klik continue. 7. Kali ini kita akan melakukan uji Duncan. Caranya Klik menu Post Hoc, dan masukkan perlakuan. Pilih uji Duncan > Continue > OK. Output Model adalah. OUTPUT MODEL Between-Subjects Factors N Ulangan
Perlakuan
1
4
2
4
3 1
4 3
2
3
3
3
4
3
Tests of Between-Subjects Effects
Source Corrected Model
Depend ent Variabl Type III Sum of e Squares Umur Tinggi
Intercept
ulangan
perlakuan
Error
Total
Corrected Total
Df
Mean Square
F
Sig.
49.083
a
5
9.817
32.127
.000
99.833
b
5
19.967
13.562
.003
5
.048
4.462
.048
c
Hasil
.242
Umur
74734.083
1
74734.083
2.446E5
.000
Tinggi
390241.333
1
390241.333
2.651E5
.000
Hasil
284.213
1
284.213
2.624E4
.000
Umur
18.167
2
9.083
29.727
.001
Tinggi
1.167
2
.583
.396
.689
Hasil
.022
2
.011
1.000
.422
Umur
30.917
3
10.306
33.727
.000
Tinggi
98.667
3
32.889
22.340
.001
Hasil
.220
3
.073
6.769
.024
Umur
1.833
6
.306
Tinggi
8.833
6
1.472
Hasil
.065
6
.011
Umur
74785.000
12
Tinggi
390350.000
12
Hasil
284.520
12
Umur
50.917
11
Tinggi
108.667
11
Hasil
.307
11
a. R Squared = .964 (Adjusted R Squared = .934) b. R Squared = .919 (Adjusted R Squared = .851) c. R Squared = .788 (Adjusted R Squared = .611)
Berdasarkan hasil analisis, diperoleh nilai Sig (P-value) dari perlakuan sebesar 0.00 untuk parameter umur, 0.001 untuk tinggi tanaman dan 0,030 untuk parameter hasil. Nilai signifikansi dari ketiga parameter <0.05 sehingga hipotesis
Ho
ditolak
sehingga dapat disimpulkan bahwa terdapat perbedaan yang nyata antara perlakuan varietas terhadap umur, tinggi tanaman dan hasil jagung. Karena terdapat perbedaan yang nyata antara perlakuan maka dilakukan uji lanjut (Post Hoc test) untuk melihat pengaruh antar perlakuan. Hasil uji Duncan adalah: Umur Duncan perlaku an
Subset N
1 2 3 4 Sig.
1 3 3 3 3
2
3
4
76.66 d 78.33 c 79.66 b 1.000
1.000
1.000
81.00 a 1.000
Tinggi Duncan perlaku an
Subset N
1 2 3 4 Sig.
1 3 3 3 3
2
3
176.3 c 179.0 b
1.000
1.000
183.67 a 183.67 a .227
Hasil Duncan perlaku an 1 2 3 4 Sig.
Subset N
1 3 3 3 3
2
4.67 b 4.83 b
.098
4.83 a 4.93 a 5.03 a .064
Ketiga tabel diatas dapat disusun ulang sebagai berikut: Penampilan fenotifik dan hasil tanaman jagung Perlakuan
Varietas
Umur (hari)
Tinggi (cm)
Hasil (t/ha)
1
Pulut A
76,67 d
176,33 c
4,67 b
2
Pulut B
78,33 c
179,00 b
4,83 ab
3
Pulut C
79,67 b
182,33 a
4,93 a
4
Pulut D
81,00 a
183,67 a
5,03 a
Kesimpulan: Varietas Pulut D memberikan hasil jagung yang tertinggi yaitu 5,03 t/ha namun tidak berbeda nyata dengan Varietas Pulut B dan Pulut C. Varietas Pulut A mempunyai hasil yang terendah, yang menghasilkan 4,67 t/ha. Varietas D mempunyai tinggi tanaman yang tertinggi yaitu 183,67 cm namun tidak berbeda nyata dengan Varietas Pulut C. Sementera itu dari aspek umur tanaman, diperoleh perbedaan yang nyata antara setiap varietas
ANALISIS DATA RAK 1 FAKTOR MENGGUNAKAN SAS OPTION PS=60; TITLE'Evaluasi beberapa genotipe jagung pulut'; Data pulut; input Pulut$ Ulangan Hasil; cards; A 1 4.5 B 1 4.8 C 1 4.9 bila data faktor percobaan D 1 5.1 menggunkan huruf (non numeric) E 1 5.2 harus ditulis simbol $ di belakang A 2 4.7 B 2 4.9 nama faktor, contoh nama pulut pada C 2 5 data adalah A, B, .. E. Agar dianggap D 2 5.1 numeric maka beri simbol $ sebagai E 2 5.1 berikut : “pulut$” A 3 4.8 B 3 4.8 C 3 4.8 D 3 4.9 E 3 5.2 ; proc anova; class Pulut ulangan; Model hasil = Pulut Mean Pulut/duncan; RUN;
ulangan; Klik Submit untuk menjalankan analisis data
Kemudian klik Submit untuk menjalan analisis data. Kemudian akan muncul hasil analisis data di window Output
Output dapat di transfer dalam file MS. Words, langkah-langkah sebagai berikut: 1. Klik window Otput 2. Klif File Save As..
3. ketik „nama file‟ dikolom file name 4. Rubah Save as type menjadi RTF file 5. Klik Save.
Hasil output anlisis data RAK satu faktor Evaluasi beberapa genotipe jagung pulut 11:47 Friday, February 19, 2015
1
The ANOVA Procedure Class Level Information Class
Levels
Values
Pulut
5
A B C D E
Ulangan
3
1 2 3
Number of observations
15
Evaluasi beberapa genotipe jagung pulut 11:47 Friday, February 19, 2015
2
The ANOVA Procedure Dependent Variable: Hasil Source Model
Galat
Error Corrected Total
Source Pulut Ulangan
DF
Sum of Squares
Mean Square
F Value
Pr > F
6
0.44933333
0.07488889
6.33
0.0102
8
0.09466667
0.01183333
14
0.54400000
Nilai Koefisien Keragaman
R-Square
Coeff Var
Root MSE
Hasil Mean
0.825980
2.210998
0.108781
4.920000
DF
Anova SS
Mean Square
F Value
Pr > F
4 2
0.43733333 0.01200000
0.10933333 0.00600000
9.24 0.51
0.0043 0.6204
Evaluasi beberapa genotipe jagung pulut 3 11:47 Friday, February 19, 2015 The ANOVA Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha
0.05
Error Degrees of Freedom 8 Error Mean Square 0.011833 Number of Means Critical Range
2 .2048
3 .2134
4 .2183
5 .2211
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
Pulut
A A A
5.16667
3
E
5.03333
3
D
4.90000
3
C
4.83333
3
B
4.66667
3
A
B B B B B
C C C
Penyusunan Tabel Anova dari hasil output SAS Sumber keragaman Ulangan Pulut Galat Total
db jumlah kuadrat Kuadrat tengah F Value 2 0.012 0.006 0.51 4 0.43733 0.10933 9.24 8 0.09467 0.01183 14 0.544
Pr > F 0.6204 0.0043 **
Berdasarkan hasil ANOVA, diperoleh nilai Sig (P-value) dari perlakuan (genotipe Pulut) sebesar 0.0043 yang berarti <α =0,05 sehingga disimpulkan bahwa terdapat perbedaan hasil yang sangat nyata antara genotipe jagung pulut. Penyajian akhir dari data adalah: Perlakuan 1 2 3 4 5
Varietas Pulut A Pulut B Pulut C Pulut D Pulut E KK
Hasil (t/ha) 4,67 c 4,83 bc 4,90 b 5,05 ab 5,17 a 2,21%
Pada kasus RAK 1 faktor dengan tiga parameter, penyelesaian di SAS adalah: Input data dalam MS Excel Varietas Ulangan Umur_Pan T_Tan Pulut A 1 75 178 Pulut B 1 77 179 Pulut C 1 78 181 Pulut D 1 80 183 Pulut A 2 77 176 Pulut B 2 78 180 Pulut C 2 80 183 Pulut D 2 80 184 Pulut A 3 78 175 Pulut B 3 80 178 Pulut C 3 81 183 Pulut D 3 83 184
Input listing SAS dalam windows editor, sebagai berikut: OPTION PS=60; TITLE'Evaluasi beberapa genotipe jagung pulut'; Data pulut; input Pulut$ Ulangan Umur_Pan T_Tan Hasil; cards; PulutA 1 75 178 4.5 PulutB 1 77 179 4.8 PulutC 1 78 181 4.9 PulutD 1 80 183 5.1 PulutA 2 77 176 4.7 PulutB 2 78 180 4.9 PulutC 2 80 183 5.0 PulutD 2 80 184 5.1 PulutA 3 78 175 4.8 PulutB 3 80 178 4.8 PulutC 3 81 183 4.9 PulutD 3 83 184 4.9 ; proc anova; class Pulut ulangan; Model umur_Pan T_Tan Mean Pulut/duncan; RUN;
Hasil = Pulut
ulangan;
Kemudian klik Submit atau tekan F8 untuk melihat output
Hasil 4.5 4.8 4.9 5.1 4.7 4.9 5.0 5.1 4.8 4.8 4.9 4.9
Evaluasi beberapa genotipe jagung pulut 1 19:55 Friday, February 26, 2015 The ANOVA Procedure Class Level Information Class
Levels
Values
Pulut
4
PulutA PulutB PulutC PulutD
Ulangan
3
1 2 3
Number of observations
12
Evaluasi beberapa genotipe jagung pulut 2 19:55 Friday, February 26, 2015 The ANOVA Procedure Dependent Variable: Umur_Pan DF
Sum of Squares
Mean Square
F Value
Pr > F
Model
5
49.08333333
9.81666667
32.13
0.0003
Error
6
1.83333333
0.30555556
11
50.91666667
Source
Corrected Total R-Square
Coeff Var
Root MSE
Umur_Pan Mean
0.963993
0.700449
0.552771
78.91667
Source Pulut Ulangan
DF
Anova SS
Mean Square
F Value
Pr > F
3 2
30.91666667 18.16666667
10.30555556 9.08333333
33.73 29.73
0.0004 0.0008
Evaluasi beberapa genotipe jagung pulut 3 19:55 Friday, February 26, 2015 The ANOVA Procedure Dependent Variable: T_Tan DF
Sum of Squares
Mean Square
F Value
Pr > F
Model
5
99.8333333
19.9666667
13.56
0.0032
Error
6
8.8333333
1.4722222
11
108.6666667
Source
Corrected Total
Source Pulut Ulangan
R-Square
Coeff Var
Root MSE
T_Tan Mean
0.918712
0.672838
1.213352
180.3333
DF
Anova SS
Mean Square
F Value
Pr > F
3 2
98.66666667 1.16666667
32.88888889 0.58333333
22.34 0.40
0.0012 0.6892
Evaluasi beberapa genotipe jagung pulut 4 19:55 Friday, February 26, 2015 The ANOVA Procedure Dependent Variable: Hasil DF
Sum of Squares
Mean Square
F Value
Pr > F
Model
5
0.24166667
0.04833333
4.46
0.0482
Error
6
0.06500000
0.01083333
11
0.30666667
Source
Corrected Total R-Square
Coeff Var
Root MSE
Hasil Mean
0.788043
2.138698
0.104083
4.866667
Source Pulut Ulangan
DF
Anova SS
Mean Square
F Value
Pr > F
3 2
0.22000000 0.02166667
0.07333333 0.01083333
6.77 1.00
0.0236 0.4219
Evaluasi beberapa genotipe jagung pulut 5 19:55 Friday, February 26, 2015 The ANOVA Procedure Duncan's Multiple Range Test for Umur_Pan NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 6 Error Mean Square 0.305556 Number of Means Critical Range
2 1.104
3 1.145
4 1.165
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
Pulut
A
81.0000
3
PulutD
B
79.6667
3
PulutC
C
78.3333
3
PulutB
D
76.6667
3
PulutA
Evaluasi beberapa genotipe jagung pulut 6 19:55 Friday, February 26, 2015 The ANOVA Procedure Duncan's Multiple Range Test for T_Tan NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha
0.05
Error Degrees of Freedom 6 Error Mean Square 1.472222 Number of Means Critical Range
2 2.424
3 2.512
4 2.556
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
Pulut
A A A
183.6667
3
PulutD
182.3333
3
PulutC
B
179.0000
3
PulutB
C
176.3333
3
PulutA
Evaluasi beberapa genotipe jagung pulut 7 19:55 Friday, February 26, 2015 The ANOVA Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 6 Error Mean Square 0.010833 Number of Means Critical Range
2 .2079
3 .2155
4 .2193
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
Pulut
A A A A A
5.03333
3
PulutD
4.93333
3
PulutC
4.83333
3
PulutB
4.66667
3
PulutA
B B B
Penyusunan tabel Anova Umur Panen Sumber keragaman Ulangan Pulut Galat Total
sb jumlah kuadrat Kuadrat tengah F Value 2 18.16667 9.083333 29.73 3 30.91667 10.30556 33.73 6 1.833333 0.305556 11 50.91667
Pr > F 0.0004 **
Penyusunan tabel Anova Tinggi Tanaman Sumber keragaman Ulangan Pulut Error Total
sb jumlah kuadrat Kuadrat tengah F Value 2 1.166667 0.583333 0.4 3 98.66667 32.88889 22.34 6 8.833333 1.472222 11 108.6667
Pr > F 0.0012 **
Penyusunan tabel Anova Hasil Sumber keragaman Ulangan Pulut Error Total
sb jumlah kuadrat Kuadrat tengah F Value 2 0.021667 0.010833 1 3 0.22 0.073333 6.77 6 0.065 0.010833 11 0.306667
Pr > F 0.0236 *
Berdasarkan hasil analisis, diperoleh nilai Sig (P-value) dari perlakuan sebesar 0.0004 untuk parameter umur, 0.0012 untuk parameter tinggi tanaman dan 0.0236 untuk parameter hasil. Nilai signifikansi dari ketiga parameter <0.05 sehingga dapat disimpulkan bahwa terdapat perbedaan umur, tinggi tanaman dan hasil jagung yang nyata antara varietas jagung pulut. Karena terdapat perbedaan yang nyata antara perlakuan maka dilakukan uji untuk melihat pengaruh antar perlakuan. Hasil Duncan pada output SAS adalah: Penampilan fenotifik dan hasil tanaman jagung No. Varietas
Umur (hari)
Tinggi (cm)
Hasil (t/ha)
1
Pulut A
76,67 d
176,33 c
4,67 b
2
Pulut B
78,33 c
179,00 b
4,83 ab
3
Pulut C
79,67 b
182,33 a
4,93 a
4
Pulut D KK (%)
81,00 a 0.70
183,67 a 0.67
5,03 a 2.13
BAB 4. APLIKASI RANCANGAN ACAK LENGKAP DUA FAKTOR Sebagaimana telah dijelaskan pada bab sebelumnya bahwa Metode Rancangan Acak Lengkap (RAL) umumnya dipakai pada kondisi lingkungan yang homogen diantaranya percobaan di laboratorium dan rumah kaca. RAL umumnya terdiri atas faktor tunggal seperti dibahas pada bab sebelumnya serta RAL Faktorial. Tujuan dari penggunaan RAL Faktorial adalah untuk melihat interaksi antara faktor yang diujicobakan apakah responnya positif atau negatif. Diantara contoh penggunaan RAL Faktorial dalam kegiatan penelitian adalah: 1. Analisis pengaruh penggunaan inokulum antagonis dalam penekan penyakit busuk pelepah pada tanaman jagung 2. Keragaman hara dalam tanaman pada berbagai taraf pemupukan dan waktu pemberian air 3. Analisis ketahanan bahan material bangunan pada berbagai jenis bahan pembuat serta temperatur. 4. Pengaruh tingkat konsentrasi asam dan lama penyimpanan terhadap mutu produk 5. Pengaruh pemberian kapur dan posfat terhadap pertumbuhan tanaman jagung manis Seperti pada percobaan RAL 1 faktor, penempatan kombinasi perlakuan pada RAL faktorial dilakukan secara acak dan bebas pada petak percobaan. CONTOH KASUS: Analisis Mikrobia untuk Menekan Penyakit Tanaman Jagung Menggunakan RAL Faktorial Sebuah penelitian dilakukan untuk mengetahui efektifitas penggunaan mikrobia hayati untuk menekan penyakit busuk pelepah pada tanaman jagung. Penelitian dilaksanakan di rumah kaca dengan menggunakan RAL faktorial.
Percobaan terdiri atas dua faktor yaitu jenis agen pengendali dan waktu inokulasi. Faktor pertama yaitu agen pengendali terdiri atas tiga yaitu Agen A, Agen B dan Agen C. Sementara itu faktor kedua adalah waktu inokulasi, terdiri atas tiga yaitu 1 minggu setelah tanam (MST), 2 MST dan 3 MST. Percobaan menggunakan tiga ulangan. Faktor pertama terdiri tiga taraf: A0 (Agen pengendali hayati A), A1 (Agen pengendali hayati B) dan A2 (Agen pengendali hayati C). Faktor kedua terdiri tiga taraf yaitu W0 (1 minggu setelah tanam), W1 (2 minggu setelah tanam) dan W2 (3 minggu setelah tanam). Terdapat 3 x 3 = 9 kombinasi perlakuan yaitu A0W0, A0W1, A0W2, A1W0, A1W1, A1W2, A2W0, A2W1 dan A2W2. Percobaan diulang sebanyak 3 kali sehingga terdapat 27 unit percobaan.
Layout pengacakan percobaan A0W0
A1W0
A1W2
A0W2
A2W0
A2W2
A1W1
A0W1
A2W1
A0W2
A2W0
A0W1
A2W1
A1W0
A0W0
A0W2
A2W2
A1W1
A1W2
A1W1
A2W1
A0W1
A1W2
A1W0
A2W0
A0W0
A2W2
Perlakuan: A0= Agen Hayati A; A1= Agen B; A2 = Agen C; W0 = 1 minggu setelah tanam (mst) ; W1 = 2 mst; W2 = 3 mst
Data intensitas serangan penyakit (%) pada berbagai jenis mikrobia dan waktu inokulasi adalah sebagai berikut: Agen Pengendali (A) A0 A1 A2
Ulangan 1 2 3 1 2 3 1 2 3
Waktu (minggu setelah tanam/MST) W0 (1 MST) 10,50 9,68 9,90 11,43 12,12 12,35 13,12 12,98 13,45
W1 (2 MST) 18,75 17,65 18,00 19,89 20,20 19,88 19,2 19,6 19,5
W2 (3 MST) 27,80 28,50 28,3 29,8 30,1 30,5 29,9 30,7 30,1
Penyelesaian Model yang digunakan untuk analisis sidik ragam adalah general linear model dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan dengan nama Ralfaktorial.xls
Gambar 1.Tampilan data entri di Excel 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data. 3. Selanjutnya pada dialog
File Type
pilih Excel dan File nama pilih
Ralfaktorial.xls dilanjutkan dengan klik Open. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.
Gambar 2. Data view perlakuan 4. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model > univariate sebagai berikut:
Gambar 3. Tampilan menu general linear model 5. Kotak dialog Univariate selanjutnya ditampilkan. Pilih variabel Serangan_penyakit dan klik ke Dependent List. Pada Fixed Faktor pilih Mikrobia dan Waktu, maka kedua variabel akan berpindah ke kanan (Lihat gambar 4).
Gambar 4. Memasukkan variabel 6. Klik model maka akan keluar tampilan seperti gambar 5. Klik custom dan masukkan Mikrobia dan Waktu ke kotak model dengan klik tanda panah. Selanjutnya kita akan menganalisis interaksi mikrobia dengan waktu inokulasi. Klik
Mikrobia sambil menekan Shift klik Waktu maka kedua variabel akan terblok. Klik tanda panah ke kanan maka akan terbentuk interaksi Mikrobia*Waktu. Klik
continue > Ok.
Gambar 5. Kotak dialog model
OUTPUT MODEL Tests of Between-Subjects Effects Dependent Variabel:Serangan_penyakit Source
Type III Sum of Squares
df
Mean Square
F
Sig.
a
Corrected Model 1466.197 8 183.275 1.282E3 Intercept 10956.563 1 10956.563 7.665E4 Mikrobia 25.177 2 12.588 88.063 Waktu 1437.659 2 718.829 5.029E3 Mikrobia * Waktu 3.361 4 .840 5.878 Error 2.573 18 .143 Total 12425.333 27 Corrected Total 1468.770 26 a. R Squared = .998 (Adjusted R Squared = .997)
Hasil analisis sidik ragam diperoleh nilai
.000 .000 .000 .000 .003
Sig (p-value) variabel Mikrobia =
0,000 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang sangat nyata antara perlakuan Mikrobia dengan intensitas serangan penyakit busuk batang pada tanaman jagung. Selanjutnya variabel kedua yaitu Waktu (saat inokulasi dilakukan) diperoleh nilai Sig (p-value) variabel waktu = 0,003 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang nyata antara perlakuan waktu inokulasi dengan intensitas serangan penyakit busuk batang pada tanaman jagung. Interaksi jenis mikrobia dengan waktu inokulasi mempunyai nilai Sig (p-value) = 0,0003 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang sangat nyata antara perlakuan jenis Mikrobia dan waktu inokulasi terhadap intensitas serangan penyakit busuk batang pada tanaman jagung.
Apabila ingin melakukan uji interaksi dua arah prosedurnya adalah: 1. Ubah konfigurasi penyusunan data seperti gambar berikut. Tampilan data di
Excel adalah
(A). Penyusunan Interaksi arah horizontal di excel
(B). Penyusunan Interaksi arah vertikal di excel
Gambar 6. Data view di Excel 1. Buka program SPSS pada computer. Impor data dari Excel dengan klik File >
Open > Data 2. Selanjutnya pada dialog File Type pilih Excel dan File name pilih Ralfaktorhorizontal.xls dilanjutkan dengan klik Open. 3. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.
Gambar 7. Data view di spss
4. Selanjutnya kita akan melakukan analisis anova secara bersamaan terhadap ketiga parameter. Klik Data > Split File sebagai berikut.
Gambar 8. Tampilan menu split file 5. Selanjutnya akan muncul kotak dialog split file. Pilih Analyze all cases do not
create groups diikuti dengan klik OK
Gambar 12. Kotak dialog menu split file 6. Selanjutnya kita akan melakukan analisis varians, klik Analyze > Compare
means > one way anova sebagai berikut.
