P. 1
Analisis Data Dengan SPSS Rancob 2010-1

Analisis Data Dengan SPSS Rancob 2010-1

|Views: 20|Likes:
Dipublikasikan oleh Muhamad Fikri Anwar
CARA MENGGUNAKAN SPSS
CARA MENGGUNAKAN SPSS

More info:

Categories:Types, Resumes & CVs
Published by: Muhamad Fikri Anwar on Feb 12, 2013
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

01/19/2014

pdf

text

original

0

ANALISIS STATISTIKA MENGGUNAKAN PROGRAM SPSS APLIKASINYA DALAM RANCANGAN PERCOBAAN

Dr. Ba mbang Subali, M.S.

Jurusan Pendidikan Biologi Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta

2010

Dr.Bambang Subali, M.S.

ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN

1

PENGANTAR

Alhamdulillah buku Analisis Statistika untuk menunjang mata praktikum Rancangan Percobaan sudah dapat tersusun. Besar harapan saya, buku ini dapat membantu para mahasiswa dapat merancang dan menganalisis data penelitian di bidang Biologi. Buku ini memuat teknik analisis statistika menggunakan program SPSS berupa analisis varians multi-arah/multi jalur untuk rancangan faktorial dan rancangan kovarians,. Dalam buku ini juga ditambahkan teknik analisis data untuk penelitian ekologi, yakni analisis komunitas dan hubungannya dengan faktor lingkungan, yang pada mata praktikum Metode Penelitian Biologi belum dipelajari. Diharapkan buku ini dapat membantu para mahasiswa untuk menyusun desain penelitan beserta pemilihan teknik analisis serta cara menganalisis data yang sudah diperoleh, sehingga dapat meningkatkan mutu karya ilmiah mahasiswa baik untuk penyusunan laporan praktikum maupun untuk penyusunan skripsi. Penyusun

Dr.Bambang Subali, M.S.

ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN

2

DAFTAR ISI

halaman

HALAMAN JUDUL KATA PENGANTAR DAFTAR ISI

………………………………..……… ……………………………..………..

0 1 2

……………………………………..………….

BAB 1. ANALISIS DATA RANCANGAN FAKTORIAL …….. BAB 2. ANALISIS DATA RANCANGAN KOVARIANS ……. BAB 3 ANALISIS DATA KOMUNITAS DAN/ATAU HUBUNGANNYA DENGAN FAKTOR LINGKUNGAN

3 25

49

Dr.Bambang Subali, M.S.

ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN

7 32. Sebaliknya jika pemupukan sudah melebihi batas optimal maka penambahan dosis pupuk N saja atau dosis pupuk P saja akan berdampak lebih kecil jika dibandingkan tanaman tersebut dipupuk dengan kombinasi N dan P. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . akibatnya respons yang terjadi secara signifikan akan lebih rendah/lebih kecil dibanding kalau masing-masing faktor bekerja sendiri-sendiri/terpisah.8 Sesudah tanam 32.1 Pupuk K Sebelum tanam 29. Hasil penelitian akibat pengaruh kombinasi macam atau jenis pupuk (dengan atribut tanpa diberi pupuk.6 30. maka hasilnya secara signifikan akan lebih rendah jika dibandingkan dengan tanaman kacang tanah yang dipupuk dengan kombinasi pupuk P dan N pada dosis yang sama.Bambang Subali.6 30.0 Sesudah tanam 32.S.7 31.0 33.2 30. Tanpa pupuk Blok Sebelum Sesudah ke tanam tanam 1 2 3 4 28.2 27.2 28. Tabel 1.7 32. Tentu saja hal tersebut berlaku sepanjang dosis tersebut masih dibawah dosis optimal yang diperlukan untuk memacu pertumbuhannya. M. Jika interaksinya bersifat positif. ANALISIS DATA RANCANGAN FAKTORIAL Rancangan faktorial atau rancangan berfaktor merupakan salah satu rancangan eksperimen faktor ganda atau faktor perlakuannya lebih dari satu faktor yang memiliki ciri bahwa faktor-faktor yang dikombinasikan secara teoretik harus berinteraksi.1 29.7 30. Oleh karena itu rancangannya berupa rancangan faktorial befaktor (dua faktor) pola acak lengkap.8 32. jika interkasinya negative maka akan terjadi hambatan oleh salah satu faktor atau faktor-faktor tersebut saling menghambat.9 Pupuk N Sebelum tanam 29. maka akibat adanya kombinasi faktor-faktor perlakuan akan memberikan respons yang secara signifikan lebih tinggi atau lebih besar jika dibandingkan respons yang terjadi kalau masing-masing faktor bekerja sendiri-sendiri/terpisah.6 29. Kalau misalnya tanaman kacang tanah dipupuk N saja dengan dosis tertentu atau dipupuk dengan pupuk P saja dengan dosis tertentu.3 BAB 1.7 31.3 31. Sebaliknya.8 31. hasil panenan tanaman padi ladang akibat pengaruh kombinasi macam pupuk dan waktu pemupukan dalam rancangan acak kelompok (dalam kwintal).6 36.3 32. Contoh: Suatu penelitian ingin mengetahui pengaruh kombinasi macam pupuk dan waktu pemupukan terhadap hasil panenan tanaman padi ladang yang ditanam pada polibak dengan kondisi yang homogen.8 29. pupuk N dan pupuk K) dan waktu pemberian pupuk (dengan atribut diberikan sebelum tanam dan sesudah tanam) menunjukkan hasil sebagai berikut.4 Dr.

