Aplikasi SPSS dan SAS untuk PERANCANGAN PERCOBAAN

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



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



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


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


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


2 .02327

3 .02412


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


2 2.350

3 2.435

24


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


Levels

Values

Pulut

5

A B C D E

Ulangan

3

1 2 3


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


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


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


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


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


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


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


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


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.


OUTPUT MODEL Tests of Between-Subjects Effects Dependent Variabel:Serangan_penyakit Source


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 N

1

1

3 10.03 c

2

3

3

3

Sig.

Duncan

Duncan

Duncan Perla kuan

Perl. W2 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.


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)



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


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


Mean

N

Mikrobia

A A A

20.9500

9

A2

20.6967

9

A1

B

18.7867

9

A0


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


2 .6486

3 .6805

4 .7006

5 .7146

6 .7248

7 .7325

8 .7385

9 .7431


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





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





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.


OUTPUT MODEL Tests of Between-Subjects Effects Dependent Variable:DayaTumb Source


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


(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



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


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


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


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


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.


model > univariate, Kotak dialog Univariate selanjutnya ditampilkan. Pilih variabel Hasil dan klik ke Dependent List. Pada Fixed Faktor pilih Pupuk, Air, Varietas dan Blok.


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.


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


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


Levels

Values

Pupuk

3

P1 P2 P3

Air

3

Q1 Q2 Q3

Varietas

2

R1 R2

Ulangan

3

1 2 3


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


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


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


Duncan Grouping

Mean

N

Pupuk

A

9.06111

18

P1

B B B

8.19444

18

P2

8.16111

18

P3


5 17:01 Monday, March 1, 2015


2 .1594

3 .1675


Mean

N

Air

A

9.10556

18

Q1

B

8.43333

18

Q2

C

7.87778

18

Q3


6 17:01 Monday, March 1, 2015


2 .1301


Mean

N

Varietas

A

8.58519

27

R1

B

8.35926

27

R2


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


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


8 17:01 Monday, March 1, 2015


2 .2254

3 .2369

4 .2444

5 .2498

6 .2539


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


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


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


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


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.


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.


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


(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


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


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


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


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


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


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


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


Levels

Values

Ulangan

3

1 2 3

PU

4

N1 N2 N3 N4

AP

2

B P

AAP

3

D1 D2 D3


72

RANCANGAN SPLIT SPLIT PLOT DATA hasil


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


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


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


Mean

N

PU

A

12.3222

18

N4

B

11.3889

18

N3

C

9.9889

18

N2

D

7.0722

18

N1




2 .2877


Mean

N

AP

A A A

10.2389

36

P

10.1472

36

B




2 .3523

3 .3703


Mean

N

AAP

A A

10.4292

24

D3

B B B

A

10.2000

24

D2

9.9500

24

D1




2 .5753

3 .6047

4 .6237

5 .6374

6 .6477

7 .6558

8 .6624


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




2 .7046

3 .7406

4 .7639

5 .7806

6 .7933

7 .8032

8 .8113

9 .8178

10 .8233


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




2 .4982

3 .5237

4 .5402

5 .5520

6 .5610


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



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


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


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


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]

Aplikasi SPSS dan SAS untuk PERANCANGAN PERCOBAAN

Recommend Documents