Gambar 10. Tampilan menu one way anova 7. Pilih variabel Intens_A0W012 dan klik ke Dependent List,. Lakukan hal yang sama pada variabel Intens_A1W012 dan Intens_A2W012. Selanjutnya pada
Faktor pilih Perlakuan dan klik tanda panah kekanan (Lihat gambar 14).
Gambar 11. Memasukkan variabel 8. Masih pada kotak dialog One way anova, kali ini kita akan melakukan uji Duncan. Caranya Klik menu Post Hoc dan pilih uji Duncan > Continue. Apabila semua data sudah lengkap maka SPSS siap memproses data, klik OK.
OUTPUT MODEL Output uji Duncan arah horizontal Perl. A0 terhadap W0_W1 &W2 Duncan Perla kuan
Perl. A1 terhadap W0_W1 &W2
Perl. A2 terhadap W0_W1 &W2
Duncan Subset for alpha = 0.05 N
1
1
3 10.03 C
2
3
3
3
Sig.
2
3
18.13 B 28.20 A 1.000
1.000
1.000
Perla kuan
Duncan Subset for alpha = 0.05 N
1
2
1
3 11.97 C
2
3
3
3
Sig.
3
19.99 B 30.13 A 1.000
1.000
Subset for alpha = 0.05
Perla kuan
N
1
3 13.18 C
2
3
3
3
Sig.
1.000
1
2
3
19.43 B 30.23 A 1.000
1.000
1.000
Untuk melakukan uji Duncan arah vertikal ulangi prosedur di atas dengan menggunakan data interaksi arah vertikal (Lihat Gambar 6.B). Output uji interaksi adalah: Output uji Duncan arah vertikal
Subset for alpha = 0.05
Subset for alpha = 0.05 N
1
1
3 10.03 c
2
3
3
3
Sig.
Duncan
Duncan
Duncan Perla kuan
Perl. W2 terhadap A0_A1 &A2
Perl. W1 terhadap A0_A1 &A2
Perl. W0 terhadap A0_A1 &A2
2
3
1 11.97 b 13.18 a
1.000
Perla kuan
1.000
1.000
N
1 3
Perla kuan
2
18.13 b
2
3
30.13 a
3
30.23 a
3
19.43 a
2
3
19.99 a
2
.108
1 3
3
1.000
N
1 3
Sig.
Subset for alpha = 0.05
Sig.
28.20 b
1.000
.108
Catatan: Kolom yang sama mempunyai kode huruf yang sama
Kedua hasil uji Duncan diatas selanjutnya dapat di sederhanakan menjadi tabel dua arah sebagai berikut Persentase Tanaman Terserang (%) Jenis Mikrobia
Inokulasi 1 MST (W0)
Inokulasi 2 MST (W1)
Inokulasi 3 MST (W2)
Agen pengendali hayati A (A0)
10,03 c C 11,97 b C 13,18 a
18,13 b B 19,99 a B 19,43 a
28,20 b A 30,13 a A 30,23 a
Agen pengendali hayati B (A1) Agen pengendali hayati C (A2)
C
B
A
Keterangan: Angka yang diikuti huruf yang sama tidak berbeda nyata menurut uji Duncan pada taraf 5%. Huruf kapital di baca horizontal (baris) dan huruf kecil dibaca arah vertical (kolom)
Kesimpulan: 1. Berdasarkan uji anova terdapat interaksi antara perlakuan agen pengendali hayati/mikrobia dengan waktu inokulasi terhadap penurunan tingkat serangan penyakit pada tanaman jagung. 2. Berdasarkan uji Duncan disimpulkan bahwa perlakuan A0W0 (penggunaan agen pengendali hayati A) dengan waktu inokulasi 1 MST persentase serangan paling rendah, 10,03% dan berbeda nyata dengan perlakuan lainnya. Sementara itu perlakuan A2W2 (penggunaan agen pengendali hayati C) dengan waktu inokulasi 3 MST memberikan nilai persentase serangan penyakit yang terbesar.
ANALISIS DATA MENGGUNAKAN SOFWARE SAS Tampilan data dalam MS Excel A0 A0 A0 A0 A0 A0 A0 A0 A0 A1 A1 A1 A1 A1 A1 A1 A1 A1 A2 A2 A2 A2 A2 A2 A2 A2 A2
W0 W0 W0 W1 W1 W1 W2 W2 W2 W0 W0 W0 W1 W1 W1 W2 W2 W2 W0 W0 W0 W1 W1 W1 W2 W2 W2
1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
10.50 9.68 9.90 18.75 17.65 18.00 27.80 28.50 28.30 11.43 12.12 12.35 19.89 20.20 19.88 29.80 30.10 30.50 13.12 12.98 13.45 19.20 19.60 19.50 29.90 30.70 30.10
Ketik Sintas SAS di Windos editor, sebagai berkut OPTION PS=60; TITLE'RANCANGAN ACAK LENGKAP_ Dua (2) faktor'; Data RAL; input Mikrobia$ Waktu$ ulangan Serangan; inter = compress (Mikrobia||Waktu); cards; A0 W0 1 10.5 A0 W0 2 9.68 A0 W0 3 9.9 bila data faktor percobaan A0 W1 1 18.75 A0 W1 2 17.65 menggunkan huruf (non numeric) A0 W1 3 18 harus ditulis simbul $ di belakang A0 W2 1 27.8 nama faktor, contoh nama faktor A0 W2 2 28.5 mikroba dan waktu menggunakan A0 W2 3 28.3 A1 W0 1 11.43 simbul A dan W. Agar dianggap
numeric maka beri simpul $ pada nama faktor di bagian belakang “Mikrobia$” dan “Waktu$”
A1 A1 A1 A1 A1 A1 A1 A1 A2 A2 A2 A2 A2 A2 A2 A2 A2
W0 W0 W1 W1 W1 W2 W2 W2 W0 W0 W0 W1 W1 W1 W2 W2 W2
2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
12.12 12.35 19.89 20.2 19.88 29.8 30.1 30.5 13.12 12.98 13.45 19.2 19.6 19.5 29.9 30.7 30.1
; proc anova; class Mikrobia Waktu ulangan; Model Serangan = Mikrobia Waktu Mikrobia*Waktu ; RUN; proc glm; class Mikrobia Waktu ulangan inter; Model Serangan = Mikrobia Waktu inter/NOUNI; MEAN Mikrobia Waktu inter/DUNCAN; MEAN Mikrobia Waktu inter/LSD; RUN;
Dua jenis uji lanjut dapat dilakukan sekaligus yaitu Duncan dan LSD
Klik Subnit atau F8 untuk menjalankann analisis data untuk melihat out klik windows Output RANCANGAN ACAK LENGKAP_ Dua (2) faktor 22 18:04 Saturday, February 27, 2015 The ANOVA Procedure Class Level Information Class
Levels
Values
Mikrobia
3
A0 A1 A2
Waktu
3
W0 W1 W2
ulangan
3
1 2 3
Number of observations
27
RANCANGAN ACAK LENGKAP_ Dua (2) faktor 23 18:04 Saturday, February 27, 2015 The ANOVA Procedure Dependent Variable: Serangan DF
Sum of Squares
Mean Square
F Value
Pr > F
Model
8
1466.196600
183.274575
1282.11
<.0001
Error
18
2.573067
0.142948
Corrected Total
26
1468.769667
Source
Source Mikrobia Waktu Mikrobia*Waktu
R-Square
Coeff Var
Root MSE
Serangan Mean
0.998248
1.876869
0.378085
20.14444
DF
Anova SS
Mean Square
F Value
Pr > F
2 2 4
25.176867 1437.658867 3.360867
12.588433 718.829433 0.840217
88.06 5028.60 5.88
<.0001 <.0001 0.0033
RANCANGAN ACAK LENGKAP_ Dua (2) faktor 24 18:04 Saturday, February 27, 2015
Penyajian table Anova sebagai berikut: Sumber keragaman db Jumlah kudrat Kuadrat tengah F Value Mikrobia 2 25.176867 12.588433 88.06 Waktu 2 1437.658867 718.829433 5028.6 Mikrobia*Waktu 4 3.360867 0.840217 5.88 Galat 18 2.573067 0.142948 Total 26 1468.769667 KK atau Coeff Var = 1.876869%
Pr <.0001 <.0001 0.0033
>F ** ** **
Hasil analisis sidik ragam diperoleh nilai Sig (p-value) yang sangat nyata (**) dimana nilai Pr>F Mikrobia (<.0001), Waktu (<.0001), dan interaksi Mikrobia*Waktu (0.0033) lebih kecil
dari α <0,01. Disimpulkan bahwa pengaruh intensitas serangan busuk pelah pada tanaman jagung sangat dipengaruhi interaksi agensi mikroba hayati dengan waktu inokulasi.
1. Output uji lanjut dengan Duncan The GLM Procedure Class Level Information Class
Levels
Values
Mikrobia
3
A0 A1 A2
Waktu
3
W0 W1 W2
ulangan
3
1 2 3
inter
9
A0W0 A0W1 A0W2 A1W0 A1W1 A1W2 A2W0 A2W1 A2W2 Number of observations
27
RANCANGAN ACAK LENGKAP_ Dua (2) faktor 25 18:04 Saturday, February 27, 2015 The GLM Procedure Duncan's Multiple Range Test for Serangan NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 18 Error Mean Square 0.142948 Number of Means Critical Range
2 .3744
3 .3929
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
Mikrobia
A A A
20.9500
9
A2
20.6967
9
A1
B
18.7867
9
A0
RANCANGAN ACAK LENGKAP_ Dua (2) faktor 26 18:04 Saturday, February 27, 2015 The GLM Procedure Duncan's Multiple Range Test for Serangan NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 18 Error Mean Square 0.142948 Number of Means Critical Range
2 .3744
3 .3929
Means with the same letter are not significantly different.
Duncan Grouping
Mean
N
Waktu
A
29.5222
9
W2
B
19.1856
9
W1
C
11.7256
9
W0
RANCANGAN ACAK LENGKAP_ Dua (2) faktor 27 18:04 Saturday, February 27, 2015 The GLM Procedure Duncan's Multiple Range Test for Serangan NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 18 Error Mean Square 0.142948 Number of Means Critical Range
2 .6486
3 .6805
4 .7006
5 .7146
6 .7248
7 .7325
8 .7385
9 .7431
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
inter
A A A
30.2333
3
A2W2
30.1333
3
A1W2
B
28.2000
3
A0W2
C C C
19.9900
3
A1W1
19.4333
3
A2W1
D
18.1333
3
A0W1
E
13.1833
3
A2W0
F
11.9667
3
A1W0
G
10.0267
3
A0W0
RANCANGAN ACAK LENGKAP_ Dua (2) faktor 28 18:04 Saturday, February 27, 2015
2. Output uji lanjut dengan LSD The GLM Procedure t Tests (LSD) for Serangan NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 18 Error Mean Square 0.142948 Critical Value of t 2.10092 Least Significant Difference 0.3744 Means with the same letter are not significantly different. t Grouping
Mean
N
Mikrobia
A A
20.9500
9
A2
A
20.6967
9
A1
B
18.7867
9
A0
RANCANGAN ACAK LENGKAP_ Dua (2) faktor 29 18:04 Saturday, February 27, 2015 The GLM Procedure t Tests (LSD) for Serangan NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 18 Error Mean Square 0.142948 Critical Value of t 2.10092 Least Significant Difference 0.3744 Means with the same letter are not significantly different. t Grouping
Mean
N
Waktu
A
29.5222
9
W2
B
19.1856
9
W1
C
11.7256
9
W0
RANCANGAN ACAK LENGKAP_ Dua (2) faktor 30 18:04 Saturday, February 27, 2015 The GLM Procedure t Tests (LSD) for Serangan NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 18 Error Mean Square 0.142948 Critical Value of t 2.10092 Least Significant Difference 0.6486 Means with the same letter are not significantly different. t Grouping
Mean
N
inter
A A A
30.2333
3
A2W2
30.1333
3
A1W2
B
28.2000
3
A0W2
C C C
19.9900
3
A1W1
19.4333
3
A2W1
D
18.1333
3
A0W1
E
13.1833
3
A2W0
F
11.9667
3
A1W0
G
10.0267
3
A0W0
Karena pengaruh agensi hayati mikroba, waktu inokulasi, dan interaksi agensi hayati mikroba dan waktu inokulasi kesemuanya berpengaruh sangat nyata, maka penyajian data dan pembahasan hanya memfokuskan pada interaksi agensi hayati mikroba dan waktu.
Penyusunan data berdasarkan output sas
Persentase Tanaman Terserang (%) Jenis Mikrobia
Inokulasi 1 MST (W0)
Inokulasi 2 MST (W1)
Inokulasi 3 MST (W2)
Agen pengendali hayati A (A0)
10,03 g
18,13 d
28,20 b
Agen pengendali hayati B (A1)
11,97 f
19,99 c
30,13 a
Agen pengendali hayati C (A2)
13,18 e
19,43 c
30,23 a
Namun untuk menampilkaan uji lanjut dua arah perlu
Persentase Tanaman Terserang (%) Jenis Mikrobia
Inokulasi 1 MST (W0)
Inokulasi 2 MST (W1)
Inokulasi 3 MST (W2)
Agen pengendali hayati A (A0)
10,03 c Z
18,13 b Y
28,20 b X
Agen pengendali hayati B (A1)
11,97 b Z
19,99 a Y
30,13 a X
Agen pengendali hayati C (A2)
13,18 a Z
19,43 a Y
30,23 a X
Keterangan: Angka yang diikuti oleh huruf kecil yang sama pada kolom atau oleh huruf kapital yang sama pada baris tidak berbeda nyata berdasarkan uji Duncan 5%,
BAB 5. APLIKASI RANCANGAN ACAK KELOMPOK DUA FAKTOR Dalam percobaan faktorial, pengaruh dua faktor atau lebih diselidiki secara bersama-sama. Apabila pengaruh suatu faktor diperkirakan akan berubah menurut tingkatan faktor tersebut, percobaan sering dilakukan dengan menggunakan faktorial. Ciri khas dari rancangan faktorial adalah susunan perlakuannya terdiri dari kombinasi lengkap antara tingkatan faktor-faktor yang diteliti. Susunan perlakuan semacam itu memungkinkan pula bagi peneliti untuk mempelajari pengaruh faktor yang satu pada tiap tingkat faktor yang lain atau dikenal sebagai pengaruh interaksi. Rancangan acak kelompok (Randomized Block Design) banyak digunakan di bidang pertanian, peternakan dan sosial ekonomi. RAK umumnya terdiri dari 1 faktor, 2 faktor dan 3 faktor. Rak 2 faktor umumnya dilakukan di lapangan atau laboratorium, diantaranya: Pengaruh jenis varietas dan lama waktu penyimpanan terhadap keseragaman tumbuh benih jagung. Pengaruh dosis pemupukan dan kerapatan tanaman terhadap hasil tanaman jagung. Pengaruh kombinasi takaran kotoran sapi dan varietas terhadap emisi gas metan padi. Pengaruh konsentrasi hidrogen peroksida dan lama waktu desinfeksi terhadap jumlah bakteri E.coli. Pengaruh jenis kemasan dan promosi iklan terhadap tingkat penjualan benih jagung hibrida. Pengacakan dilapangan dapat dilakukan sebagai berikut: misalnya sebuah penelitian dilakukan untuk mengetahui pengaruh varietas dan lama waktu penyimpanan terhadap persentase biji tumbuh. Penelitian terdiri atas dua faktor, faktor pertama adalah jenis varietas yang terdiri dari empat varietas yaitu Varietas A (VA), Varietas B (VB), Varietas C (VC) dan Varietas D (VD). Faktor kedua adalah lama waktu
penyimpanan benih yang terdiri dari tiga taraf yaitu 0 bulan (P0), 6 bulan (P6), dan 12 bulan (P12). Jumlah kombinasi dari kedua faktor tersebut adalah 3 x 4 = 12, yaitu VAP0, VAP6, VAP12, VBP0, VBP6, VBP12, VCP0, VCP6, VCP12, VDP0, VDP6, dan VDP12. Apabila setiap kombinasi diulang 3 kali sebagai kelompok/blok, maka total unit percobaan adalah 3 X 4 X 3 = 36 unit percobaan. Selanjutnya dilakukan pengacakan pada setiap blok, oleh sebab itu jumlah pengacakan yang dilakukan sebanyak jumlah kelompok, yaitu 3 kali dan di setiap blok tidak muncul perlakuan yang sama. Hasil pengacakan yang diperoleh adalah: BLOK I VAP0
VCP0
VBP12
VDP0
VAP12
VCP6
VDP6
VBP0
VCP12
VAP6
VDP12
VBP6
VBP0
VCP12
VAP6
VCP0
VBP6
VBP12
VAP0
VDP0
VCP6
VDP6
VAP12
VDP12
VAP12
VCP6
VBP0
VDP0
VCP12
VDP6
VAP6
VBP6
VDP12
VBP12
VCP0
VAP0
II
III
Perlakuan : VA= Varietas A; VB= Varietas B; VC= Varietas C; VD= Varietas D; P0 = Penyimpanan 0 bulan; P6 = 6 bulan; P12 = 12 bulan.
Contoh denah dan pengacakan menggunakan RAK Data Persentase tanaman tumbuh (%) empat varietas jagung pada tiga periode penyimpanan (bulan) adalah:
Varietas
Varietas A (VA) Varietas B (VB)
Varietas C (VC) Varietas D (VD)
Ulangan 1 2 3 1 2 3 1 2 3 1 2 3
Periode penyimpanan 0 bulan (P0)
6 bulan (P6)
100 100 100 97 97 98 97 95 95 95 92 92
98 98 98 96 96 96 96 94 94 92 90 90
12 bulan (P12) 97 98 97 95 96 96 94 93 94 86 88 89
Penyelesaian Model yang akan digunakan untuk analisis sidik ragam adalah general linear model dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan dengan nama rak2faktor.xls
Gambar 1. Tampilan data entri di Excel 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data 3. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih Rak2faktor.xls dilanjutkan dengan klik Open. > Continue, data akan ditampilkan seperti berikut.
Gambar 2. Data view Perlakuan dan hasil 4. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model > univariate 5. Selanjutnya kotak dialog Univariate ditampilkan. Pilih variabel Tumbuh dan klik ke
Dependent List, variabel Hasil akan berpindah ke kanan. Selanjutnya Pada Fixed Faktor pilih Var, Simpan dan Blok, (Lihat gambar 4).
Gambar 3. Memasukkan variabel 6. Klik model maka akan keluar tampilan seperti gambar 4. Klik custom dan masukkan Var, Simpan dan Blok ke kotak model dengan klik tanda panah. Selanjutnya kita akan menganalisis interaksi varietas dan lama penyimpanan. Klik
Var selanjutnya sambil menekan Shift klik Simpan maka kedua variabel akan terblok. Klik tanda panah ke kanan maka akan terbentuk interaksi Simpan*Var pada model. Selanjutnya klik continue > OK.
Gambar 4. Kotak dialog model
OUTPUT MODEL Tests of Between-Subjects Effects Dependent Variable:DayaTumb Source
Type III Sum of Squares
df a
Mean Square
Corrected Model Intercept Varietas WaktuSim Ulangan Varietas * WaktuSim Error
377.194 324710.028 310.528 51.389 1.556 13.722
13 1 3 2 2 6
29.015 324710.028 103.509 25.694 .778 2.287
19.778
22
.899
Total
325107.000
36
396.972
35
Corrected Total
F 32.275 3.612E5 115.140 28.581 .865 2.544
Sig. .000 .000 .000 .000 .435 .050
a. R Squared = .950 (Adjusted R Squared = .921)
Berdasarkan hasil analisis sidik ragam diperoleh nilai Sig (P-value) dari variabel
Var (varietas) sebesar 0.000 (< = 0.05) sehingga hipotesis Ho ditolak sehingga dapat disimpulkan bahwa terdapat perbedaan yang sangat nyata antara perlakuan Varietas terhadap persentase biji tumbuh. Selanjutnya variabel kedua yaitu Simpan (lama waktu penyimpanan sebelum varietas ditanam) sebesar 0.000 (< = 0.05) sehingga hipotesis Ho ditolak sehingga dapat disimpulkan bahwa terdapat perbedaan yang sangat nyata antara perlakuan
Simpan terhadap persentase biji tumbuh. Interaksi varietas dengan lama penyimpanan (Var*Simpan) mempunyai nilai Sig sebesar 0.027 (< = 0.05) sehingga hipotesis
Ho
ditolak sehingga dapat
disimpulkan bahwa interaksi antara Varietas dengan lama waktu penyimpanan berpengaruh nyata terhadap persentase biji tumbuh. Karena terdapat perbedaan yang nyata antara perlakuan maka dilakukan uji lanjut. Prosedur uji interaksi varietas dan lama penyimpanan adalah: 1. Ubah konfigurasi penyusunan data seperti gambar berikut. Tampilan data di
Excel adalah
(A). Penyusunan Interaksi arah horizontal di excel
(B). Penyusunan Interaksi arah vertikal di excel
Gambar 5. Data view di Excel 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data 3. Selanjutnya pada dialog File Type pilih Excel dan File name pilih RAKfaktorhorizontal.xls dilanjutkan dengan klik Open. > Continue.
Gambar 6. Data view SPSS 4. Selanjutnya kita akan melakukan analisis varians, klik Analyze >General linear
model > Multivariate 5. Selanjutnya kotak dialog multivariate ditampilkan. Pilih variabel VAP_0_6_12, VBP_0_6_12, VCP_0_6_12 dan VDP_0_6_12 dilanjutkan dengan klik panah Dependent List. Pada Fixed Faktor pilih Ulangan dan Perlakuan.
Gambar 7. Memasukkan variabel 6. Klik model maka akan keluar tampilan seperti gambar 7. Klik custom dan masukkan Ulangan dan Perlakuan . Klik continue untuk lanjut. 7. Selanjutnya kita akan melakukan uji Duncan. Klik menu Post Hoc, pilih variabel Perlakuan dilanjutkan dengan menekan panah kekanan maka variabel akan berpindah ke kanan. Klik Continue. Apabila semua data sudah lengkap klik OK.
Gambar 8. Tampilan Uji Post-Hoc Model OUTPUT MODEL Output uji interaksi arah horizontal adalah: Perlaku an 3 2 1 Sig
Perlaku an 3 2 1 Sig
VA P_0 _P6_P12 Subset N 1 2 3 3 3
97.33 B 98.00 B 0.070
100.00 A 1.000
VC P_0 _P6_P12 Subset N 1 2 3 3 3
93.67 B 94.67 B 0.101
94.67 A 95.67 A 0.101
Perlaku an 3 2 1 Sig
Perlaku an 3 2 1 Sig
VB P_0 _P6_P12 Subset N 1 2 3 3 3
95.67 B 96.00 B 0.374
97.33 A 1.000
VD P_0 _P6_P12 Subset N 1 2 3 3 3
87.67 B 90.67 B 0.09
90.67 A 93.00 A 0.171
Untuk melakukan uji Duncan arah vertikal ulangi prosedur di atas dengan menggunakan data interaksi arah vertikal (Lihat Gambar 7.B).
Output uji interaksi arah vertikal adalah: P0 V_A _VB_VC_VD Perlaku Subset an N 1 2 4 3 2 1 Sig
3 3 3 3 1.00
P6 V_A _VB_VC_VD Perlaku an N 1
3
93.00 c
4 3 2 1 Sig
95.67 b 97.33 b 100.00a 1.000
0.084
3 3 3 3
4 3 2 1 Sig
3 3 3 3 1.00
2
3
4
90.67 d 94.67 c 96.00 b 1.000
P12 V_A _VB_VC_VD Perlaku Subset an N 1 2
Subset
1.000
1.000
98.00 a 1.000
3
87.67 c 93.67 b
1.000
1.000
95.67 a 97.33 a 0.057
Hasil uji Duncan diatas selanjutnya dapat di sederhanakan sebagai berikut Varietas A B C D
Persentase Tanaman Tumbuh 0 bln 100,00 a A 97,33 b A 95,67 b A 93,00 c A
6 bln 98,00 a B 96,00 b B 94,67 c AB 90,67 d AB
12 bln 97,33 a B 95,67 a B 93,67 b B 87,67 c B
Keterangan: Angka yang diikuti huruf yang sama tidak berbeda nyata menurut uji Duncan pada taraf 5%. Huruf kapital di baca horizontal (baris) dan huruf kecil dibaca arah vertical (kolom)
Kesimpulan: Berdasarkan uji anova terdapat interaksi antara varietas dengan lama waktu penyimpanan benih jagung terhadap persentase tanaman yang tumbuh. Varietas A dengan lama penyimpanan benih 0 bulan mempunyai persentase tanaman tumbuh yang tertinggi yaitu 100 % dan berbeda nyata dengan perlakuan lainnya. Sementara itu Varietas D dengan lama penyimpanan 12 bulan mempunyai persentase tanaman tumbuh yang terendah yaitu 87,67%.
ANALISIS DATA MENGGUNAKAN SOFWARE SAS Penyusunan data di MS Excel Varietas VA VA VA VB VB VB VC VC VC VD VD VD VA VA VA VB VB VB VC VC VC VD VD VD VA VA VA VB VB VB VC VC VC VD VD VD
WaktuSim Ulangan DayaTumb P0 1 100 P6 1 98 P12 1 97 P0 1 97 P6 1 96 P12 1 95 P0 1 97 P6 1 96 P12 1 94 P0 1 95 P6 1 92 P12 1 86 P0 2 100 P6 2 98 P12 2 98 P0 2 97 P6 2 96 P12 2 96 P0 2 95 P6 2 94 P12 2 93 P0 2 92 P6 2 90 P12 2 88 P0 3 100 P6 3 98 P12 3 97 P0 3 98 P6 3 96 P12 3 96 P0 3 95 P6 3 94 P12 3 94 P0 3 92 P6 3 90 P12 3 89
Ketik listing SAS di Windows Editors, sebagai berikut
OPTION PS=160; TITLE'RAK FAKTORIAL--varietas dan lama penyimpanan'; Data; input Varietas$ WaktuSim$ ulangan DayaTum; inter=compress(Varietas||WaktuSim); cards; INSERT DATA atau paste data dari Excel ; proc anova; class Varietas WaktuSim ulangan; Model DayaTum = ulangan Varietas WaktuSim Varietas*WaktuSim ; RUN; proc glm; Class Varietas WaktuSim ulangan inter; Model DayaTum = ulangan Varietas WaktuSim Varietas*WaktuSim inter/NOUNI; MEANS Varietas WaktuSim inter/DUNCAN; RUN;
Copy data dari MS. Excel di bagian bawah “cards”, sehingga listing SAS menjadi seperti di bawah ini OPTION PS=160; TITLE'RAK FAKTORIAL--varietas dan lama penyimpanan'; Data; input Varietas$ WaktuSim$ ulangan DayaTum; inter=compress(Varietas||WaktuSim); cards; VA P0 1 100 VA P6 1 98 VA P12 1 97 VB P0 1 97 VB P6 1 96 VB P12 1 95 VC P0 1 97 VC P6 1 96 VC P12 1 94 VD P0 1 95 VD P6 1 92 VD P12 1 86 VA P0 2 100 VA P6 2 98 VA P12 2 98 VB P0 2 97 VB P6 2 96 VB P12 2 96 VC P0 2 95 VC P6 2 94 VC P12 2 93 VD P0 2 92 VD P6 2 90 VD P12 2 88 VA P0 3 100 VA P6 3 98
VA P12 3 97 VB P0 3 98 VB P6 3 96 VB P12 3 96 VC P0 3 95 VC P6 3 94 VC P12 3 94 VD P0 3 92 VD P6 3 90 VD P12 3 89 ; proc anova; class Varietas WaktuSim ulangan; Model DayaTum = ulangan Varietas WaktuSim Varietas*WaktuSim ; RUN; proc glm; Class Varietas WaktuSim ulangan inter; Model DayaTum = ulangan Varietas WaktuSim Varietas*WaktuSim inter/NOUNI; MEANS Varietas WaktuSim inter/DUNCAN; RUN;
Kemudian klik Submit atau tekan F8 untuk menjalankan analisis data Klik Windows Output untuk melihat hasil anlisis: Output Hasil analisis sebagai berikut: RAK FAKTORIAL--varietas dan lama penyimpanan 13 21:49 Sunday, February 28, 2015 The ANOVA Procedure Class Level Information Class
Levels
Values
Varietas
4
VA VB VC VD
WaktuSim
3
P0 P12 P6
ulangan
3
1 2 3
Number of observations
36
RAK FAKTORIAL--varietas dan lama penyimpanan 14 21:49 Sunday, February 28, 2015 The ANOVA Procedure Dependent Variable: DayaTum Source
DF
Sum of Squares
Mean Square
F Value
Pr > F
Model
13
377.1944444
29.0149573
32.28
<.0001
Error
22
19.7777778
0.8989899
Corrected Total
35
396.9722222
Source
R-Square
Coeff Var
Root MSE
DayaTum Mean
0.950178
0.998345
0.948151
94.97222
DF
Anova SS
Mean Square
F Value
Pr > F
ulangan Varietas WaktuSim Varietas*WaktuSim
2 3 2 6
1.5555556 310.5277778 51.3888889 13.7222222
0.7777778 103.5092593 25.6944444 2.2870370
0.87 115.14 28.58 2.54
0.4348 <.0001 <.0001 0.0495
Penyusunan Tabel Anova Sumber Keragaman
Jumlah db Kuadrat
Kuadrat Tengah
F Value
Ulangan
2
1.5555556
Varietas
3
310.5277778
WaktuSim
2
51.3888889
25.6944444
Varietas*WaktuSim
6
13.7222222
2.287037
22
19.7777778
0.8989899
35
396.9722222
Error Corrected Total KK = 0.998345%
0.7777778
0.87
Pr > F 0.4348
103.5092593 115.14 <.0001 28.58 <.0001 2.54
** **
0.0495 *
Berdasarkan hasil analisis sidik ragam diperoleh nilai Sig (P-value) dari variabel varietas dan waktu simpan (WaktuSim) sebesar <0.0001 (< = 0.01) yang berarti berpengaruh sangat nyata (**), sedangkan interaksi varietas dan
waktu simpan (Varietas*WaktuSim) nilai
Sig (P-value) sebesar 0.0495 yang berarti berpengaruh nyata (*). Karena ada interaksi antara varietas dan waktu simpan maka tabel dan pembahasan yang disajikan difokuskan hanya uji lanjut interaksi. Output uji lanjut Duncan RAK FAKTORIAL--varietas dan lama penyimpanan
15 21:49 Sunday, February 28, 2015
The GLM Procedure Class Level Information Class
Levels
Values
Varietas
4
VA VB VC VD
WaktuSim
3
P0 P12 P6
ulangan
3
1 2 3
inter
12
VAP0 VAP12 VAP6 VBP0 VBP12 VBP6 VCP0 VCP12 VCP6 VDP0 VDP12 VDP6 Number of observations
36
RAK FAKTORIAL--varietas dan lama penyimpanan 16 21:49 Sunday, February 28, 2015 The GLM Procedure Duncan's Multiple Range Test for DayaTum NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha Error Degrees of Freedom Error Mean Square Number of Means Critical Range
2 0.927
0.05 22 0.89899 3 0.973
4 1.003
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
Varietas
A
98.4444
9
VA
B
96.3333
9
VB
C
94.6667
9
VC
D
90.4444
9
VD
RAK FAKTORIAL--varietas dan lama penyimpanan 17 21:49 Sunday, February 28, 2015 The GLM Procedure Duncan's Multiple Range Test for DayaTum NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha Error Degrees of Freedom Error Mean Square Number of Means Critical Range
0.05 22 0.89899
2 .8028
3 .8429
Means with the same letter are not significantly different. Waktu Sim
Duncan Grouping
Mean
N
A
96.5000
12
P0
B
94.8333
12
P6
C
93.5833
12
P12
RAK FAKTORIAL--varietas dan lama penyimpanan 18 21:49 Sunday, February 28, 2015 The GLM Procedure Duncan's Multiple Range Test for DayaTum NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha Error Degrees of Freedom Error Mean Square Number of Means Critical Range
2 1.606
3 1.686
4 1.737
5 1.773
6 1.800
0.05 22 0.89899
7 1.821
8 1.837
9 1.850
10 1.860
11 1.869
12 1.876
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
inter
A
100.0000
3
VAP0
B B
98.0000
3
VAP6
Uji lanjut Duncan untuk interaksi variatas (V) dan lama penyimpanan (P)
C C C C C C C C C E E E E E
B B B
97.3333
3
VAP12
97.3333
3
VBP0
D D D D D D D
96.0000
3
VBP6
95.6667
3
VBP12
95.6667
3
VCP0
94.6667
3
VCP6
93.6667
3
VCP12
93.0000
3
VDP0
F
90.6667
3
VDP6
G
87.6667
3
VDP12
Hasil uji Duncan diatas untuk interaksi di susun dalam tabel sebagai berikut Varietas
Persentase Tanaman Tumbuh 0 bln
6 bln
12 bln
A
100,00 a
98,00 b
97,33 bc
B
97,33 bc
96,00 cd
95,67 cd
C
95,67 cd
94,67 de
93,67 e
D
93,00 e
90,67 f
87,67 g
Kemudian data disusun dalam notasi uji lanjut dua arah yang itu arah vertical (kolom) dan horizontal (baris)
Varietas A B C D KK
Persentase Tanaman Tumbuh (%) 0 bln 100,00 a X 97,33 b X 95,67 b X 93,00 c X
6 bln 98,00 a Y 96,00 b Y 94,67 b XY 90,67 c Y 1,00%
12 bln 97,33 a Y 95,67 a Y 93,67 b Y 87,67 c Z
Keterangan: Angka yang diikuti oleh huruf kecil yang sama pada kolom atau oleh huruf kapital yang sama pada baris tidak berbeda nyata berdasarkan uji Duncan 5%,
BAB 6 APLIKASI RANCANGAN ACAK KELOMPOK TIGA FAKTOR Pada
bab sebelumnya telah dibahas aplikasi rancangan acak kelompok satu
faktor dan dua faktor. Bab ini akan membahas aplikasi SPSS dan SAS untuk analisis RAK tiga faktor. Dalam pelaksanaan penelitian seringkali ditemui adanya beragam faktor yang berpengaruh terhadap output/hasil yang diinginkan. Sebagai contoh 1. Pengaruh pemupukan, populasi tanaman serta varietas terhadap hasil jagung; 2. Pengaruh unsur N, P dan K terhadap hasil jagung; 3. Pengaruh lama waktu penyimpanan, dosis pemupukan serta varietas terhadap produksi tanaman; 4. Pengaruh cara pengolahan tanah, jarak tanam dan interval pemberian air terhadap pertumbuhan tanaman. Penyelesaian permasalahan diatas dapat dilakukan dengan menggunakan RAK faktorial (tiga faktor). Percobaan faktorial adalah suatu percobaan yang terdiri dari dua faktor atau lebih faktor yang masing-masing faktor terdiri dari atas dua level/taraf atau lebih. Percobaan faktorial dapat menggunakan rancangan acak lengkap, rancangan acak kelompok atau rancangan petak-petak terpisah sebagai rancangan lingkungannya. Keuntungan dari percobaan faktorial adalah interaksi perlakuan dapat diketahui. Pada percobaan ini, kondisi lingkungan/lahan diasumsikan homogen dalam setiap kelompok dan tingkat ketelitian pada ketiga faktor tersebut dianggap sama. Pengacakan RAK Tiga Faktor Pengacakan pada percobaan RAK tiga faktor sama dengan prosedur pada RAK dua faktor.
Pertama,
lokasi
percobaan
dibagi
ke
dalam
blok
sesuai
jumlah
kelompok/ulangan. Selanjutnya di setiap blok dibuat petakan sesuai jumlah kombinasi perlakuan. Pengacakan dilakukan pada setiap blok. Untuk memudahkan pemahaman tentang proses pengacakan, sebagai contoh, suatu penelitian dilakukan untuk mengetahui pengaruh penggunaan pupuk, frekuensi pemberian air serta jenis varietas terhadap hasil jagung hibrida. Perlakuan terdiri atas tiga faktor dimana faktor pertama adalah pemupukan yang terdiri atas 3 taraf (P1, P2, P3). Faktor kedua adalah frekuensi
pemberian air terdiri atas 3 taraf (Q1, Q2, Q3). Faktor ketiga adalah jenis varietas yag terdiri atas 2 taraf (R1, R2). Percobaan dibagi dalam tiga kelompok/ulangan. Jumlah kombinasi dari ketiga faktor tersebut adalah 3 x 3
x 2 = 18, yaitu:
P1Q1R1, P1Q1R2, P2Q2R1, P2Q3R2 , P3Q1R2, P1Q3R2, P3Q2R1, P2Q1R2, P3Q2R2, P1Q3R1,P3Q3R2, P1Q2R2, P1Q2R1, P3Q3R1, P2Q3R1, P2Q2R2, P2Q1R1, P3Q1R1. Jika setiap kombinasi diulang 3 kali sebagai kelompok/blok, maka total unit percobaan adalah 3 x 3 x 2 x 3 =54 unit percobaan. Bagan percobaan/pengacakan lapangan sebagai berikut: P3Q1R2
P2Q1R1
P3Q3R2
P3Q3R2
P3Q2R1
P1Q2R2
P2Q2R1
P2Q1R2
P3Q1R2
P2Q3R2
P3Q3R2
P2Q1R1
P1Q1R1
P1Q3R1
P1Q1R1
P1Q3R2
P3Q1R1
P3Q3R1
P3Q2R1
P1Q2R2
P1Q1R2
P2Q1R2
P2Q3R2
P3Q2R1
P3Q2R2
P1Q2R1
P2Q2R1
P1Q3R1
P3Q1R2
P1Q3R1
P1Q1R2
P2Q3R1
P3Q2R2
P1Q2R2
P1Q1R2
P1Q3R2
P1Q2R1
P2Q2R2
P2Q1R2
P3Q3R1
P1Q1R1
P1Q2R1
P2Q3R1
P3Q2R2
P3Q1R1
P2Q2R2
P1Q3R2
P2Q3R2
P2Q1R1
P3Q3R1
P2Q2R2
P3Q1R1
P2Q2R1
P2Q3R1
CONTOH KASUS: Aplikasi RAK Tiga Faktor Dalam Analisis Pengaruh Dosis Pemupukan, Frekuensi Pemberian Air Serta Jenis Varietas Terhadap Hasil Jagung Hibrida Sebuah penelitian dilakukan untuk mengetahui pengaruh penggunaan pupuk, frekuensi pemberian air serta jenis varietas terhadap hasil jagung hibrida. Kombinasi pemupukan terdiri atas 3 taraf (P1, P2, P3), frekuensi pemberian air terdiri atas 3 taraf (Q1, Q2, Q3) dan jenis varietas 2 taraf (R1, R2). Percobaan disusun dalam bentuk RAK 3 Faktor dengan 3 ulangan. Data yang diperoleh kemudian ditabulasi sebagai berikut: Data hasil pengujian interaksi pupuk, frekuensi pemberian air dan jenis varietas terhadap hasil jagung (t/ha)
Nomor 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Perlakuan P1Q1R1 P1Q1R2 P1Q2R1 P1Q2R2 P1Q3R1 P1Q3R2 P2Q1R1 P2Q1R2 P2Q2R1 P2Q2R2 P2Q3R1 P2Q3R2 P3Q1R1 P3Q1R2 P3Q2R1 P3Q2R2 P3Q3R1 P3Q3R2
1 10,5 9,7 9,1 9,2 8,4 8,8 9,9 8,8 8,0 7,6 8,0 7,7 8,6 8,8 8,4 8,2 7,9 7,5
Ulangan 2 9,8 9,4 9,3 9,1 8,1 8,2 8,9 8,3 8,2 7,7 8,1 7,4 8,6 8,6 8,2 8,3 7,6 7,3
3 9,9 9,6 8,7 8,9 8,0 8,4 8,5 8,6 8,4 7,9 7,9 7,6 8,5 8,9 8,5 8,1 7,8 7,1
Penyelesaian Model yang digunakan untuk analisis sidik ragam adalah general linear model dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti Gambar 1. Simpan dengan nama Rak3Faktor.xls
Gambar 1. Tampilan data entri di Excel 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data. Selanjutnya pada dialog File Type pilih Excel dan File name pilih Rak3Faktor.xls dilanjutkan dengan klik Open. Klik Continue data akan ditampilkan di data view spss.
Gambar 2. Data view perlakuan 3. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model > univariate, Kotak dialog Univariate selanjutnya ditampilkan. Pilih variabel Hasil dan klik ke Dependent List. Pada Fixed Faktor pilih Pupuk, Air, Varietas dan Blok.
Gambar 3. Memasukkan variabel
4. Klik model maka akan keluar tampilan seperti gambar 4. Klik custom dan masukkan variabel Pupuk, Air, Varietas dan Blok. Selanjutnya kita akan menganalisis interaksi pemupukan dengan frekuensi pemberian air serta varietas. Klik variabel Pupuk sambil menekan Shift
klik Air maka kedua variabel akan
terblok. Klik tanda panah ke kanan maka akan terbentuk interaksi Pupuk*Air pada model. Ulangi hal yang sama untuk interaksi Pupuk*Varietas, Air*Varietas serta interaksi Pupuk*Air*Varietas.
Gambar 4. Kotak dialog model
OUTPUT MODEL Tests of Between-Subjects Effects Dependent Variable:Hasil Source Corrected Model Intercept Pupuk (Faktor P) Air (Faktor Q) Varietas (Faktor R) Ulangan Pupuk * Air Pupuk * Varietas Air * Varietas Pupuk * Air * Varietas Error Total Corrected Total
Type III Sum of Squares a
26.426 3876.042 9.373 13.608 .689 .564 .906 .446 .018 .822 1.882 3904.350 28.308
Df
Mean Square 19 1 2 2 1 2 4 2 2 4 34 54 53
1.391 3876.042 4.687 6.804 .689 .282 .226 .223 .009 .205 .055
F
Sig.
25.124 7.002E4 84.659 122.904 12.447 5.098 4.089 4.028 .164 3.711
.000 .000 .000 .000 .001 .012 .008 .027 .849 .013
a. R Squared = .934 (Adjusted R Squared = .896)
Hasil analisis sidik ragam diperoleh nilai Sig (p-value) variabel Pupuk, Air dan
Varietas = 0,000 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang sangat nyata antara perlakuan pemupukan, frekuensi pemberian air dan varietas dengan hasil tanaman jagung. Interaksi Pupuk dengan Air mempunyai nilai Sig (p-value) = 0,008 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang nyata antara perlakuan pemupukan dan frekuensi pengairan terhadap hasil. Interaksi Pupuk dengan Varietas mempunyai nilai Sig (p-value) = 0,027 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang nyata antara perlakuan pemupukan dan varietas terhadap hasil jagung. Interaksi Air dengan Varietas mempunyai nilai Sig (p-value) = 0,849 (> 0,05) sehingga hipotesis H0 diterima dan disimpulkan bahwa tidak ada
perbedaan yang
nyata antara perlakuan prekuensi pemberian air dan varietas terhadap hasil. Interaksi Pupuk*Air*Varietas mempunyai nilai Sig (p-value) = 0,013 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang
nyata antara perlakuan pemupukan, frekuensi pemberian air
dan varietas terhadap
hasil jagung. Untuk melakukan uji lanjut interaksi antar variabel ikuti prosedur berikut: 1. Ubah konfigurasi penyusunan data (lihat bab sebelumnya. Klik File > Open >
Data > Rak3faktorinteraksi.Xls. Tampilan data di SPSS adalah
Gambar 5. Data view SPSS 2. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General
linear model > univariate. Pilih variabel Hasil dan klik ke Dependent List. Selanjutnya Pada Fixed Faktor pilih Ulangan dan Perlakuan.
Gambar 6. Memasukkanvariabel 3. Klik model maka akan keluar tampilan seperti gambar 7. Klik custom dan masukkan Ulangan dan Perlakuan . Klik continue.
Gambar 7. Tampilan univariate model 4. Selanjutnya kita akan melakukan uji Duncan. Klik menu Post Hoc Pilih variabel
Perlakuan dilanjutkan dengan menekan panah kekanan. Pilih uji Duncan > Continue > OK. Output Model akan ditampilkan sebagai berikut. OUTPUT MODEL HASIL Duncan PERLAKUAN
N
Subset
1 18 12 10 17 11 5 9 16 15 6 8 13 14 3 4 7 2 1 Sig.
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
7.30 j 7.56 j
2 7.56 i 7.73 i 7.76 i
3
7.73 h 7.76 h 8.00 h
4
5
7.76 g 8.00 g 8.00 f 8.16 g 8.16 f 8.20 f 8.20 f 8.36 f
6
8.16 e 8.20 e 8.20 e 8.36 e 8.46 e 8.56 e 8.56 e
7
8
9
10
8.36 d 8.46 d 8.56 d 8.56 d 8.76 d 8.76 c 9.03 c 9.06 c 9.10 c 9.56 b
.174
.334
.199
.056
.096
.078
.070
Hasil uji Duncan diatas selanjutnya dapat di sederhanakan sebagai berikut
.121
1.000
10.06 a 1.000
Nomor
Perlakuan
Hasil (t/ha)
1
P1Q1R1
10,07 a
2
P1Q1R2
9,57 b
3
P1Q2R1
9,03 c
4
P1Q2R2
9,07 c
5
P1Q3R1
8,17 efg
6
P1Q3R2
8,47 de
7
P2Q1R1
9,10 c
8
P2Q1R2
8,57 de
9
P2Q2R1
8,20 ef
10
P2Q2R2
7,73 hi
11
P2Q3R1
8,00 fgh
12
P2Q3R2
7,57 ij
13
P3Q1R1
8,57 de
14
P3Q1R2
8,77 cd
15
P3Q2R1
8,37 def
16
P3Q2R2
8,20 ef
17
P3Q3R1
7,77 ghi
18
P3Q3R2
7,30 j
Kesimpulan: 1. Berdasarkan uji Duncan disimpulkan bahwa perlakuan pupuk P1, frekuensi pemberian air Q1 dan varietas R1 memberikan hasil tertinggi yaitu 10,07 t/ha dan berbeda nyata dengan perlakuan lainnya. Sementara itu perlakuan pupuk P3, frekuensi pemberian air Q3 dan varietas R2 memberikan hasil terendah yaitu 7,30 t/ha. 2. Untuk mendapatkan hasil optimal rekomendasi yang dapat diterapkan adalah dengan menggunakan perlakuan P1Q1R1.
ANALISIS DATA MENGGUNAKAN SOFWARE SAS Penyusunan data pada MS Excel Pupuk P1 P1 P1 P1 P1 P1 P2 P2 P2 P2 P2 P2 P3 P3 P3 P3 P3 P3 P1 P1 P1 P1 P1 P1 P2 P2 P2 P2 P2 P2 P3 P3 P3 P3 P3 P3 P1 P1 P1 P1 P1 P1 P2 P2 P2 P2
Air Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2
Varietas R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2
Ulangan 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3
Hasil 10.5 9.7 9.1 9.2 8.4 8.8 9.9 8.8 8.0 7.6 8.0 7.7 8.6 8.8 8.4 8.2 7.9 7.5 9.8 9.4 9.3 9.1 8.1 8.2 8.9 8.3 8.2 7.7 8.1 7.4 8.6 8.6 8.2 8.3 7.6 7.3 9.9 9.6 8.7 8.9 8.0 8.4 8.5 8.6 8.4 7.9
P2 P2 P3 P3 P3 P3 P3 P3
Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3
R1 R2 R1 R2 R1 R2 R1 R2
3 3 3 3 3 3 3 3
7.9 7.6 8.5 8.9 8.5 8.1 7.8 7.1
Ketik Listing SAS di Windows Editor OPTION PS=60; TITLE'RAK 3 FAKTORIAL--Pupuk,air, dan varietas'; Data; input Pupuk$ Air$ Varietas$ Ulangan Hasil; inter1=compress(Pupuk||Air); inter2=compress(Pupuk||Varietas); inter3=compress(Air||Varietas); inter4=compress (Pupuk||Air||Varietas); cards; Copy data dari excel dan paste di bagian bahwah “crads”
; proc anova; class Pupuk Air Varietas Ulangan ; Model Hasil= ulangan Pupuk Air Varietas pupuk*Air Pupuk*Varietas Air*Varietas Pupuk*Air*Varietas; RUN; proc glm; Class Pupuk Air Varietas Ulangan inter1 inter2 inter3 inter4; Model Hasil = ulangan Pupuk Air Varietas pupuk*Air Pupuk*Varietas Air*Varietas Pupuk*Air*Varietas inter1 inter2 inter3 inter4/NOUNI; MEANS Pupuk Air Varietas inter1 inter2 inter3 inter4/DUNCAN; RUN;
copy paste data dari MS. Excel Listing SAS di Windows editor di bagian sintax “cards” . contoh sintax SAS dengan data OPTION PS=60; TITLE'RAK 3 FAKTORIAL--Pupuk,air, dan varietas'; Data; input Pupuk$ Air$ Varietas$ Ulangan Hasil; inter1=compress(Pupuk||Air); inter2=compress(Pupuk||Varietas); inter3=compress(Air||Varietas); inter4=compress (Pupuk||Air||Varietas); cards; P1 Q1 R1 1 10.5 P1 Q1 R2 1 9.7 P1 Q2 R1 1 9.1 P1 Q2 R2 1 9.2
P1 P1 P2 P2 P2 P2 P2 P2 P3 P3 P3 P3 P3 P3 P1 P1 P1 P1 P1 P1 P2 P2 P2 P2 P2 P2 P3 P3 P3 P3 P3 P3 P1 P1 P1 P1 P1 P1 P2 P2 P2 P2 P2 P2 P3 P3 P3 P3 P3 P3
Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3 Q1 Q1 Q2 Q2 Q3 Q3
R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2 R1 R2
1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
8.4 8.8 9.9 8.8 8.0 7.6 8.0 7.7 8.6 8.8 8.4 8.2 7.9 7.5 9.8 9.4 9.3 9.1 8.1 8.2 8.9 8.3 8.2 7.7 8.1 7.4 8.6 8.6 8.2 8.3 7.6 7.3 9.9 9.6 8.7 8.9 8.0 8.4 8.5 8.6 8.4 7.9 7.9 7.6 8.5 8.9 8.5 8.1 7.8 7.1
; proc anova; class Pupuk Air Varietas Ulangan ; Model Hasil= ulangan Pupuk Air Varietas pupuk*Air Pupuk*Varietas Air*Varietas Pupuk*Air*Varietas;
RUN; proc glm; Class Pupuk Air Varietas Ulangan inter1 inter2 inter3 inter4; Model Hasil = ulangan Pupuk Air Varietas pupuk*Air Pupuk*Varietas Air*Varietas Pupuk*Air*Varietas inter1 inter2 inter3 inter4/NOUNI; MEANS Pupuk Air Varietas inter1 inter2 inter3 inter4/DUNCAN; RUN;
Klik Submit atau tekan F8 untuk menjalankan analisis data Klik windows Output untuk melihat hasil analisis Contoh hasil analisis RAK 3 FAKTORIAL--Pupuk,air, dan varietas
1 17:01 Monday, March 1, 2015
The ANOVA Procedure Class Level Information Class
Levels
Values
Pupuk
3
P1 P2 P3
Air
3
Q1 Q2 Q3
Varietas
2
R1 R2
Ulangan
3
1 2 3
Number of observations
54
RAK 3 FAKTORIAL--Pupuk,air, dan varietas
2 17:01 Monday, March 1, 2015
The ANOVA Procedure Dependent Variable: Hasil Source
DF
Sum of Squares
Mean Square
F Value
Pr > F
Model
19
26.42611111
1.39084795
25.12
<.0001
Error
34
1.88222222
0.05535948
Corrected Total
53
28.30833333
R-Square
Coeff Var
Root MSE
Hasil Mean
0.933510
2.777146
0.235286
8.472222
Source Ulangan Pupuk Air Varietas Pupuk*Air Pupuk*Varietas Air*Varietas Pupuk*Air*Varietas
DF
Anova SS
Mean Square
F Value
Pr > F
2 2 2 1 4 2 2 4
0.56444444 9.37333333 13.60777778 0.68907407 0.90555556 0.44592593 0.01814815 0.82185185
0.28222222 4.68666667 6.80388889 0.68907407 0.22638889 0.22296296 0.00907407 0.20546296
5.10 84.66 122.90 12.45 4.09 4.03 0.16 3.71
0.0116 <.0001 <.0001 0.0012 0.0082 0.0269 0.8495 0.0130
Tabel Anova adalah dapat disusun ulang sebagai berikut: Sumber Keragaman
db
Jumlah Kuadrat
Kuadrat Tengah
F Value
Pr > F
Ulangan
2
0.56444444
0.28222222
5.1
Pupuk
2
9.37333333
4.68666667
84.66
<.0001 **
Air
2
13.60777778
6.80388889
122.9
<.0001 **
Varietas
1
0.68907407
0.68907407
12.45
0.0012 **
Pupuk*Air
4
0.90555556
0.22638889
4.09
0.0082 **
Pupuk*Varietas
2
0.44592593
0.22296296
4.03
0.0269 *
Air*Varietas
2
0.01814815
0.00907407
0.16
0.8495 tn
Pupuk*Air*Varietas
4
0.82185185
0.20546296
3.71
0.013 *
Galat
34
1.88222222
0.05535948
Total
53
28.30833333
RAK 3 FAKTORIAL--Pupuk,air, dan varietas
0.0116
3 17:01 Monday, March 1, 2015 The GLM Procedure
Class Level Information Class
Levels
Values
Pupuk
3
P1 P2 P3
Air
3
Q1 Q2 Q3
Varietas
2
R1 R2
Ulangan
3
1 2 3
inter1
9
P1Q1 P1Q2 P1Q3 P2Q1 P2Q2 P2Q3 P3Q1 P3Q2 P3Q3
inter2
6
P1R1 P1R2 P2R1 P2R2 P3R1 P3R2
inter3
6
Q1R1 Q1R2 Q2R1 Q2R2 Q3R1 Q3R2
inter4
18
P1Q1R1 P1Q1R2 P1Q2R1 P1Q2R2 P1Q3R1 P1Q3R2 P2Q1R1 P2Q1R2 P2Q2R1 P2Q2R2 P2Q3R1 P2Q3R2 P3Q1R1 P3Q1R2 P3Q2R1 P3Q2R2 P3Q3R1 P3Q3R2 Number of observations
54
RAK 3 FAKTORIAL--Pupuk,air, dan varietas
4 17:01 Monday, March 1, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 34 Error Mean Square 0.055359 Number of Means Critical Range
2 .1594
3 .1675
Means with the same letter are not significantly different.
Duncan Grouping
Mean
N
Pupuk
A
9.06111
18
P1
B B B
8.19444
18
P2
8.16111
18
P3
RAK 3 FAKTORIAL--Pupuk,air, dan varietas
5 17:01 Monday, March 1, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 34 Error Mean Square 0.055359 Number of Means Critical Range
2 .1594
3 .1675
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
Air
A
9.10556
18
Q1
B
8.43333
18
Q2
C
7.87778
18
Q3
RAK 3 FAKTORIAL--Pupuk,air, dan varietas
6 17:01 Monday, March 1, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 34 Error Mean Square 0.055359 Number of Means Critical Range
2 .1301
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
Varietas
A
8.58519
27
R1
B
8.35926
27
R2
RAK 3 FAKTORIAL--Pupuk,air, dan varietas
7 17:01 Monday, March 1, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 34 Error Mean Square 0.055359
Number of Means Critical Range
2 .2761
3 .2902
4 .2994
5 .3060
6 .3110
7 .3149
8 .3181
9 .3207
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
inter1
A
9.8167
6
P1Q1
B B B
9.0500
6
P1Q2
8.8333
6
P2Q1
8.6667
6
P3Q1
D D D
8.3167
6
P1Q3
8.2833
6
P3Q2
E E E
7.9667
6
P2Q2
7.7833
6
P2Q3
7.5333
6
P3Q3
C C C
F F F
RAK 3 FAKTORIAL--Pupuk,air, dan varietas
8 17:01 Monday, March 1, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 34 Error Mean Square 0.055359 Number of Means Critical Range
2 .2254
3 .2369
4 .2444
5 .2498
6 .2539
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
inter2
A A A
9.0889
9
P1R1
9.0333
9
P1R2
B B B
8.4333
9
P2R1
8.2333
9
P3R1
8.0889
9
P3R2
7.9556
9
P2R2
C C C
D D D
RAK 3 FAKTORIAL--Pupuk,air, dan varietas
9 17:01 Monday, March 1, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 34 Error Mean Square 0.055359 Number of Means
2
3
4
5
6
Critical Range
.2254
.2369
.2444
.2498
.2539
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
inter3
A
9.2444
9
Q1R1
B
8.9667
9
Q1R2
C C C
8.5333
9
Q2R1
8.3333
9
Q2R2
D D D
7.9778
9
Q3R1
7.7778
9
Q3R2
RAK 3 FAKTORIAL--Pupuk,air, dan varietas
10 17:01 Monday, March 1, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 34 Error Mean Square 0.055359 Number of Means Critical Range Number of Means Critical Range
2 .3904
3 .4104
11 .4593
4 .4234
12 .4615
13 .4634
5 .4327
6 .4398
14 .4651
7 .4454 15 .4665
8 .4499 16 .4678
Means with the same letter are not significantly different. Duncan Grouping
D D D D D D D D D
G G G G G
Mean
N
inter4
A
10.0667
3
P1Q1R1
B
9.5667
3
P1Q1R2
C C C C C C C
9.1000
3
P2Q1R1
9.0667
3
P1Q2R2
9.0333
3
P1Q2R1
8.7667
3
P3Q1R2
8.5667
3
P2Q1R2
8.5667
3
P3Q1R1
8.4667
3
P1Q3R2
F F F F F F F F F
8.3667
3
P3Q2R1
8.2000
3
P2Q2R1
8.2000
3
P3Q2R2
8.1667
3
P1Q3R1
8.0000
3
P2Q3R1
I I I I I
7.7667
3
P3Q3R1
7.7333
3
P2Q2R2
7.5667
3
P2Q3R2
7.3000
3
P3Q3R2
E E E E E E E E E E E E E H H H H H J J J
9 .4536 17 .4688
10 .4567 18 .4698
Tabel interaksi pemupukan, pemberian air dan varietas dapat disusun ulang sebagai berikut: Varietas
Takaran pupuk
Frekuensi pemberian air
Hasil
R1
P1
Q1
10.0667 a
R1
P1
Q2
9.0333 c
R1
P1
Q3
8.1667 efg
R1
P2
Q1
9.1 c
R1
P2
Q2
8.2 ef
R1
P2
Q3
8 fgh
R1
P3
Q1
8.5667 de
R1
P3
Q2
8.3667 def
R1
P3
Q3
7.7667 hgi
R2
P1
Q1
9.5667 b
R2
P1
Q2
9.0667 c
R2
P1
Q3
8.4667 de
R2
P2
Q1
8.5667 de
R2
P2
Q2
7.7333 hi
R2
P2
Q3
7.5667 ij
R2
P3
Q1
8.7667 cd
R2
P3
Q2
8.2 ef
R2
P3
Q3
7.3 j
KK (%)
2.8
BAB 7 APLIKASI RANCANGAN PETAK TERPISAH Rancangan split plot design atau dalam bahasa Indonesia disebut Rancangan Petak Terpisah atau Rancangan Petak Terbagi (RPT) merupakan jenis percobaan faktorial (lebih dari satu faktor). Rancangan ini dicirikan oleh adanya petak utama dan anak petak. Rancangan ini digunakan pada berbagai kondisi seperti: 1. Kita ingin mengetahui pengaruh perlakuan dengan tingkat ketelitian yang berbeda, dalam hal ini pada petak utama tingkat ketelitian yang lebih rendah sedangkan pada anak petak dinginkan tingkat ketelitian yang lebih tinggi. Misalnya suatu penelitian dilakukan untuk menilai 5 galur unggul jagung pada tiga taraf/level pemupukan. Karena kita mengharapkan ketelitian yang lebih tinggi pada respon galur daripada respon pemupukan maka pemupukan dijadikan petak utama sementara galur jagung menjadi anak petak. 2. Pengaruh utama salah satu faktor diharapkan lebih besar dan lebih mudah terlihat dibandingkan faktor lainnya. Misalnya kita ingin mengetahui produksi 4 varietas jagung hibrida pada populasi yang berbeda. Potensi produksi dari keempat varietas tersebut telah diketahui sebelumnya sedangkan yang ingin diketahui adalah seberapa padat keempat varietas itu dapat ditanam dengan hasil optimal. Pada kondisi tersebut maka varietas dijadikan sebagai petak utama sedangkan populasi tanaman dijadikan anak petak. Pengacakan RPT RAL Dalam pelaksanaannya, percobaan RPT dapat diterapkan pada percobaan RAL maupun RAK. Pada percobaan RAL, petak utama dirancang secara acak lengkap sedangkan anak petak diletakkan secara acak di dalam petak utama. Sebagai contoh, sebuah penelitian dilakukan untuk mengetahui pengaruh pemupukan dan varietas terhadap hasil jagung manis. Faktor pertama pemupukan (A) sebagai faktor yang
kurang dipentingkan ditempatkan di petak utama yang terdiri atas tiga taraf (A1, A2, dan A3). Faktor kedua adalah varietas (B) yang terdiri atas tiga taraf (B1, B2 dan B3). Percobaan diulang sebanyak tiga kali. Bagan percobaan split plot RAL nya dibuat sebagai berikut: A1
A3
A2
A2
A3
A1
A3
A1
A2
A1B1
A3B2
A2B2
A2B3
A3B2
A1B1
A3B2
A1B1
A2B3
A1B2
A3B1
A2B3
A2B2
A3B1
A1B3
A3B3
A1B2
A2B1
A1B3
A3B3
A2B1
A2B1
A3B3
A1B2
A3B1
A1B3
A2B2
Kombinasi perlakuan adalah: A1B1, A1B2, A1B3, A3B2, A3B1, A3B3, A2B2, A2B3, A2B1, A2B3, A2B2, A2B1, A3B2, A3B1, A3B3, A1B1, A1B3, A1B2, A3B2, A3B3, A3B1, A1B1, A1B2, A1B3, A2B3, A2B1, dan A2B2. Pengacakan RPT RAK Pada percobaan RPT RAK, area percobaan dibagi menjadi kelompok/blok. Pembagian kelompok didasarkan pada pertimbangan bahwa keragaman pada setiap kelompok yang sama relatif homogen. Setiap kelompok selanjutnya di bagi menjadi anak petak sesuai dengan taraf faktor dari percobaan yang dilakukan. Tahapan selanjutnya adalah melakukan pengacakan pada setiap kelompok secara terpisah di ikuti dengan pengacakan pada anak petak pada setiap petak utama secara terpisah. Sebagai contoh, sebuah penelitian pot dilakukan untuk mengetahui pengaruh pemupukan dan varietas terhadap hasil jagung manis. Faktor pertama pemupukan (A) sebagai faktor yang kurang dipentingkan ditempatkan di petak utama yang terdiri atas tiga taraf (A1, A2, dan A3). Faktor kedua adalah varietas (B) yang terdiri tiga taraf (B1, B2 dan B3). Percobaan diulang tiga kali. Bagan percobaan split plot RAK nya adalah:
BLOK III
BLOK II
BLOK I
A3B1
A3B3
A1B1
A3B3
A3B1
A1B2
A3B2
A3B2
A1B3
A1B1
A2B2
A3B3
A1B2
A2B3
A3B1
A1B3
A2B1
A3B2
A2B3
A1B3
A2B3
A2B1
A1B2
A2B2
A2B2
A1B1
A2B1
CONTOH KASUS: Analisis Pengaruh Kombinasi Pemupukan N dan Genotipe Terhadap Hasil Jagung Menggunakan RPT Sebuah penelitian dilakukan untuk mengetahui pengaruh pemupukan N dan genotipe terhadap hasil jagung. Penelitian pendahuluan pengaruh pemupukan N terhadap jagung telah diketahui namun pengaruh genotipe belum diketahui. Oleh karena itu pemupukan N dijadikan petak utama sementara respon genotipe menjadi anak petak. Kombinasi pemupukan N terdiri atas 6 taraf sedangkan genotipe terdiri atas dua taraf. Percobaan menggunakan empat ulangan. Data yang diperoleh dari hasil percobaan kemudian ditabulasi sebagai berikut: Data hasil pengujian interaksi pupuk dengan genotype terhadap hasil jagung. Pupuk
Kontrol 50 Kg N
Genotipe
G1 G2 G1 G2
Hasil (t/ha) Ul. 1 5,4 4,3 7,8 6,8
Ul. 2 5,2 4,2 8,1 6,7
Ul. 3 4,9 4 7,8 6,8
Ul. 4 5 3,9 8 6,7
75 Kg N 100 Kg N 125 Kg N 150 Kg N
G1 G2 G1 G2 G1 G2 G1 G2
9 8 9,9 8,9 10,6 9,8 11,2 12
8,7 7,9 9,8 8,5 10,4 9,2 10,9 12,4
8,8 7,5 9,8 8,8 10 9 11 12,5
9 7,6 9,5 8 10,7 8,9 11,5 13
Penyelesaian Model yang digunakan untuk analisis sidik ragam adalah general linear model dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan dengan nama splitplot.xls
Gambar 1.Tampilan data entri di Excel 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data
3. Selanjutnya pada dialog File qType pilih Excel dan File nama pilih splitplot.xls dilanjutkan dengan klik Open. Klik Continue maka data view spss ditampilkan.
Gambar 2. Data view perlakuan 4. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model >univariate. 5. Kotak dialog Univariate selanjutnya ditampilkan. Pilih variable Hasil dan klik ke
Dependent List. Pada Fixed Faktor pilih Pupuk dan Genotipe. Pada Random Faktor (s) pilih Ulangan (Lihat gambar 3).
Gambar 3. Memasukkan variabel 6. Klik model maka akan keluar tampilan seperti gambar 4. Klik custom dan masukkan variable Pupuk, Genotipe dan Ulangan. Selanjutnya kita akan menganalisis interaksi pupuk dengan genotype serta pupuk dengan ulangan. Klik variable pupuk sambil menekan Shift klik genotipe, kedua variable terblok. Klik panah ke kanan maka akan terbentuk interaksi Pupuk*Genotipe. Ulangi hal yang sama untuk interaksi Pupuk*Ulangan. Klik continue > OK.
Gambar 4. Kotak dialog model
OUTPUT MODEL
Tests of Between-Subjects Effects Dependent Variable:Hasil Source
Type III Sum of Squares a
df
Mean Square
Corrected Model 255.752 29 8.819 Intercept 3474.803 1 3474.803 PU (pupuk) 237.197 5 47.439 AP (genotype) 6.453 1 6.453 Ulangan .342 3 .114 PU * AP 10.212 5 2.042 PU * Ulangan 1.548 15 .103 Error .745 18 .041 Total 3731.300 48 Corrected Total 256.497 47 a. R Squared = .997 (Adjusted R Squared = .992)
F
Sig.
213.077 8.395E4 1146.19 155.919 2.752 49.345 2.494
.000 .000 .000 .000 .073 .000 .034
Hasil analisis sidik ragam diperoleh nilai Sig (p-value) variable Pupuk = 0,000 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang sangat nyata antara perlakuan Pupuk dengan hasil tanaman jagung. Selanjutnya variabel kedua yaitu Genotipe diperoleh nilai
Sig (p-value)
variable Genotipe = 0,000 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang sangat nyata antara perlakuan Genotipe dengan hasil. Interaksi Genotipe dengan Pupuk mempunyai nilai Sig (p-value) = 0,000 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang sangat nyata antara perlakuan pupuk dan genotipe terhadap hasil jagung. Apabila ingin dilakukan uji lanjut atau interaksi varietas dan lama penyimpanan prosedurnya adalah: 1. Ubah konfigurasi penyusunan data. Tampilan data di Excel adalah
(A). Penyusunan Interaksi arah horizontal di excel
(B). Penyusunan Interaksi arah vertikal excel
Gambar 7. Data view di Excel 1. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data 2. Selanjutnya pada dialog File Type pilih Excel dan File name pilih Splitfaktorhorizontal.xls dilanjutkan dengan klik Open. 3. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.
Gambar 8. Data view SPSS 2. Selanjutnya kita akan melakukan analisis varians, klik Analyze >General linear
model >Multivariate 3. Selanjutnya kotak dialog multivariate ditampilkan. Pilih variabel P0_G12, P50_G12, P75_G12, P100_G12, P125_G12, dan P150_G12 dilanjutkan dengan klik panah Dependent List. Pada Fixed Faktor pilih Ulangan dan Perlakuan.
Gambar 9. Memasukkan variabel 4. Klik model dilanjutkan Klik custom dan masukkan Ulangan dan Perlakuan . Klik continue. 5. Selanjutnya kita akan melakukan uji Duncan. Klik menu Post Hoc, pilih variabel Perlakuan > Continue. Pilih Uji Duncan dan klik Continue > OK. OUTPUT MODEL Output uji interaksi arah horizontal adalah: P0G1_G2 Perlaku an
N
1 2
4 4
P50G1_G2 Subset
1
2
4.10 B 5.13 A
Perlaku an
N
Subset
1 2
4 4
1
2
6.75 B 7.93 A
P75G1_G2 Perlaku an
N
1 2
4 4
P100G1_G2
Subset 1
2
7.75 B 8.88 A
Perlaku an
N
Subset
1 2
4 4
P125G1_G2 Perlaku an
N
1 2
4 4
1
2
8.55 B 9.75 A P150G1_G2
Subset 1
2
9.23 B 10.43 A
Perlaku an
N
Subset
1 2
4 4
1
2
11.15 B 12.48 A
Untuk melakukan uji Duncan arah vertikal ulangi prosedur di atas dengan menggunakan data interaksi arah vertikal (Lihat Gambar 7.B). Output uji interaksi arah vertikal adalah: G1P0_P50_P75_P100_P125_P150 Perlaku an
Subset N
1
1
4
2
4
3
4
4
4
5
4
6
4
2
3
4
5
6
5.13 f 7.93 e 8.8 d8 9.75 c 10.43 b 11.15 a
G2P0_P50_P75_P100_P125_P150 Perlaku an
Subset N
1
1
4
2
4
3
4
4
4
5
4
6
4
2
3
4
5
6
4.10 f 6.75 e 7.75 d 8.55 c 9.23 b 12.4 8 a
Hasil uji Duncan arah horizontal dan vertical selanjutnya dapat di sederhanakan sebagai berikut Pupuk Kontrol (0 N) 50 Kg N 75 Kg N 100 Kg N 125 Kg N 150 Kg N
Hasil (t/ha) Genotipe A 5,13 f A 7,93 e A 8,88 d A 9,75 c A 10,43 b A 11,15 a A
Genotipe B 4,10 f B 6,75 e B 7,75 d B 8,55 c B 9,23 b B 12,48 a B
Keterangan: Angka yang diikuti huruf yang sama tidak berbeda nyata menurut uji Duncan pada taraf 5%. Huruf kapital di baca horizontal (baris) dan huruf kecil dibaca arah vertical (kolom)
Kesimpulan: 1. Berdasarkan uji Duncan, pemberian pupuk dengan dosis 150 Kg/ha pada genotipe B memberikan hasil tertinggi yaitu 12,48 Kg/ha dan berbeda nyata dengan perlakuan lainnya. 2. Perlakuan kontrol (tanpa pupuk) pada genotipe B memberikan hasil yang terendah yaitu 4,10 t/ha.
ANALISIS DATA MENGGUNAKAN SOFWARE SAS Input data dalam MS. Excel dengan format sebagai berikut: PU AP Ulangan 0 G1 1 0 G1 2 0 G1 3 0 G1 4 0 G2 1 0 G2 2 0 G2 3 0 G2 4 50 G1 1 50 G1 2 50 G1 3 50 G1 4 50 G2 1 50 G2 2 50 G2 3 50 G2 4 75 G1 1 75 G1 2 75 G1 3 75 G1 4 75 G2 1 75 G2 2 75 G2 3 75 G2 4 100 G1 1 100 G1 2 100 G1 3 100 G1 4 100 G2 1 100 G2 2 100 G2 3 100 G2 4 125 G1 1 125 G1 2 125 G1 3 125 G1 4 125 G2 1 125 G2 2 125 G2 3 125 G2 4 150 G1 1 150 G1 2 150 G1 3 150 G1 4 150 G2 1 150 G2 2 150 G2 3 150 G2 4 Keterangan: PU = petak utama yaitu takaran pupuk AP = anak petak yaitu varieatas
Hasil 5.4 5.2 4.9 5 4.3 4.2 4 3.9 7.8 8.1 7.8 8 6.8 6.7 6.8 6.7 9 8.7 8.8 9 8 7.9 7.5 7.6 9.9 9.8 9.8 9.5 8.9 8.5 8.8 8 10.6 10.4 10 10.7 9.8 9.2 9 8.9 11.2 10.9 11 11.5 12 12.4 12.5 13
Ketik syntax SAS dalam windows Editors sebagai berikut: OPTION PS=60; TITLE'Anlsis data dengan RANCANGAN SPLIT PLOT. PU=pupuk AP=Varietas'; Data; input PU AP$ Ulangan Hasil; inter=compress(PU||AP); cards; INSERT DATA atau paste data dari Excel ; proc anova; class PU AP Ulangan; Model hasil= Ulangan PU Ulangan*PU AP PU*AP; TEST H=PU E=Ulangan*PU; RUN; proc glm; Class PU AP Ulangan INTER; Model hasil = Ulangan PU Ulangan*PU AP PU*AP INTER/NOUNI; MEANS PU AP INTER/DUNCAN; RUN;
Copy data dari MS. Excel di bagian bawah “cards”, sehingga listing SAS menjadi seperti di bawah ini OPTION PS=60; TITLE'Anlsis data dengan RANCANGAN SPLIT PLOT. PU=pupuk AP=Varietas'; Data; input PU AP$ Ulangan Hasil; inter=compress(PU||AP); cards; 0 G1 1 5.4 0 G1 2 5.2 0 G1 3 4.9 0 G1 4 5 0 G2 1 4.3 0 G2 2 4.2 0 G2 3 4 0 G2 4 3.9 50 G1 1 7.8 50 G1 2 8.1 50 G1 3 7.8 50 G1 4 8 50 G2 1 6.8 50 G2 2 6.7 50 G2 3 6.8 50 G2 4 6.7 75 G1 1 9 75 G1 2 8.7 75 G1 3 8.8 75 G1 4 9 75 G2 1 8 75 G2 2 7.9 75 G2 3 7.5
75 100 100 100 100 100 100 100 100 125 125 125 125 125 125 125 125 150 150 150 150 150 150 150 150
G2 G1 G1 G1 G1 G2 G2 G2 G2 G1 G1 G1 G1 G2 G2 G2 G2 G1 G1 G1 G1 G2 G2 G2 G2
4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
7.6 9.9 9.8 9.8 9.5 8.9 8.5 8.8 8 10.6 10.4 10 10.7 9.8 9.2 9 8.9 11.2 10.9 11 11.5 12 12.4 12.5 13
; proc anova; class PU AP Ulangan; Model hasil= Ulangan PU Ulangan*PU AP PU*AP; TEST H=PU E=Ulangan*PU; RUN; proc glm; Class PU AP Ulangan INTER; Model hasil = Ulangan PU Ulangan*PU AP PU*AP INTER/NOUNI; MEANS PU AP INTER/LSD; RUN;
Kemudian klik Submit atau tekan F8 untuk menjalankan analisis data Klik Windows Output untuk melihat hasil anlisis: Output Hasil analisis sebagai berikut: Anlsis data dengan RANCANGAN SPLIT PLOT. PU=pupuk AP=Varietas 41 13:11 Friday, February 19, 2015 The ANOVA Procedure Class Level Information Class
Levels
Values
PU
6
0 50 75 100 125 150
AP
2
G1 G2
Ulangan
4
1 2 3 4
Number of observations
48
Anlsis data dengan RANCANGAN SPLIT PLOT. PU=pupuk AP=Varietas 42 13:11 Friday, February 19, 2015 The ANOVA Procedure Dependent Variable: Hasil DF
Sum of Squares
Mean Square
F Value
Pr > F
29
255.7516667
8.8190230
213.08
<.0001
Error
18
0.7450000
0.0413889
Corrected Total
47
256.4966667
Source Model
Galat
R-Square
Coeff Var
Root MSE
Hasil Mean
0.997095
2.391098
0.203443
8.508333
Galat petak utama (PU)
Source Ulangan PU PU*Ulangan AP PU*AP
DF
Anova SS
Mean Square
F Value
Pr > F
3 5 15 1 5
0.3416667 237.1966667 1.5483333 6.4533333 10.2116667
0.1138889 47.4393333 0.1032222 6.4533333 2.0423333
2.75 1146.19 2.49 155.92 49.34
0.0728 <.0001 0.0336 <.0001 <.0001
Tests of Hypotheses Using the Anova MS for PU*Ulangan as an Error Term Source PU
DF
Anova SS
Mean Square
F Value
Pr > F
5
237.1966667
47.4393333
459.58
<.0001
Penyusunan Tabel anova Sumber keragaman Ulangan PU (pupuk) PU*Ulangan (Galat PU) AP (varietas) PU*AP Galat Total
db 3 5 15 1 5 18 47
Kuadrat Jumlah kuadrat tengah F Value Pr > 0.3416667 0.1138889 2.75 0.0728 237.1966667 47.4393333 1146.19 <.0001 1.5483333 0.1032222 2.49 0.0336 6.4533333 6.4533333 155.92 <.0001 10.2116667 2.0423333 49.34 <.0001 0.745 0.0413889 256.4966667
F ** ** **
Hasil analisis sidik ragam diperoleh nilai Sig (p-value) variable Pupuk, varietas
dan interaksi pupuk*varietas sebesar < 0,0001 lebih kecil (α< 0,01) sehingga disimpulkan terdapat perbedaan yang sangat nyata antara perlakuan Pupuk, genotipe dan interaksi pupuk*genotipe terhadap hasil tanaman jagung. Karena interkasi pupuk*genotipe menujukkan pengaruh yang sangat nyata maka dalam penyajian data dan pembahsan difokuskan pada pengaruh interaksi Hasil uji Duncan sebagai berikut
Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 18 Error Mean Square 0.041389 Number of Means Critical Range
2 .2137
3 .2242
4 .2309
5 .2355
6 .2388
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
PU
A
11.8125
8
150
B
9.8250
8
125
C
9.1500
8
100
D
8.3125
8
75
E
7.3375
8
50
F
4.6125
8
0
Uji Duncan pada petak utama
Anlsis data dengan RANCANGAN SPLIT PLOT. PU=pupuk AP=Varietas 5 18:47 Tuesday, March 2, 2015 The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 18 Error Mean Square 0.041389 Number of Means Critical Range
2 .1234
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
AP
A
8.87500
24
G1
B
8.14167
24
G2
Anlsis data dengan RANCANGAN SPLIT PLOT. PU=pupuk AP=Varietas 6 18:47 Tuesday, March 2, 2015 The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 18 Error Mean Square 0.041389 Number of Means Critical Range
2 .3022
3 .3171
4 .3265
5 .3330
6 .3377
7 .3413
8 .3441
9 .3463
10 .3480
Means with the same letter are not significantly different.
11 .3494
12 .3505
Duncan Grouping
Mean
N
inter
A
12.4750
4
150G2
B
11.1500
4
150G1
C
10.4250
4
125G1
D
9.7500
4
100G1
E
9.2250
4
125G2
F
8.8750
4
75G1
G
8.5500
4
100G2
H H H
7.9250
4
50G1
7.7500
4
75G2
I
6.7500
4
50G2
J
5.1250
4
0G1
K
4.1000
4
0G2
Uji Duncan pada interaksi
Penyusunan tabel interaksi untuk pembahasan
Pupuk 0 50 75 100 125 150 KK (%)
Hasil (t/ha) Genotipe G1 Genotipe G2 5.13 j 4.10 K 7.93 h 6.75 I 8.88 f 7.75 H 9.75 d 8.55 G 10.43 c 9.23 E 11.15 b 12.48 A 2.39%
BAB 8. APLIKASI RANCANGAN PETAK PETAK TERPISAH Rancangan split split plot design atau Rancangan
Petak
Petak merupakan
jenis percobaan yang melibatkan tiga faktor atau lebih sekaligus dengan tingkat ketelitian yang berbeda. Rancangan petak petak terpisah (RPPT) dicirikan oleh adanya petak utama, anak petak. dan anak anak petak. Pada petak utama diharapkan tingkat ketelitian yang lebih rendah, pada anak petak diinginkan tingkat ketelitian yang lebih tinggi, dan pada anak anak petak diinginkan tingkat ketelitian yang paling tinggi. Sebelum melakukan analisis dengan menggunakan rancangan ini, pembaca disarankan untuk memahami bab tentang aplikasi split plot design. Dalam pelaksanaan percobaan RPPTpercobaan dibagi menjadi kelompok/blok. Pembagian kelompok didasarkan pada pertimbangan bahwa keragaman pada setiap kelompok yang sama relatif homogen. Sebagai contoh, sebuah penelitian dilakukan untuk mengetahui pengaruh pemupukan N, varietas dan populasi tanaman terhadap hasil jagung. Faktor pertama adalah taraf pemupukan Nitrogen (N) sebagai faktor yang kurang dipentingkan ditempatkan di petak utama yang terdiri atas tiga taraf (N1, N2, dan N3). Faktor kedua adalah varietas (V) yang ditempatkan sebagai anak petak, terdiri atas dua (P dan B). Faktor ketiga yang diharapkan tingkat ketelitian yang paling tinggi adalah populasi tanaman yang terdiri atas tiga taraf yaitu (D1, D2 dan D3). Percobaan diulang sebanyak tiga kali. Jumlah seluruh petak percobaan yang dibutuhkan adalah 4 (petak utama) X 2 (anak petak) X 3 (anak anak petak) X 3 (ulangan) = 72 petak percobaan. Bagan percobaan split split plot dibuat sebagai berikut:
N4 V1 D1
N4 V2 D3
N3 V1 D2
N3 V2 D3
N1 V2 D1
N1 V1 D1
N2 V2 D2
N2 V1 D2
N4 V1 D3
N4 V2 D1
N3 V1 D3
N3 V2 D2
N1 V2 D2
N1 V1 D2
N2 V2 D1
N2 V1 D3
N4 V1 D2
N4 V2 D2
N3 V1 D1
N3 V2 D1
N1 V2 D3
N1 V1 D3
N2 V2 D3
N2 V1 D1
N1 V2 D1
N1 V1 D1
N2 V1 D3
N2 V2 D1
N4 V1 D1
N4 V2 D2
N3 V1 D2
N3 V2 D1
N1 V2 D2
N1 V1 D2
N2 V1 D2
N2 V2 D2
N4 V1 D2
N4 V2 D1
N3 V1 D3
N3 V2 D2
N1 V2 D3
N1 V1 D3
N2 V1 D1
N2 V2 D3
N4 V1 D3
N4 V2 D3
N3 V1 D1
N3 V2 D3
N3 V2 D3
N3 V1 D2
N1 V2 D1
N1 V1 D3
N2 V1 D1
N2 V2 D1
N4 V1 D2
N4 V2 D3
N3 V2 D2
N3 V1 D1
N1 V2 D2
N1 V1 D2
N2 V1 D3
N2 V2 D2
N4 V1 D1
N4 V2 D1
N3 V2 D1
N3 V1 D3
N1 V2 D3
N1 V1 D1
N2 V1 D2
N2 V2 D3
N4 V1 D3
N4 V2 D2
Ul. 1
Ul. 2
Ul. 3
Keterangan N1 = 50 N kg/ha
V1 = Pionir 22
D1 = 80808 (75x16.5)
N2 = 75 N kg/ha
V2 = Bisi 2
D2 = 72924
N3 = 125 N kg
D3 = 65040 (75x20.5)
N4 = 225 N kg/ha
CONTOH KASUS: Analisis Pengaruh Pemupukan N, Varietas dan Populasi Tanaman Terhadap Hasil Jagung Menggunakan Rancangan Petak Petak Terpisah
Sebuah
penelitian
dilakukan
untuk
mengetahui
pengaruh
kombinasi
pemupukan N, varietas dan populasi tanaman terhadap hasil jagung. Penelitian pendahuluan pengaruh pemupukan N terhadap varietas telah diketahui namun pengaruh populasi tanaman belum diketahui. Oleh karena itu pemupukan N dijadikan petak utama sementara varietas menjadi anak petak. Populasi tanaman ditempatkan sebagai anak anak petak. Pemupukan N terdiri atas 4 taraf (N1 = 50 N, N2=75 Kg N, N3
=125 Kg N), N4=225 Kg N/ha), varietas terdiri atas 2 taraf (P =Pioneer dan
B=Bisi), dan populasi tanaman terdiri atas 3 taraf (D1=80808 tanaman/ha, D2=72924 tan/ha dan D3=65040 tan/ha). Percobaan menggunakan tiga ulangan. Data yang diperoleh dari hasil percobaan kemudian ditabulasi sebagai berikut: Data hasil pengujian interaksi pupuk, varietas dan populasi tanaman terhadap hasil jagung Pupuk
Varietas
50 Kg N
P
B
75 Kg N
P
B
125 Kg N
P
B
225 Kg N
P
Populasi D1 D2 D3 D1 D2 D3 D1 D2 D3 D1 D2 D3 D1 D2 D3 D1 D2 D3 D1 D2 D3
Ulangan 1 6.7 6.9 7.6 6.0 7.6 6.5 9.5 10.5 10.7 9.1 9.5 9.7 9.8 9.9 10.9 12.3 11.6 11.9 11.4 12.3 11.1
Hasil (t/ha) Ulangan 2 7.5 8.3 7.2 7.4 6.1 7.2 8.8 9.3 10.6 10.3 10.1 9.7 11.4 12.1 13.0 12.6 12.5 12.5 13.4 13.7 12.3
Ulangan 3 8.2 7.5 6.5 5.7 6.5 7.9 10.4 9.3 11.4 9.5 10.8 10.6 10.1 11.0 11.7 10.2 10.5 11.0 13.0 12.1 12.5
B
D1 D2 D3
12.0 12.5 12.1
12.1 11.7 12.8
11.4 12.5 12.9
Penyelesaian Model yang digunakan untuk analisis sidik ragam adalah general linear model dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan dengan nama splitsplitplot.xls
Gambar 1.Tampilan data entri di Excel 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Klik File > Open > Data 3. Pada dialog FileType pilih Excel dan File nama pilih splitplot.xls dilanjutkan dengan klik Open. Klik Continue maka data view spss ditampilkan.
Gambar 2. Data view perlakuan 4. Selanjutnya kita akan melakukan analisis varians, klik Analyze >General linear
model >univariate 5. Pilih variable Hasil dan klik ke Dependent List. Pada Fixed Faktor pilih
Petak_Ut, Anak_Petak, Anak_anak_petak dan Ulangan, maka keempat variabel akan berpindah ke kanan. (Lihat gambar 3).
Gambar 3. Memasukkan variabel 6. Klik model maka akan keluar tampilan seperti gambar 4. Klik custom dan masukkan variable Petak_Ut, Anak_Petak, Anak_anak_petak Klik variable Petak_UT
sambil menekan Shift
dan Ulagan.
klik Anak_petak maka akan
terbentuk interaksi Petak_UT*Anak_petak pada model. Ulangi hal yang sama untuk interaksi Petak_UT*Anak_Anak_petak dan interaksi lainnya (lihat Gambar 4). Klik Continue > OK.
Gambar 4. Kotak dialog model OUTPUT MODEL Tests of Between-Subjects Effects Dependent Variable:Hasil
Source Corrected Model Intercept ULANGAN ULANGAN * PETAK_UT PETAK_UT PETAK_UT * ANAK_PETAK ANAK_PETAK ANAK_PETAK * ANAK_ANAK_PET PETAK_UT * ANAK_PETAK * ANAK_ANAK_PET PETAK_UT * ANAK_ANAK_PET ULANGAN * PETAK_UT * ANAK_PETAK
Type III Sum of Squares
df
Mean Square
F
Sig.
315.480a 7480.683 4.509
39 1 2
8.089 7480.683 2.254
22.535 2.084E4 6.280
.000 .000 .005
7.479
6
1.247
3.473
.009
283.404 3.292
3 3
94.468 1.097
263.172 3.057
.000 .042
.151
1
.151
.421
.521
.017
2
.009
.024
.976
5.565
6
.927
2.584
.037
1.774
6
.296
.824
.560
6.532
8
.817
2.275
.047
ANAK_ANAK_PET Error Total Corrected Total
2.757 11.487 7807.650
2 32 72
326.967
71
1.378 .359
3.840
.032
a. R Squared = .965 (Adjusted R Squared = .922)
Hasil analisis sidik ragam diperoleh nilai Sig (p-value) variable Petak_Ut dan
Anak_Anak_Petak = 0,000 dan 0,032 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang sangat nyata dan nyata antara perlakuan Pupuk dengan hasil tanaman jagung. Selanjutnya variable Anak_Petak diperoleh nilai Sig (p-value) = 0,521 (> 0,05), atau perlakuan tidak berbeda nyata dengan hasil. Interaksi
Petak_Ut*Ulangan (berbeda
nyata)
Petak_Ut*Anak_Petak,
Petak_Ut*Anak_Petak*Anak_Anak_Petak,
dan Petak_Ut*Anak_Petak_Ulangan mempunyai nilai Sig < 0,05 sementara
interaksi
Anak_Petak*Anak_Anak_Petak
serta
Petak_Ut*Anak_Anak_Petak mempunyai Sig > 0,05 (tidak berbeda nyata). Apabila kita akan melakukan uji lanjut interaksi Petak Utama-Anak Petak dan Anak-Anak Petak prosedurnya adalah sebagai berikut: 1. Ubah konfigurasi penyusunan data seperti pada Gambar 5. Klik File > Open >
Data > Splitsplitinteraksi.Xls. Tampilan data adalah
Gambar 5. Data view 2. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General
linear model > univariate. Pilih variable Hasil dan klik ke Dependent List. Selanjutnya Pada Fixed Faktor pilih Ulangan dan Perlakuan.
Gambar 6. Memasukkan variabell 3. Klik model > custom kemudian masukkan Ulangan dan Perlakuan. Klik
continue.
Gambar 7. tampilan univariate model
4. Klik menu Post Hoc, pilih variable Perlakuan. Selanjutnya pilih uji Duncan dan dilanjutkan dengan Klik Continue > OK.
OUTPUT MODEL
Hasil Uji Duncan PERLAK UAN 4 5 3 6 1 2 7 10 8 12 11 13 9 14 17 16 18 22 15 21 23 19 24 20 Sig.
N 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Subset 1 6.37 6.73 7.10 7.20 7.47 7.57
2
4
5
6
f f f f f f 9.57 e 9.63 e 9.70 e 10.00 e 10.13 e 10.43 e 10.90 e
.089
3
.062
9.63 d 9.70 d 10.00 d 10.13 d 10.43 d 10.43 c 10.90 d 10.90 c 10.90 11.00 d 11.00 c 11.00 11.53 c 11.53 11.70 c 11.70 11.80 c 11.80 11.83 11.87 11.97 12.23
.056
.053
.067
b b b b b b b b b
11.53 a 11.70 a 11.80 a 11.83 a 11.87 a 11.97 a 12.23 a 12.60 a 12.60 a 12.70 a .112
Hasil uji Duncan diatas selanjutnya dapat di sederhanakan sebagai berikut Nomor Perlakuan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Pupuk 50 Kg N
Varietas
Populasi
Hasil (t/ha)
D1 D2 D3 D1 D2 D3 D1 D2 D3 D1 D2 D3 D1 D2 D3 D1 D2 D3 D1 D2 D3 D1 D2 D3
7,47 f 7,57 f 7,10 f 6,37 f 6,73 f 7,20 f 9,57 e 9,70 de 10,90 bcde 9,63 de 10,13 de 10,00 de 10,43 cde 11,00 bcd 11,87 ab 11,70 abc 11,53 abc 11,80 abc 12,60 a 12,70 a 11,97 ab 11,83 ab 12,23 ab 12,60 a
P
B
75 Kg N
P
B
125 Kg N
P
B
225 Kg N
P
B
Catatan: untuk melakukan uji interaksi dua arah ikuti prosedur seperti pada RAK Faktorial
Kesimpulan: 1. Adanya interaksi antara takaran pupuk*varietas*populasi tanaman menyebakan adanya perbedaan rekombinasi pupuk untuk varietas B dan P untuk memperoleh hasil yang optimum sedangkan populasi tanaman tidak berbeda. 2. Varietas B dengan pemupukan 125 kg N/ha dengan populasi tanam D1 memperoleh hasil 11,7 t/ha tidak berbeda nyata dengan pemupukan 225 kg N/ha dengan populasi tanam D1
3. Varietas B memperoleh hasil dengan pemupukan 225 kg N/ha sebesar 12,6 t/ha yang berbeda nyata dengan pemupukan 125 kg N/ha. 4. Varietas B lebih efisien penggunaan pupuk dibanding varietas P, karena dengan pemupukan 125 kg N/ha pada varietas B memeproleh hasil yang tidak berbeda nyata dengan pemupukan 225 kg N/ha pada varietas P.
ANALISIS DATA MENGGUNAKAN SOFWARE SAS Input data dalam MS. Excel dengan format sebagai berikut: Ulangan 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3
PU N4 N4 N4 N4 N4 N4 N3 N3 N3 N3 N3 N3 N1 N1 N1 N1 N1 N1 N2 N2 N2 N2 N2 N2 N1 N1 N1 N1 N1 N1 N2 N2 N2 N2 N2 N2 N4 N4 N4 N4 N4 N4 N3 N3 N3 N3 N3 N3 N3
AP P B B P P B P B B P P B B P P B B P B P P B B P B P P B B P P B B P P B P B B P P B P B B P P B B
AAP D3 D1 D3 D1 D2 D2 D2 D1 D2 D1 D3 D3 D3 D3 D2 D2 D1 D1 D2 D2 D1 D3 D1 D3 D3 D3 D2 D2 D1 D1 D1 D3 D2 D2 D3 D1 D3 D2 D3 D2 D1 D1 D2 D3 D2 D1 D3 D1 D1
Hasil 11.1 12.0 12.1 11.4 12.3 12.5 9.9 12.3 11.6 9.8 10.9 11.9 6.5 7.6 6.9 7.6 6.0 6.7 9.5 10.5 9.5 9.7 9.1 10.7 7.2 7.2 8.3 6.1 7.4 7.5 8.8 9.7 10.1 9.3 10.6 10.3 12.3 11.7 12.8 13.7 13.4 12.1 12.1 12.5 12.5 11.4 13.0 12.6 10.2
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 Keteranagn
D2 N3 P D3 N3 P D2 N3 B D3 N3 B D1 N3 P D3 N1 B D1 N1 P D2 N1 P D2 N1 B D1 N1 B D3 N1 P D3 N2 P D3 N2 B D2 N2 B D1 N2 P D2 N2 P D1 N2 B D2 N4 P N4 D1 B D3 N4 B N4 D3 P D1 N4 P D2 N4 B PU = petak utama (pemupukan) AP = anak petak varietas APP = kepadatan populasi tanaman/ha
11.0 11.7 10.5 11.0 10.1 7.9 8.2 7.5 6.5 5.7 6.5 11.4 10.6 10.8 10.4 9.3 9.5 12.1 11.4 12.9 12.5 13.0 12.5
Ketik sintax SAS di windows Editor OPTION PS=160; TITLE'RANCANGAN SPLIT SPLIT PLOT DATA hasil'; Data; input Ulangan PU$ AP$ AAP$ Hasil; inter1=compress(PU||AP); inter2=compress(PU||AAP); inter3=compress(AP||AAP); inter4=compress(PU||AP||AAP); cards; INSERT DATA atau paste data dari Excel ; proc anova; class Ulangan PU AP AAP; Model Hasil =Ulangan PU Ulangan*PU AP PU*AP Ulangan*PU*AP AAP PU*AAP AP*AAP PU*AP*AAP; TEST H=PU E=Ulangan*PU; TEST H=AP PU*AP E=Ulangan*PU*AP; RUN; proc glm; Class Ulangan PU AP AAP INTER1 INTER2 INTER3 INTER4; Model Hasil =Ulangan PU Ulangan*PU AP AAP INTER1 Ulangan*INTER1 INTER2 INTER3 INTER4/NOUNI; TEST H=PU E=Ulangan*PU; TEST H=AP INTER1 E=Ulangan*INTER1; MEANS PU AP AAP INTER1 INTER2 INTER3 INTER4/DUNCAN;
RUN;
Copy data dari MS. Excel di bagian bawah “cards”, sehingga listing SAS menjadi seperti di bawah ini OPTION PS=160; TITLE'RANCANGAN SPLIT SPLIT PLOT DATA hasil'; Data; input Ulangan PU$ AP$ AAP$ Hasil; inter1=compress(PU||AP); inter2=compress(PU||AAP); inter3=compress(AP||AAP); inter4=compress(PU||AP||AAP); cards; 1 N4 P D3 11.1 1 N4 B D1 12.0 1 N4 B D3 12.1 1 N4 P D1 11.4 1 N4 P D2 12.3 1 N4 B D2 12.5 1 N3 P D2 9.9 1 N3 B D1 12.3 1 N3 B D2 11.6 1 N3 P D1 9.8 1 N3 P D3 10.9 1 N3 B D3 11.9 1 N1 B D3 6.5 1 N1 P D3 7.6 1 N1 P D2 6.9 1 N1 B D2 7.6 1 N1 B D1 6.0 1 N1 P D1 6.7 1 N2 B D2 9.5 1 N2 P D2 10.5 1 N2 P D1 9.5 1 N2 B D3 9.7 1 N2 B D1 9.1 1 N2 P D3 10.7 2 N1 B D3 7.2 2 N1 P D3 7.2 2 N1 P D2 8.3 2 N1 B D2 6.1 2 N1 B D1 7.4 2 N1 P D1 7.5 2 N2 P D1 8.8 2 N2 B D3 9.7 2 N2 B D2 10.1 2 N2 P D2 9.3 2 N2 P D3 10.6 2 N2 B D1 10.3 2 N4 P D3 12.3 2 N4 B D2 11.7 2 N4 B D3 12.8 2 N4 P D2 13.7 2 N4 P D1 13.4 2 N4 B D1 12.1
2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
N3 N3 N3 N3 N3 N3 N3 N3 N3 N3 N3 N3 N1 N1 N1 N1 N1 N1 N2 N2 N2 N2 N2 N2 N4 N4 N4 N4 N4 N4
P B B P P B B P P B B P B P P B B P P B B P P B P B B P P B
D2 D3 D2 D1 D3 D1 D1 D2 D3 D2 D3 D1 D3 D1 D2 D2 D1 D3 D3 D3 D2 D1 D2 D1 D2 D1 D3 D3 D1 D2
12.1 12.5 12.5 11.4 13.0 12.6 10.2 11.0 11.7 10.5 11.0 10.1 7.9 8.2 7.5 6.5 5.7 6.5 11.4 10.6 10.8 10.4 9.3 9.5 12.1 11.4 12.9 12.5 13.0 12.5
; proc anova; class Ulangan PU AP AAP; Model Hasil =Ulangan PU Ulangan*PU AP PU*AP Ulangan*PU*AP AAP PU*AAP AP*AAP PU*AP*AAP; TEST H=PU E=Ulangan*PU; TEST H=AP PU*AP E=Ulangan*PU*AP; RUN; proc glm; Class Ulangan PU AP AAP INTER1 INTER2 INTER3 INTER4; Model Hasil =Ulangan PU Ulangan*PU AP AAP INTER1 Ulangan*INTER1 INTER2 INTER3 INTER4/NOUNI; TEST H=PU E=Ulangan*PU; TEST H=AP INTER1 E=Ulangan*INTER1; MEANS PU AP AAP INTER1 INTER2 INTER3 INTER4/DUNCAN; RUN;
Kemudian klik Submit atau tekan F8 untuk menjalankan analisis data Klik Windows Output untuk melihat hasil anlisis:
Output SAS Split-Split_plot RANCANGAN SPLIT SPLIT PLOT DATA hasil
14 14:20 Friday, February 19, 2015
The ANOVA Procedure Class Level Information Class
Levels
Values
Ulangan
3
1 2 3
PU
4
N1 N2 N3 N4
AP
2
B P
AAP
3
D1 D2 D3
Number of observations
72
RANCANGAN SPLIT SPLIT PLOT DATA hasil
15 14:20 Friday, February 19, 2015
The ANOVA Procedure Dependent Variable: Hasil Source
DF
Sum of Squares
Mean Square
F Value
Pr > F
Model
39
315.4798611
8.0892272
22.54
<.0001
Error
32
11.4866667
0.3589583
Corrected Total
71
326.9665278
Source Ulangan PU Ulangan*PU AP PU*AP Ulangan*PU*AP AAP PU*AAP AP*AAP PU*AP*AAP
R-Square
Coeff Var
Root MSE
Hasil Mean
0.964869
5.877838
0.599131
10.19306
DF
Anova SS
Mean Square
F Value
Pr > F
2 3 6 1 3 8 2 6 2 6
4.5086111 283.4037500 7.4791667 0.1512500 3.2915278 6.5322222 2.7569444 1.7741667 0.0175000 5.5647222
2.2543056 94.4679167 1.2465278 0.1512500 1.0971759 0.8165278 1.3784722 0.2956944 0.0087500 0.9274537
6.28 263.17 3.47 0.42 3.06 2.27 3.84 0.82 0.02 2.58
0.0050 <.0001 0.0093 0.5209 0.0423 0.0473 0.0320 0.5600 0.9759 0.0372
Tests of Hypotheses Using the Anova MS for Ulangan*PU as an Error Term Source PU
DF
Anova SS
Mean Square
F Value
Pr > F
3
283.4037500
94.4679167
75.78
<.0001
Tests of Hypotheses Using the Anova MS for Ulangan*PU*AP as an Error Term Source AP PU*AP
DF
Anova SS
Mean Square
F Value
Pr > F
1 3
0.15125000 3.29152778
0.15125000 1.09717593
0.19 1.34
0.6783 0.3271
RANCANGAN SPLIT SPLIT PLOT DATA hasil The GLM Procedure Class Level Information
16 14:20 Friday, February 19, 2015
Tabel Anova dapat disusun ulang sebagai berikut: Sumber keragaman Ulangan PU (Takaran pupuk) Ulangan*PU (galat a) AP (Varietas) PU*AP Ulangan*PU*AP (galat b) AAP PU*AAP AP*AAP PU*AP*AAP Galat (c) Total
db 2 3 6 1 3 8 2 6 2 6 32 71
Jumlah Kuadrat F kuadrat tengah Value 4.5086111 2.2543056 6.28 283.40375 94.4679167 263.17 7.4791667 1.2465278 3.47 0.15125 0.15125 0.42 3.2915278 1.0971759 3.06 6.5322222 0.8165278 2.27 2.7569444 1.3784722 3.84 1.7741667 0.2956944 0.82 0.0175 0.00875 0.02 5.5647222 0.9274537 2.58 11.4866667 0.3589583 326.9665278
Pr > F 0.005 <.0001 0.0093 0.5209 0.0423 0.0473 0.032 0.56 0.9759 0.0372
** tn * * tn tn *
Keterangan:* nyata pada α=0.05, ** sangat nyata pada α=0.01, tn = tidak nyata
Berdasarkan analisis sidik ragam bahwa menunjukkan bahwa hasil jagung dipengaruhi secara nyata oleh pengaruh Pupuk (petak utama) dengan nilai sig. = 0,0001 (< 0,01), AAP (kepadatan populasi) dengan nilai sig. = 0.0423 (<0,05), interaksi PU*AP (Pupuk*Varietas) dengan nilai sig. = 0.032 (<0,05) dan interaksi PU*AP*AAP (pukuk*varietas*kepadatan populasi) dengan nilai sig. = 0.0372 (<0,05). Karena faktor interaksi PU*AP*AAP berpengaruh nyata maka dalam pembahasan dan tampilan data difokuskan pada pengaruh interkasi tersebut. data uji lanjut Duncan diambil pada data inter4 (interaksi PU||AP||AAP);
Class
Levels
Values
Ulangan
3
1 2 3
PU
4
N1 N2 N3 N4
AP
2
B P
AAP
3
D1 D2 D3
inter1
8
N1B N1P N2B N2P N3B N3P N4B N4P
inter2
12
inter3
6
inter4
24
N1D1 N1D2 N1D3 N2D1 N2D2 N2D3 N3D1 N3D2 N3D3 N4D1 N4D2 N4D3 BD1 BD2 BD3 PD1 PD2 PD3 N1BD1 N1BD2 N1BD3 N1PD1 N1PD2 N1PD3 N2BD1 N2BD2 N2BD3 N2PD1 N2PD2 N2PD3 N3BD1 N3BD2 N3BD3 N3PD1 N3PD2 N3PD3 N4BD1 N4BD2 N4BD3 N4PD1 N4PD2 N4PD3 Number of observations
72
RANCANGAN SPLIT SPLIT PLOT DATA hasil The GLM Procedure
17 14:20 Friday, February 19, 2015
Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 32 Error Mean Square 0.358958 Number of Means Critical Range
2 .4068
3 .4276
4 .4411
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
PU
A
12.3222
18
N4
B
11.3889
18
N3
C
9.9889
18
N2
D
7.0722
18
N1
RANCANGAN SPLIT SPLIT PLOT DATA hasil
18 14:20 Friday, February 19, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 32 Error Mean Square 0.358958 Number of Means Critical Range
2 .2877
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
AP
A A A
10.2389
36
P
10.1472
36
B
RANCANGAN SPLIT SPLIT PLOT DATA hasil
19 14:20 Friday, February 19, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 32 Error Mean Square 0.358958 Number of Means Critical Range
2 .3523
3 .3703
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
AAP
A A
10.4292
24
D3
B B B
A
10.2000
24
D2
9.9500
24
D1
RANCANGAN SPLIT SPLIT PLOT DATA hasil
20 14:20 Friday, February 19, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 32 Error Mean Square 0.358958 Number of Means Critical Range
2 .5753
3 .6047
4 .6237
5 .6374
6 .6477
7 .6558
8 .6624
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
inter1
A A A
12.4222
9
N4P
12.2222
9
N4B
11.6778
9
N3B
C
11.1000
9
N3P
D D D
10.0556
9
N2P
9.9222
9
N2B
E
7.3778
9
N1P
F
6.7667
9
N1B
B B B
RANCANGAN SPLIT SPLIT PLOT DATA hasil
21 14:20 Friday, February 19, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 32 Error Mean Square 0.358958 Number of Means Critical Range
2 .7046
3 .7406
4 .7639
5 .7806
6 .7933
7 .8032
8 .8113
9 .8178
10 .8233
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
inter2
A A A A A A A
12.4667
6
N4D2
12.2833
6
N4D3
12.2167
6
N4D1
11.8333
6
N3D3
C C C
11.2667
6
N3D2
11.0667
6
N3D1
E
10.4500
6
N2D3
B B B D D D
11 .8279
12 .8319
E E
F F F
G G G G G
9.9167
6
N2D2
9.6000
6
N2D1
7.1500
6
N1D3
7.1500
6
N1D2
6.9167
6
N1D1
RANCANGAN SPLIT SPLIT PLOT DATA hasil
22 14:20 Friday, February 19, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 32 Error Mean Square 0.358958 Number of Means Critical Range
2 .4982
3 .5237
4 .5402
5 .5520
6 .5610
Means with the same letter are not significantly different. Duncan Grouping
Mean
N
A A A A A A A A A
10.4583
12
PD3
10.4000
12
BD3
10.2417
12
PD2
10.1583
12
BD2
10.0167
12
PD1
9.8833
12
BD1
B B B B B B B B B
inter3
RANCANGAN SPLIT SPLIT PLOT DATA hasil
23 14:20 Friday, February 19, 2015
The GLM Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 32 Error Mean Square 0.358958 Number of Means 2 3 4 5 6 7 8 9 10 11 12 13 Critical Range 0.996 1.047 1.080 1.104 1.122 1.136 1.147 1.157 1.164 1.171 1.176 1.181 Number of Means 14 Critical Range 1.185
15 1.189
16 1.192
17 1.194
18 1.197
19 1.199
20 1.200
21 1.202
22 1.203
23 1.204
24 1.205
Means with the same letter are not significantly different. Duncan Grouping
B B B B B
A A A A A A A
Mean
N
inter4
12.7000
3
N4PD2
12.6000
3
N4PD1
12.6000
3
N4BD3
12.2333
3
N4BD2
Uji lanjut Duncan pada inter4 interaksi PU||AP||AAP);
B B B B B B B B B B B B
E E E E E E E E E E E
G G G G G G G G G
A A A A A A A A A A
D D D D D D D D D
C C C C C C C C C C C C C C C
F F F F F F F F F
11.9667
3
N4PD3
11.8667
3
N3PD3
11.8333
3
N4BD1
11.8000
3
N3BD3
11.7000
3
N3BD1
11.5333
3
N3BD2
11.0000
3
N3PD2
10.9000
3
N2PD3
10.4333
3
N3PD1
10.1333
3
N2BD2
10.0000
3
N2BD3
9.7000
3
N2PD2
9.6333
3
N2BD1
9.5667
3
N2PD1
7.5667
3
N1PD2
7.4667
3
N1PD1
7.2000
3
N1BD3
7.1000
3
N1PD3
6.7333
3
N1BD2
6.3667
3
N1BD1
Penyusunan data interaksi pupuk*varietas dan kepadatan populasi sebagai berikut: Hasil biji (t/ha)
Takaran pupuk
Varietas B populasi D1
populasi D2
Varietas P populasi D3
populasi D1
populasi D2
populasi D3
N1 (50 kg N/ha)
6.4
G
6.7
GF
7.2
GF
7.5
GF
7.6
F
7.1
GF
N2 (75 kg N/ha)
9.6
E
10.1
ED
10.0
ED
9.6
E
9.7
E
10.9
DC
N3 (125 kg N/ha)
11.7
BAC
11.5
BC
11.8
BAC
10.4
ED
11.0
DC
11.9
BAC
N4 (225 kg N/ha)
11.8
BAC
12.2
BA
12.6
BA
12.6
BA
12.7
A
12.0
BAC
Simbul uji lanjut dapat disederhanakan dengan membuat simbul uji pembeda dua arah yaitu kolom dan baris Hasil biji (t/ha)
Takaran pupuk populasi D1
Varietas B populasi D2
N1 (50 kg N/ha)
6.4
c Y
6.7
N2 (75 kg N/ha)
9.6
b Y
10.1
N3 (125 kg N/ha)
11.7
a X
11.5
c XY
populasi D3
populasi D1
Varietas P populasi D2
populasi D3
7.2
c XY
7.5
c XY
7.6
d X
7.1
b XY
b Y
10.0
b Y
9.6
b Y
9.7
c Y
10.9
a X
a X
11.8
a X
10.4
b Y
11.0
b X
11.9
a X
N4 (225 kg N/ha) 11.8 a X 12.2 a X 12.6 a X 12.6 a X 12.7 a X 12.0 a X Keterangan: Angka yang diikuti oleh huruf kapital yang sama pada baris atau oleh huruf kecil yang sama pada kolom tidak berbeda nyata berdasarkan uji Duncan 5%.
BAB 9 APLIKASI RANCANGAN BUJUR SANGKAR LATIN Rancangan bujur sangkar (Latin Square Design) merupakan salah satu model rancangan lingkungan dalam rancangan percobaan. Disain rancangan ini berbentuk bujur sangkar sehingga disebut juga rancangan bujur sangkar latin. Rancangan ini digunakan apabila unit percobaan tidak homogen dimana ketidak homogenan tersebut diduga mengarah pada dua arah sehingga pengelompokan perlakuannya berdasarkan dua kriteria yaitu pengelompokan ke arah baris dan ke arah kolom/lajur. Hal ini memungkinkan untuk mengukur dan menyisihkan keragaman tanah percobaan ke dua arah sehingga menurunkan galat percobaan. Salah satu ciri khas dari rancangan bujur sangkar latin adalah jumlah baris sama dengan jumlah kolom atau dengan kata lain jumlah perlakuan sama dengan jumlah ulangan. Jumlah perlakuan yang ideal untuk rancangan ini adalah 5 sampai 8. Apabila perlakuan yang diuji
hanya sedikit (<4) maka penggunaan rancangan ini
kurang efisien. Beberapa penelitian yang menggunakan rancangan ini adalah: 1. Pengujian pengaruh insektisida terhadap hasil jagung, dimana efek dari penggunaan insektisida menuju ke dua arah 2. Pengujian
varietas
jagung
terhadap
dosis
pemupukan
dimana
menggunakan pengelompokan lima cara pemupukan dan lima orang tenaga kerja. 3. Pengaruh tingkat protein ransum terhadap jumlah zat makanan dapat cerna pada ternak kambing 4. Uji efektivitas mesin fillet otomatis A, B, C dan D terhadap produksi fillet tuna dengan empat operator sebagai baris dan empat hari kerja sebagai baris.
Layout Percobaan Seperti telah dijelaskan, percobaan bujursangkar latin mempunyai jumlah perlakuan dan ulangan yang sama. Sebagai contoh percobaan pengaruh insektisida terhadap hasil padi. Terdapat 5 perlakuan yaitu A = Kontrol, B = Insektisida FCe; C= Insektisida EC, D= Insektisida BHC, dan E = Insektisida DDT. Percobaan ini diulang sebanyak 5 kali sehingga rancangan bujur sangkar latinnya 5 X 5. Tidak boleh ada perlakuan yang sama pada baris atau kolom yang sama. Hasil pengacakan yang diperoleh sebagai berikut: Layout pengacakan percobaan E
B
D
C
A
3,51 t/ha
3,92 t/ha
3,73 t/ha
3,91 t/ha
3,54 t/ha
D
A
B
E
C
3,53 t/ha
3,06 t/ha
4,02 t/ha
3,63 t/ha
4,05 t/ha
B
D
C
A
E
4,84 t/ha
3,87 t/ha
4,25 t/ha
3,64 t/ha
3,21 t/ha
C
E
A
D
B
4,55 t/ha
3,52 t/ha
3,44 t/ha
3,05 t/ha
4,52 t/ha
A
C
E
B
D
3,30 t/ha
4,13 t/ha
3,60 t/ha
4,01 t/ha
3,50 t/ha
Perlakuan : A = Kontrol, B = Insektisida FCe; C= Insektisida EC, D= Insektisida BHC, dan E = Insektisida DDT
Bagan percobaan insektisida dalam rancangan latin square dengan 5 perlakuan dan 5 ulangan Daya yang diperoleh dari hasil percobaan kemudian ditabulasi sebagai berikut:
Baris 1
Kolom 1
2
3
4
5
3,51 (E)
3,92 (B)
3,73 (D)
3,91 (C)
3,54 (A)
2
3,53 (D)
3,06 (A)
4,02 (B)
3,63 (E)
4,05 (C)
3
4,84 (B)
3,87 (D)
4,25 (C)
3,64 (A)
3,21 (E)
4
4,55 (C)
3,52 (E)
3,44 (A)
3,05 (D)
4,52 (B)
5
3,30 (A)
4,13 (C)
3,60 (E)
4,01 (B)
3,50 (D)
Penyelesaian Model yang digunakan untuk analisis sidik ragam adalah general linear model dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan dengan nama bujursangkarlatin.xls
Gambar 1.Tampilan data entri di Excel 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data 3. Selanjutnya
pada
dialog
File
Type
pilih
Excel
bujursangkarlatin.xls dilanjutkan dengan klik Open.
dan
File
nama
pilih
4. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.
Gambar 2. Data view perlakuan 5. Selanjutnya kita akan melakukan analisis varians, klik Analyze >General linear
model >univariate sebagai berikut:
Gambar 3. Tampilan menu general linear model 6. Kotak dialog Univariate selanjutnya ditampilkan. Pilih variable Hasil dan klik ke
Dependent List. Pada Fixed Faktor pilih BARIS, KOLOM dan PERLAKUAN, maka ketiga variable akan berpindah ke kanan (Lihat gambar 4).
Gambar 4. Memasukkan variabel 7. Klik model maka akan keluar tampilan seperti gambar 5. Klik custom dan masukkan BARIS, KOLOM dan PERLAKUAN, ke kotak model dengan klik tanda panah. Klik continue untuk lanjut.
Gambar 5. Kotak dialog model 8. Kali ini kita akan melakukan uji Duncan. Klik menu Post Hoc yang terletak di sebelah kanan. Klik PERLAKUAN dilanjutkan dengan menekan panah ke kanan maka variable akan berpindah ke kanan. Pilih uji Duncan > Continue > OK.
Gambar 6. Univariate: post Hoc multiple comparison OUTPUT MODEL Tests of Between-Subjects Effects Dependent Variable:HASIL Type III Sum of Squares
Source Corrected Model Intercept BARIS KOLOM PERLAKUAN Error Total Corrected Total
df
Mean Square
3.905a
12
356.530 .279 .290 3.337 .998 361.433 4.903
1 4 4 4 12 25 24
F
.325
Sig.
3.915
.013
356.530 4.289E3 .070 .838 .072 .871 .834 10.036 .083
.000 .527 .509 .001
a. R Squared = .797 (Adjusted R Squared = .593)
Hasil analisis dapat disimpulkan sebagai berikut : karena nilai Sig untuk PERLAKUAN < 0.05, maka H1 diterima dan H0 ditolak. Hal ini berarti ada perbedaan antara perlakuan jenis insektisida yang digunakan terhadap hasil jagung. HASIL Duncan Subset PERLAKUAN
N
1
2
1 5 4 3 2 Sig.
5 5 5 5 5
3.41 b 3.49 b 3.54 b
.530
4.18 a 4.26 a .653
Hasil analisis di atas dapat disederhanakan penyajiannya sebagai berikut: Perlakuan A. Kontrol B. Insektisida C. Insektisida D. Insektisida E. Insektisida
FCe EC, BHC DDT
Hasil (t/ha) 3.41 b 4.26 a 4.18 a 3.54 b 3.49 b
Kesimpulan: Penggunaan insektisida jenis FCE memberikan hasil jagung yang tertinggi yaitu 4,26 t/ha namun tidak berbeda nyata dengan penggunaan insektisida jenis EC yang menghasilkan 4,18 t/ha. Penggunaan insektisida jenis BHC dan DDT kurang efektif karena tidak berbeda nyata dengan kontrol (tanpa di semprot insektisida).
BAB 10 ANALISIS REGRESI LINIER SEDERHANA Analisis regresi linier merupakan salah satu jenis metode regresi yang paling banyak digunakan. Regresi linier sederhana terdiri atas satu variabel terikat (dependent) dan satu variabel bebas (independent). Analisis ini untuk mengetahui arah hubungan antara variabel independent dengan variabel dependent apakah positif atau negatif Rumus regresi linear sederhana sebagai berikut: Y = a + bX Keterangan: Y X a b
= Variabel dependent (nilai yang diprediksikan) = Variabel independent = Konstanta = Koefisien regresi
Penggunaan regresi linier diantaranya adalah: 1. Analisis hubungan antara populasi tanaman dengan hasil jagung 2. Analisis hubungan faktor iklim terhadap perkembahan penyakit bulai pada tanaman jagung 3. Analisis hubungan antara jumlah ransum terhadap peningkatan bobot ternak unggas 4. Analisis hubungan antara putaran mesin terhadap persentase biji rusak 5. Analisis hubungan antara biaya promosi benih hibrida terhadap pendapatan 6. Analisis hubungan antara frekuensi penyuluhan dengan tingkat adopsi masyarakat akan informasi CONTOH KASUS:
Aplikasi Regresi Linier untuk Mengetahui Pengaruh Promosi Terhadap Tingkat Penjualan Benih Jagung Hibrida
Perusahaan benih jagung hibrida PT. BNS merencanakan untuk meningkatkan kapasitas produksi benih untuk memenuhi kebutuhan petani. Salah satu metode yang
digunakan untuk memperkenalkan benih kepada petani adalah dengan promosi lapangan. PT. BNS ingin mengetahui seberapa besar pengaruh promosi terhadap penjualan perusahaan. Data yang dikumpulkan adalah sebagai berikut: Promosi (juta rupiah)
Penjualan benih (juta rupiah)
25
100
27
105
29
108
30
109
35
120
50
145
55
143
60
150
63
154
65
157
70
161
71
170
73
174
75
176
80
180
Penyelesaian Model yang akan digunakan untuk untuk analisis data adalah regresi linier tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut Simpan dengan nama reglinier.xls
Gambar 1. Tampilan data entri di Excel 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada computer. Impor data dari Excel dengan klik File > Open > Data 3. Pada dialog File Type pilih Excel dan File nama pilih reglinier.xls dilanjutkan dengan klik Open. klik Continue maka data view spss seperti berikut.
Gambar 2. Data view promosi dan penjualan
4. Selanjutnya kita akan melakukan analisis regresi, klik Analyze > Regression >
Linear regression sebagai berikut
Gambar 3. Tampilan menu regresi linier 5. Selanjutnya kotak dialog analisis regresi ditampilkan. Pilih variabel Penjualan dan klik ke Dependent List, Selanjutnya klik variabel promosi ke Independent List.
Gambar 4. Memasukkan variable
6. Masih pada kotak dialog Linear regression statistik, klik pada Estimates, Model Fit dan Descriptives dilanjutkan dengan klik Continue. Selanjutnya klik OK, maka Output Model akan ditampilkan.
Gambar 5. kotak dialog Linear regression statistics OUTPUT MODEL Descriptive Statistics
Penjualan Promosi
Mean
Std. Deviation
N
143.47 53.87
28.084 19.657
15 15
Interpretasi tabel : Rata-rata jumlah penjualan adalah Rp. 143.45 (juta ) dengan rata-rata penyimpangan (deviasi mencapai 28,08 juta) dengan jumlah data 15. Demikian pula pada promosi, rata-rata biaya promosi adalah Rp. 53,87 (juta) dengan rata-rata penyimpangan (deviasi mencapai 19,65 juta) dengan jumlah data 15. Model Summary Model
R
1
.994a
R Square .987
Adjusted R Square .986
Std. Error of the Estimate 3.269
Model Summary Model 1
R
Adjusted R Square
R Square a
.994
.987
Std. Error of the Estimate
.986
3.269
a. Predictors: (Constant), promosi
Interpretasi tabel : Nilai korelasi (R) hubungan antara promosi dengan penjualan adalah 0,994, sehingga dapat disimpulkan bahwa terdapat hubungan yang sangat erat antara biaya promosi yang dikeluarkan dengan tingkat penjualan benih jagung hibrida. Nilai R-square atau koefisien determinasi sebesar 0,987. Hal ini menunjukkan bahwa kemampuan variabel promosi mempengaruhi naik turunnya penjualan benih sebesar 98,7% dan masih terdapat 100-98,7 = 1,3% variabel lain (selain promosi) yang mempengaruhi penjualan. ANOVAb Sum of Squares
Model 1
Regression Residual Total
df
Mean Square
10902.825
1
138.908
13
11041.733
14
F
Sig.
10902.825 1.020E3
.000a
10.685
a. Predictors: (Constant), promosi b. Dependent Variabel: penjualan
Interpretasi : Uji Anova dilakukan untuk mengetahui ada tidaknya pengaruh promosi terhadap tingkat penjualan benih jagung hibrida. Apabila nilai Sig atau P-value < 0,05 maka terdapat pengaruh yang kuat antara promosi dengan penjualan. Demikian pula apabila Sig > 0,05 maka bisa disimpulkan tidak terdapat pengaruh antara promosi dan penjualan. Berdasarkan tabel diperoleh nilai Sig sebesar 0,000 (<0,05) sehingga bisa disimpulkan terdapat pengaruh secara signifikan antara biaya promosi dengan volume penjualan Coefficientsa Unstandardized Coefficients Model
B
Std. Error
Standardized Coefficients Beta
t
Sig.
1
(Constant) Promosi
66.995
2.538
1.420
.044
.994
26.392
.000
31.943
.000
a. Dependent Variabel: penjualan
Interpretasi : Tabel coefficient menampilkan koefisien dari persamaan regresi yang dihasilkan. Berdasarkan tabel di atas, model analisis regresi dapat dituliskan sebagai berikut: Y = 66.995 + 1,420 X Nilai konstanta 66,995 menunjukkan bahwa tanpa promosi (X=0) maka nilai penjualan produk benih hanya sebesar 66,995 juta rupiah. Nilai slope 1,420 menunjukkan bahwa setiap kenaikan biaya promosi sebesar 1 juta rupiah akan meningkatkan nilai penjualan 1,42 juta rupiah.
BAB 11 ANALISIS REGRESI LINIER BERGANDA Selain regresi linier sederhana, metode regresi yang juga banyak digunakan adalah regresi linier berganda. Regresi linier berganda digunakan untuk penelitian yang menggunakan beberapa variabel secara bersamaan. Dengan kata lain regresi ini menggunakan beberapa variabel X, misalnya X1, X2 dan seterusnya yang kemudian dianalisis secara bersamaan. Rumus yang digunakan pada regresi linier berganda pada prinsipnya sama dengan regresi linier sederhana, hanya saja pada regresi berganda ditambahkan variabel lain yang juga disertakan dalam penelitian. Rumus regresi linear berganda adalah sebagai berikut: Y = a + b1X1 + b2X2 + ….+BnXn Keterangan: Y
= Variabel dependen (nilai yang diprediksikan)
X
= Variabel independen
a
= Konstanta
b
= Koefisien regresi
Penelitian yang menggunakan regresi linier berganda diantaranya adalah: 1. Analisis hubungan antara populasi tanaman dan dosis pemupukan dengan hasil tanaman. 2. Analisis hubungan antara waktu tanam dan faktor iklim terhadap dinamika hama tanaman. 3. Analisis hubungan antara jumlah ransum dan waktu pemberian terhadap peningkatan bobot ternak. 4. Analisis hubungan antara umur dan tinggi tanaman terhadap hasil. 5. Analisis hubungan antara jenis kelamin dan tingkat pendidikan terhadap adopsi teknologi pertanian modern.
CONTOH KASUS:
Aplikasi Regresi Linier Berganda untuk Mengetahui Pengaruh Umur, Tinggi Tanaman dan Rendemen Terhadap Hasil Jagung
Sebuah penelitian dilakukan untuk mengkaji hubungan antara tiga variabel yaitu tinggi tanaman, umur panen serta rendemen terhadap hasil tanaman jagung. Penelitian dilakukan terhadap 16 sampel tanaman jagung dari berbagai varietas. Data yang dikumpulkan adalah sebagai berikut:
Nomor
Umur tanaman (hari)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
100 102 98 95 102 104 98 92 102 100 102 85 90 92 98 102
Tinggi tanaman (cm) 203 206 200 198 204 210 199 190 204 202 205 190 193 194 199 205
Rendemen (%)
Hasil (t/ha)
70 72 68 65 69 72 69 63 71 71 73 67 69 64 69 71
9.5 9.8 9.1 8.6 9.7 10 9 8 9.7 9.6 9.8 7.8 8 8.1 9 9.7
Penyelesaian Model yang akan digunakan untuk analisis data adalah regresi linier. Tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut simpan dengan nama regresi berganda.xls
Gambar 1. Tampilan data entri di Excel 2. Buka program SPSS pada computer, selanjutnya akan muncul data view pada computer. Impor data dari Excel dengan klik File > Open > Data. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih regresi berganda.xls dilanjutkan dengan klik Open. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.
Gambar 2. Data view regresi linier berganda 3. Selanjutnya kita akan melakukan analisis regresi, klik Analyze > Regression >
Linear regression. 4. Pilih variabel Hasil dan klik ke Dependent List, variabel Hasil akan berpindah ke kanan (lihat gambar 3). Selanjutnya pada Independent List pilih variabel Tinggi ,
umur dan rendemen. Kllik tanda panah ke kanan, variabel akan berpindah.
Gambar 3. Memasukkan variabel 5. Masih pada kotak dialog Linear regression Klik statistics dan tandai pada
Estimates, Model Fit dan Descriptives dilanjutkan dengan klik Continue.
Gambar 4. Kotak dialog Linear regression statistics 6. Masih pada kotak dialog Linear regression klik Plots dan tandai pilihan Histogram dan Normal Probability Plot. dilanjutkan dengan klik Continue > OK.
Gambar 5. Tampilan plots
OUTPUT MODEL Descriptive Statistics
Hasil Umur Tinggi Rendemen
Mean
Std. Deviation
N
9.0875 97.62 200.12 68.94
.75971 5.390 5.898 2.932
16 16 16 16
Interpretasi tabel : Tabel ini menjelaskan deskripsi variabel seperti rata-rata (mean), standar deviasi dan jumlah data (N). Nilai rata-rata variabel Hasil adalah 9,09 t/ha dengan rata-rata penyimpangan (deviasi mencapai 0,75) dengan jumlah data 16. Demikian pula pada Umur dan Tinggi, mempunyai nilai rata-rata 97,62 hari dan 200,12 cm dengan penyimpangan 5,39 dan 5,89 dengan jumlah data 16. Model Summaryb Model
R
1
.991a
R Square
Adjusted R Square
.982
.977
Std. Error of the Estimate .11434
a. Predictors: (Constant), Rendemen, Umur, Tinggi b. Dependent Variabel: Hasil
Interpretasi tabel: Nilai korelasi antara variabel prediktor (umur, tinggi tanaman, rendemen) dengan variabel hasil (R) = 0,991 sehingga dapat disimpulkan bahwa terdapat hubungan yang sangat erat antara umur dan tinggi tanaman serta rendemen terhadap hasil yang didapatkan. Nilai R-square atau koefisien determinasi sebesar 0,982. Hal ini menunjukkan bahwa kemampuan variabel umur, tinggi tanaman, rendemen mempengaruhi hasil panen sebesar 98,2% dan masih terdapat 100-98,2 = 1,8% variabel lain (selain ketiga variabel tersebut) yang mempengaruhi hasil. ANOVAb
Sum of Squares
Model 1
Regression
Mean Square
8.501
3
.157
12
8.658
15
Residual Total
Df
F
2.834 216.741
Sig. .000a
.013
a. Predictors: (Constant), Rendemen, Umur, Tinggi b. Dependent Variabel: Hasil
Interpretasi: Uji Anova dilakukan untuk mengetahui ada tidaknya pengaruh variabel umur, tinggi dan rendemen terhadap hasil. Apabila nilai Sig atau P-value < 0,05 maka terdapat hubungan yang nyata antara variabel tersebut dengan hasil. Demikian pula apabila Sig > 0,05 maka dapat disimpulkan tidak ada hubungan antara variabel dengan hasil. Seperti terlihat pada tabel Anova, nilai Sig model sebesar 0,000 (<0,05) sehingga dapat
disimpulkan terdapat sedikitnya 1 faktor yang berpengaruh
secara signifikan dengan hasil jagung.
Coefficientsa Unstandardized Coefficients Model 1
B (Constant)
Standardized Coefficients
Std. Error
-9.488
1.842
Umur
.079
.019
Tinggi
.039
Rendemen
.046
Beta
t
Sig.
-5.150
.000
.558
4.120
.001
.021
.299
1.861
.087
.018
.178
2.539
.026
a. Dependent Variabel: Hasil
Interpretasi : Tabel coefficient menampilkan koefisien dari persamaan regresi yang dihasilkan. Berdasarkan tabel di atas, model regresi linier berganda dapat dituliskan sebagai berikut : Y = -9,488 + 0,079 X1 + 0,039 X2 + 0, 046 X3 Dimana X1 = umur tanaman (hari) X2 = tinggi tanaman (cm)
X3 = rendemen (%)
BAB 12 ANALISIS KORELASI Analisis korelasi merupakan salah satu teknik statistik yang digunakan untuk menganalisis hubungan antara dua variabel atau lebih yang bersifat kuantitatif.
Hubungan antara 2 variabel yang dimaksud disini adalah apakah hubungan tersebut erat, kurang erat atau tidak ada hubungan. Bentuk hubungannya adalah linear positif ataupun linear negatif. Korelasi positif terjadi apabila nilai variabel X mengalami kenaikan dan diikuti kenaikan variabel Y. Korelasi negatif terjadi apabila nilai variabel X mengalami kenaikan maka nilai Y mengalami penurunan. Apabila trend tidak menunjukkan arah baik positif maupun negatif maka kedua variabel dikatakan tidak berkorelasi.
Korelasi positif
Korelasi negatif
Kriteria korelasi hubungan antar variabel
r 0 – 0,25 >0,25 – 0.5 >0.5 – 0.75 >0.75 – 1
Kriteria Hubungan Tidak ada korelasi Korelasi cukup kuat Korelasi kuat Korelasi sangat kuat
Penggunaan analisis korelasi telah banyak dilaporkan, diantaranya: 1. Analisis korelasi antara fenotipik tanaman (tinggi tanaman, jumlah daun, diameter batang, umur panen) dengan hasil. 2. Analisis korelasi antara jumlah ransum, waktu pemberian, dan nilai kalori ransum terhadap peningkatan bobot ternak. 3. Analisis korelasi unsur lemak, viskositas, gelatinisasi, dan fiber berbagai varietas jagung. 4. Analisis korelasi antara suhu, kelembaban udara dan intensitas penyinaran terhadap kemampuan fotosintesis tanaman. 5. Analisis korelasi antara jenis kelamin, tingkat pendidikan, usia, serta luas lahan garapan serta terhadap tingkat adopsi teknologi petani. CONTOH KASUS: Aplikasi Analisis Korelasi Antara Parameter Fisik Tanaman Dengan Hasil Sebuah penelitian dilakukan untuk mengkaji hubungan/korelasi antara hasil tanaman jagung dengan penampilan fenotipiknya (tinggi tanaman, umur berbunga, bobot tongkol, waktu panen dan rendemen). Penelitian dilakukan terhadap 20 sampel tanaman jagung dari berbagai varietas. Data yang dikumpulkan adalah sebagai berikut:
No
Hasil Tinggi_tan Umur_berbunga Bobot_tongkol (t/ha) (cm) (hari) (gr)
1 2 3 4 5 6 7 8 9 10 11 12 13
8.31 8.29 9.49 11.20 7.44 5.90 5.42 7.00 5.67 5.91 6.84 6.45 4.89
204 189 205 206 166 183 187 157 207 234 229 251 199
51 52 51 52 51 53 51 52 53 51 53 52 58
11.19 13.52 14.39 15.01 11.19 8.00 8.57 10.28 10.00 9.29 11.25 10.26 7.55
Panen (hari)
Rendamen (%)
100 102.000 103.000
68.6 63.2 66.4 69.1 66.6 68.6 65.3 80.2 68.6 64.2 63.0 63.1 68.3
101 98.000 96.000 102.000 99.000 89 100 104 87 99.000
14 15 16 17 18 19 20
4.10 4.70 8.18 9.78 8.60 10.20 7.96
189 204 249 264 254 269 209
58 58 50 49 49 50 48
6.10 7.20 12.64 14.91 13.22 14.40 10.74
98.000 90.000 102 103 100 99 89
81.6 68.3 66.6 65.2 64.5 68.5 68.8
Penyelesaian Model yang akan digunakan untuk analisis data adalah korelasi bivariat, tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut Simpan dengan nama korelasi_data.xls
Gambar 1. Tampilan data entri di Excel
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data. 3. Pada kotak dialog File Type pilih Excel dan File nama pilih korelasi_data.xls dilanjutkan dengan klik Open. Selanjutnya akan muncul kotak dialog opening excel data source. 4. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.
Gambar 2. Data view spss 5. Selanjutnya kita akan melakukan analisis korelasi, klik Analyze > Correlate >
Bivariate sebagai berikut.
Gambar 3. Tampilan menu korelasi 6. Selanjutnya kotak dialog Bivariate Correlations ditampilkan. Pilih Variabel Hasil,
tinggi_tan, umur_berbunga, bobot_ongkol, panen dan rendemen klik ke Variabels, variabel hasil akan berpindah ke kanan (lihat gambar 4). Selanjutnya pada pilihan Correlation Coeffisien pilih Pearson OK
Gambar 4. Memasukkan variabel
OUTPUT MODEL Correlations Hasil Hasil
tinggi_tan
Pearson Cor
1
Sig. (2-tailed) N tinggi_tan
Pearson Cor
.393
Sig. (2-tailed)
.086
N umur_berbun Pearson Cor ga Sig. (2-tailed) N bobot_tongkol Pearson Cor Sig. (2-tailed)
-.691
Panen
Rendamen
**
.393
-.262
.960
.086
.001
.000
.087
.265
20
20
20
20
20
-.386
*
.041
-.485*
.093
.042
.862
.030
20
20
20
20
1
**
-.194
.402
.001
.411
.079
1 20
.459
**
-.386
.001
.093
20
20
20
20
20
20
**
*
**
1
.427
-.386
.060
.092
-.691
.960
.459
-.700
-.700
.042
.001
20
20
20
20
20
20
Pearson Cor
.393
.041
-.194
.427
1
-.097
Sig. (2-tailed)
.087
.862
.411
.060
20
20
20
20
20
20
-.262
*
.402
-.386
-.097
1
.265
.030
.079
.092
.683
20
20
20
20
20
N Rendamen
20
.393
**
.000
N panen
20
umur_berb bobot_tong unga kol
Pearson Cor Sig. (2-tailed) N
-.485
.683
20
**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed).
Interpretasi tabel
: Tabel korelasi menggambarkan besarnya koefisien
korelasi antara variabel hasil, tinggi tanaman, umur berbunga, panen, bobot tongkol dan rendemen. Adapun taraf signifikansi yang digunakan yaitu 0,01 (1%) dan 0,05 (5%), taraf signifikan 0,01 artinya tingkat akurasi hasil analisis 99% dan kesalahan hanya 1%. Sedangkan taraf signifikan 0,05% artinya tingkat kebenarannya 95% dan tingkat kesalahan 5%. N menunjukkan jumlah/banyaknya data. Sebagai contoh besarnya koefisien korelasi variabel hasil dengan bobot tongkol adalah 0,960, yang berarti ada korelasi yang signifikan antara bobot tongkol dengan hasil yang diperoleh. Nilai sig (2-tailed) yang diperoleh adalah 0,000 (lebih kecil dari
0,05) sehingga hipotesis H0 ditolak. Ini berarti ada korelasi yang sangat signifikan antara kedua variabel tersebut. Tabel output di atas juga menunjukkan adanya dua tanda bintang, ini menunjukkan adanya korelasi yang signifikan. Tanda dua bintang (**) menunjukkan tingkat signifikansi 1% dan satu bintang (*) menunjukkan tingkat signifikansi 5%. Apabila tidak ada tanda bintang berarti tidak ada korelasi antar variabel (tn). Nilai koefisien korelasi yang bertanda positif menunjukkan arah korelasi yang positif, dimana semakin tinggi nilai bobot tongkol maka semakin tinggi pula hasil yang diperoleh, sebaliknya semakin rendah nilai bobot tongkol maka hasilnya juga semakin rendah. Output tabel diatas dapat disederhanakan menjadi tabel matriks korelasi sebagai berikut : Correlations Hasil
tinggi_tan
Hasil tinggi_tan
umur_berbun bobot_tong ga kol
panen
Rendamen
1 .393
1
**
-.386
1
**
*
**
1
-.194
.427
1
Rendamen -.262 -.485 .402 **. Correlation is significant at the 0.01 level (2-tailed).
-.386
-.097
umur_berbunga bobot_tongkol Panen
-.691 .960
.393
.459
.041
-.700
*
*. Correlation is significant at the 0.05 level (2-tailed).
Kesimpulan : Korelasi signifikan yang diperoleh adalah: 1. Korelasi hasil dengan umur berbunga negatif, -0,691 (signifikansi 0,01). 2. Korelasi hasil dengan bobot tongkol yaitu 0,960 (signifikansi 0,01). 3. Korelasi bobot tongkol dengan umur berbunga - 0,700 (signifikansi 0,01). 4. Korelasi bobot tongkol dengan tinggi tanaman 0,459 (signifikansi 0,05). 5. Korelasi Tinggi tanaman dengan rendemen -0,485 (signifikansi 0,05).
1
BAB 13 ANALISIS LINTAS (PATH ANALISIS) Berbagai macam penelitian yang dilakukan pada tanaman umumnya hanya mengkorelasikan
sifat-sifat
tanaman
secara
umum.
Namun
demikian,
untuk
mendapatkan gambaran tentang korelasi langsung ataupun tidak langsung antar variabel diperlukan analisis yang lebih mendalam, yang dikenal dengan nama analisis lintas (path analysis). Dengan menggunakan analisis lintas maka kita mampu menentukan kontribusi relatiff dari komponen pertuumbuhan dan komponen lainnnya terhadap hasil yang diperoleh. Metode ini memecah koefisien korelasi antara masing-masing karakter yang dikorelasikan dengan hasil menjadi dua komponen, yaitu pengaruh langsung dan pengaruh tidak langsung, sehingga hubungan kausal di antara karakter yang dikorelasikan dapat diketahui. Analisis lintas sebenarnya mudah dilakukan karena kita hanya perlu melakukan dua tahapan analisis yaitu analisis regresi linier berganda serta analisis korelasi. Analisis linier berganda dilakukan untuk mengetahui pengaruh langsung variabel terhadap hasil sementara analisis korelasi untuk mengetahui tingkat keeratan dari variabel. Untuk memudahkan pemahaman dapat dilihat pada contoh berikut: CONTOH KASUS: Aplikasi Analisis Korelasi Parameter Agronomis Tanaman Dengan Hasil Sebuah penelitian dilakukan untuk mengetahui pengaruh 4 variabel bebas yaitu umur panen, tinggi tanaman, tinggi tongkol, dan berat seribu biji terhadap hasil jagung hibrida varietas Multinasional. Data sampel 30 tanaman dikumpulkan dan sebagai berikut:
ditabulasi
No
Panen
Tgtan
Tgtgkl
Seribubj
Hasil
1
97
215
94
310
7.3
2
100
200
100
378
8.51
3
100
200
98
359
8.27
4
102
212
116
396
9.3
5
103
204
115
398
9.6
6
104
202
107
377
9.36
7
114
199
90
407
11.2
8
116
209
117
414
11.3
9
113
192
96
422
11.5
10
106
199
95
405
10.1
11
101
209
160
404.8
9.9
12
86
210
105
275
6.9
13
88
178
115
285
6.8
14
89
199
118
300
6.9
15
87
213
116
300
6.8
16
86
200
105
295
6.9
17
85
207
103
280
6.6
18
97
210
90
310
7.4
19
97
207
100
318.4
7.2
20
98
187
87
303.7
7.7
21
99
192
89
318.5
8.2
22
101
179
111
336
8.6
23
117
210
95
411
11.45
24
118
215
90
415
12.1
25
101
201
94
330
8.7
26
102
205
100
315
8.9
27
118
205
88
412
12.6
28
94
205
112
350
7.1
29
100
200
105
398
9.7
30
98
204
107
314
8.5
Penyelesaian 1. Analisis jalur dilakukan dengan 2 tahapan yaitu analisis regresi linier berganda dan analisis korelasi. Pertama-tama lakukan tabulasi data di Excel, Simpan dengan nama
jalur_data.xls
Gambar 1.Tampilan data entri di Excel 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data. Pilih
jalur_data.xls dilanjutkan dengan klik Open. Klik Continue.
Gambar 2.Data view spss
3. Selanjutnya kita akan melakukan analisis regresi, klik klik Analyze > Regression >
Linear regression. 4. Selanjutnya kotak dialog ditampilkan. Pilih variabel Hasil dan klik ke Dependent
List, variabel Hasil akan berpindah ke kanan. Selanjutnya pada Independent pilih variabel panen, tgtan, tgtkl, dan seribubj. Pada method pilih enter. Klik OK. 5. Selanjutnya kita akan melakukan analisis korelasi, pilih menu Analyze > Correlate
> Bivariate maka kotak dialog Bivariate Correlations ditampilkan. Pilih Variabel hasil, panen, tgtan, tgtkl, dan seribubj
klik ke Variabels. Pada pilihan
Correlation pilih Pearson OK. Hasil analisis regresi dan korelasi akan ditampilkan di output SPSS. Untuk melihat pengaruh gabungan ataupun pengaruh parsial maka kita akan menganalisis output analisis regresi serta korelasi. OUTPUT REGRESI
Model Summary Model
R
R Square
Adjusted R Square
1 .968a .938 .928 a. Predictors: (Constant), seribubj, tgtkl, tgtan, panen
Std. Error of the Estimate .4778468
Interpretasi: Regresi digunakan untuk melihat pengaruh gabungan parameter pertumbuhan yaitu umur panen, tinggi tongkol, tinggi tongkol, dan berat seribu biji terhadap hasil jagung. Nilai korelasi (R) yang dihasilkan adalah 0,968, sehingga dapat disimpulkan bahwa terdapat hubungan yang sangat erat antara parameter pertumbuhan dengan tingkat hasil jagung hibrida. Nilai R-square atau koefisien determinasi sebesar 0,938. Hal ini menunjukkan bahwa kemampuan ke 4 variabel pertumbuhan mempengaruhi tinggi rendahnya hasil jagung sebesar 93,8% dan masih terdapat 100-93,8 = 6,2% (ϵ = 0.062) variabel lain yang mempengaruhi hasil.
Untuk mengetahui apakah model regresi yang dibuat sudah tepat maka dilakukan uji hipotesis, yaitu dengan menggunakan uji F. Hasil uji Anova dapat dilihat pada tabel berikut: ANOVAb Sum of Squares
Model 1
Regression Residual
df
Mean Square
86.208
4
21.552
5.708
25
.228
F
Sig. .000a
94.387
Total 91.917 29 a. Predictors: (Constant), seribubj, tgtkl, tgtan, panen b. Dependent Variabel: Hsl
Interpretasi : Uji Anova dilakukan untuk menguji layak tidaknya hipotesis yang dibuat. Kriteria yang digunakan adalah apabila nilai Sig atau P-value < 0,05 maka terdapat pengaruh yang kuat antara variabel dan model. Demikian pula apabila Sig > 0,05 maka model tidak layak. Berdasarkan tabel diperoleh nilai Sig sebesar 0,000 (<0,05)
sehingga
dapat
disimpulkan
keempat
parameter
secara
gabungan
mempengaruhi hasil. Coefficientsa Unstandardized Coefficients Model 1
B (Constant)
Standardized Coefficients
Std. Error
-8.583
2.445
Panen
.139
.023
Tgtan
-.002
Tgtkl
Beta
T
Sig.
-3.510
.002
.757
6.133
.000
.010
-.009
-.171
.866
.007
.008
.055
.871
.392
Seribubj .009 a. Dependent Variabel: Hsl
.004
.249
2.091
.047
Untuk mengetahui pengaruh parsial/sendiri-sendiri dilakukan uji t, sedangkan untuk melihat besarnya pengaruh digunakan angka beta atau standardized coefficient. Dari empat variabel yang diuji t hanya terdapat dua variabel yaitu umur panen dan berat seribu biji yang mempunyai hubungan linier dengan hasil.
Nilai beta pengaruh umur panen terhadap hasil adalah 0,757 atau 75,7% sedangkan pengaruh berat seribu biji terhadap hasil adalah 0,249 atau 24,9%. Sementara itu dua variabel yaitu tinggi tanaman dan tinggi tongkol pengaruhnya dianggap tidak signifikan, yaitu -0,9% dan 5,5%. Output Analisis Korelasi Correlations panen panen
Pearson Correlation
tgtan 1
Sig. (2-tailed)
.859
**
.955
.149
.000
.000
30
30
30
Pearson Correlation
.120
1
.084
.162
.127
Sig. (2-tailed)
.527
Pearson Correlation N Pearson Correlation Sig. (2-tailed) N
Hsl
-.270
30
Sig. (2-tailed) seribubj
.120
Hsl **
.527
N tgtkl
seribubj
30
N tgtan
tgtkl
Pearson Correlation Sig. (2-tailed) N
.658
.394
.503
30
30
30
30
30
-.270
.084
1
.050
-.138
.149
.658
.795
.468
30
30
30
30
**
.162
.050
1
.000
.394
.795
.859
**
.000
30
30
30
**
.127
-.138
.000
.503
.468
.000
30
30
30
30
.955
30 .901
30
30
**
1
.901
30
**. Correlation is significant at the 0.01 level (2-tailed).
Interpretasi tabel : Tabel korelasi menggambarkan besarnya koefisien korelasi antar variabel. Adapun taraf signifikansi yang digunakan yaitu 0,01 (1%) dan 0,05 (5%), taraf signifikan 0,01 artinya tingkat akurasi hasil analisis 99% dan kesalahan hanya 1%. Sedangkan taraf signifikan 0,05 artinya tingkat kebenarannya 95% dan tingkat kesalahan 5%. Berdasarkan analisis korelasi pearson diperoleh nilai korelasi variabel Umur panen vs hasil = 0,955 (sangat kuat), tinggi tanaman vs hasil = 0,127 (sangat lemah), tinggi tongkol vs hasil = -0,138 (negatif dan sangat lemah) dan berat seribu biji vs hasil = 0,901 (sangat kuat).
Diagram Lintas (Path Diagram) Berdasarkan hasil analisis maka diagram lintas dapat dibuat sebagai berikut:
X1 Umur Panen tanaman rX1X2 0,120
PYX1 0,757
X2 Tinggi Tanaman rX1X4 0,859
Rx2X3 0,084
0,062
ϵ
PYX2 -0,009
Y Hasil X3 Tinggi Tongkol
rX3X4 0,050
X4 Berat 1000 Biji
PYX3 0,055
PYX4 0,249
Kesimpulan : Dari hasil analisis di atas diperoleh kesimpulan sebagai berikut: 1. Pengaruh variabel umur panen terhadap hasil sebesar 0,757 atau 75,7% (nilai beta). 2. Pengaruh variabel tinggi tanaman terhadap hasil sebesar -0,009 atau 0,9%. 3. Pengaruh variabel tinggi tongkol terhadap hasil sebesar 0,055 atau 5,5%. 4. Pengaruh variabel berat 1000 biji terhadap hasil sebesar 0,249 atau 24,9%. 5. Korelasi antara variabel umur panen dengan tinggi tanaman = 0,120 6. Korelasi antara variabel tinggi tongkol dengan tinggi tanaman = 0,084 7. Korelasi antara variabel tinggi tongkol dengan berat 1000 biji = 0,05 8. Korelasi antara variabel umur panen dengan berat 1000 biji = 0,859
BAB 14 UJI DESKRIPTIF, VALIDITAS DAN NORMALITAS DATA SPSS menyediakan fasilitas untuk melakukan analisis deskriptif data seperti uji deskriptif, validitas dan normalitas data. Uji deskriptif yang dilakukan meliputi rata-rata (mean), standar deviasi (std. deviation), varians, skewness, kurtosis, nilai maximum, nilai minimum). Uji validitas data meliputi pengecekan data. Uji normalitas data dilakukan untuk mengetahui apakah data telah mengikuti distribusi normal. Contoh kasus: Sebuah penelitian dilakukan untuk mengetahui daya berkecambah benih jagung hibrida. Pengukuran daya kecambah diulang sebanyak 3 kali. Data yang diperoleh sebagai berikut: Daya berkecambah jagung hibrida Ulangan_1 98 99 88 92 87 92 91 96 92 95 96 93 91 98 89 93
Ulangan_2 Ulangan_3 88 94 92 94 90 91 95 90 89 94 94 94 90 95 97 98 94 93 94 93 90 94 94 96 97 95 99 100 90 92 92 95
Penyelesaian
1.
Input data di Excel dan simpan dengan nama kecambah.xls. Selanjutnya Buka Software SPSS. Informasi lengkap cara impor data dari Excel ke SPSS dapat dilihat pada bab sebelumnya. Tampilan data di SPSS adalah:
Gambar 1. Data view SPSS
2.
Sekarang kita mulai dengan menghitung rata-rata. Klik menu Transform >
Compute Variable maka kotak dialog ditampilkan. Pada Target Variable ketik Rata_rata sementara pada Function Group klik All. Pada Function and Special
Variable pilih mean. Selanjutnya pada Numeric Expression
masukkan
Mean(Ulangan_1,Ulangan_2,Ulangan3). Klik OK . Coba perhatikan data view SPSS !!!, pada data view SPSS secara otomatis menampilkan nilai rata-rata di kolom ke 4.
Gambar 2. Kotak dialg compute variabel
3.
Selanjutnya kita akan melakukan analisis deskriptif dan uji normalitas data. Klik menu Analyze > Descriptive Statistics > Explore maka kotak dialog explore ditampilkan. Klik variable Rata-Rata dan klik tanda panah ke dependent List. Pada bagian Display
pilih Both diikuti dengan OK . Output model akan
ditampilkan.
Gambar 3. Kotak dialog explore Output Model
Case Processing Summary Cases Valid N Ratarata
Missing
Percent 16
100.0%
N
Total
Percent 0
.0%
N
Percent 16
100.0%
Interpretasi: Variabel Ratarata jumlahnya 16 dengan persentase 100% atau data semuanya valid. Missing data = 0 artinya tidak ada data yang hilang. Jadi data rata_rata terdiri dari 16 data semuanya valid dan tidak ada data yang kurang atau hilang. Descriptives Statistic Std. Error
Ratarata Mean
93.3958
95% Confidence Interval for Mean
Lower Bound
92.1114
Upper Bound
94.6803
5% Trimmed Mean
93.2917
Median
93.3333
Variance
.60263
5.811
Std. Deviation
2.41053
Minimum
89.67
Maximum
99.00
Range
9.33
Interquartile Range
2.25
Skewness
.572
.564
Kurtosis
.962
1.091
Interpretasi: Mean atau rata rata dari variable nilainya 93,39%. Ini berarti secara umum rata-rata daya berkecambah benih pada 16 sampel yang diukur dengan 3 kali ulangan adalah 93,39. Median atau nilai tengah adalah nilai yang membagi distribusi data dalam dua bagian yang sama besar. Nilai median yang diperoleh adalah 93,33%. Nilai varians yang diperoleh adalah 5,81. Standar deviasi adalah selisih setiap data dari nilai rata ratanya. Nilai standar deviasi yang diperoleh adalah 2,41. Nilai minimum dan maksimum data adalah 89,67% dan 99%. Skewness adalah kemiringan
atau
kemencengan
kurva
nilainya
0,57.
Kurtosis
atau
keruncingan/ketumpulan data nilainya 0,962. Nilai skewness dan kurtosis biasanya digunakan untuk menentukan tingkat normalitas data. Tests of Normality Kolmogorov-Smirnova Statistic Ratarata
.161
df
Shapiro-Wilk
Sig. 16
Statistic *
.200
.938
df
Sig. 16
.323
a. Lilliefors Significance Correction *. This is a lower bound of the true significance.
Interpretasi: Tabel ini menampilkan hasil uji normalitas dari variable rata_rata menggunakan uji Kolmogorov-Smirnov. Uji ini digunakan untuk membandingkan antara
data yang diuji dengan data normal baku. Kriteria pengambilan keputusan adalah, Apabila data terdistribusi normal maka nilai Sig > 0,05. Sebaliknya apabila nilai Sig < 0,05 maka data tidak terdistribusi normal. Berdasarkan tabel diatas nilai Sig = 0,2 atau > 0,05 sehingga disimpulkan bahwa data terdistribusi normal.
Q-Q plot atau plot uji normalitas menggambarkan distribusi data apakah telah mengikuti distribusi normal atau tidak. Semakin dekat data dari garis maka semakin baik datanya atau mengikuti distribusi normal. Grafik variable rata-rata nilainya sebagian besar mendekati garis sehingga mengikuti distribusi normal.
Profil Penulis
Muhammad Aqil dilahirkan di Kota Pare Pare Provinsi Sulawesi Selatan. Penulis menyelesaikan pendidikan S3 bidang Life and Environmental Science, Shimane University di Jepang Tahun 2007. Penulis saat ini bekerja sebagai Peneliti Bidang Budidaya dan Pascapanen di Balai Penelitian Tanaman Serealia, Badan Litbang Pertanian. Penulis aktif menerbitkan publikasi baik di Jurnal Nasional maupun Internasional. Beberapa naskah dimuat di Jurnal Environmental Management, Elsevier serta Journal of Hidrology, Science Direct. Penulis juga menulis buku Sustainable Organic Farming yang menjadi buku acuan pada pelajaran SLTA di Kamboja. Buku lain yang diterbitkan adalah Jagung: Teknologi Produksi dan Pengembangan.
Roi Effendi dilahirkan di Jakarta, menyelesaikan pendidikan S2 bidang Pemuliaan dan Budidaya Tanaman Tahun 2010. Penulis saat ini sedang mengikuti Program S3 Bidang Agroteknologi Universitas Hasanuddin. Penulis bekerja sebagai Peneliti Bidang Budidaya di Balai Penelitian Tanaman Serealia, Badan Litbang Pertanian. Penulis juga aktif dalam pengolahan data penelitian di berbagai perguruan tinggi. Penulis dapat dihubungi di email:
[email protected]