dilanjutkan memilih menu Univariate. maka pilih menu Analyze. Dr. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .Bambang Subali. kemudian memilih menu General linear model. Seting data SPSS hasil penelitian hasil panena tanaman padi ladang yang diberi perlakuan kombinasi macam pupuk dan waktu pemupukan (dalam kwintal) Untuk menganalisis data di atas. M.S. Gambar 1. Jika di-”klik”/di-enter akan muncul tampilan sebagai berikut.4 Sajian data untuk analisis varians multi-arah dengan program SPSS adalah sebagai berikut.

Selanjutnya memilih model. masukkan variabel macam pupuk (mcmpupuk) dan waktu pemupukan (waktupemp) sebagai faktor perlakuan. sehingga klik menu model. dan akan keluar tampilan sebagai berikut.5 Selanjutnya masukkan variabel hasil panenan (hslpanen) ke dalam variable tergayut (dependent variable).Bambang Subali. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . Hasilnya sebagai berikut.S. M. Dr.

Type III Masukkan pula interaksi variabel macam pupuk dan variable waktu pemupukan (waktupemp) dengan cara memilih menu Interaction kemudian mengeblok kedua variabel tersebut dan memasukkannya ksi ke dalam model. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . sehingga tampil hasil sebagai berikut.Bambang Subali. sehingga tampak tampilan sebagai berikut. dan analisis selanjutnya memilih menu Custom (klik menu Custom).S. pilih menu Main effect.6 Jika variabel macam pupuk dan waktu pemupukan merupakan faktor yang pasti (fixed) (artinya hasil penelitian tidak dapat digeneralisasi untuk macam pupuk lain yang tidak dicoba. Masukkan kedua variabel ke dalam model. sehingga tampak tampilan sebagai berikut. Dr. juga dalam hal waktu pemupukannya hanya sebelum dan sesudah tanam sehingga tidak dapat diberlakukan pada waktu/situasi yang lain) maka tidak perlu ganti menu pada menu Type III . M.

Bambang Subali.S. pilih menu Option Dr. sehingga muncul tampilan sebagai berikut. Untuk menguji efek utama (main effect) dari masing-masing faktor.7 Type III Pilih (klik) menu Continue sehingga muncul tampilan semula sebagai berikut. M. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .

Bila sudah selesai memilih. M. sehingga diperoleh tampilan sebagai berikut.Bambang Subali. Dr. maka klik bok di depan menu Descriptive statistics.8 Masukkan variable yang akan ditampilkan nilai rata-ratanya (Display Means) dengan cara mengeblok dan memasukkan ke dalam bok Display Mean for. Jangan lupa bila ingin menampilkan hasil analisis deskriptifnya.S. pilih (klik) menu Continue sehingga kembali ke tampilan awal seperti berikut. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .

075 30.Bambang Subali. Deviation 1.0675 N 4 4 8 4 4 8 4 4 8 12 12 24 Dr.583 31.275 31.500 32.9287 .975 30. Univariate Analysis of Variance Between-Subjects Factors N 8 8 8 12 12 mcmpupuk pk pn tanpappk waktupemp sblmtnm ssdhtnm Descriptive Statistics Dependent Variable: hslpanen mcmpupuk pk waktupemp sblmtnm ssdhtnm Total pn sblmtnm ssdhtnm Total tanpappk sblmtnm ssdhtnm Total Total sblmtnm ssdhtnm Total Mean 29. M.3843 2.9 Pemrograman sudah selesai.1991 2.400 30.275 31.4315 1.6153 1.788 32.338 29.S.7332 3. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .483 31.675 31.3480 .7348 1.9207 1.4071 1. selanjutnya pilih (klik) menu OK dan akan diperoleh hasil analisis sebagai berikut.033 Std.8655 2.

S.Bambang Subali.627 11.087 98.338 30.10 Dari data hasil analisis statistika deskriptif kita dapat melihat rata-rata hasil panen akibat pengaruh macam pupuk yang berbeda (akibat pemberian pupuk K.663(a) 23113.9% dan 8.650 23211. juga hasil panen akibat pengaruh waktu pemupukannya untuk setiap macam pemupukan.649 .975 Std.6999 dengan peluang kesalahan 21.424 30.151 33.701 32.7%. .812 Sig.612 Upper Bound 31. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .095 .155 dan 2. Tests of Between-Subjects Effects Dependent Variable: hslpanen Source Corrected Model Intercept mcmpupuk waktupemp mcmpupuk * waktupemp Error Total Corrected Total Type I Sum of Squares 37.159 .699 2.260 18. pupuk N.533 23113.476 3.155 2.725 7.627 5.369 F 2.451 7. Error .774 1.649 .236 6859.000 .788 31.211 .974 29.1% sehingga tidak signifikan karena jauh diatas kesalahan 5%. Dr.383 (Adjusted R Squared = .940 Df 5 1 2 1 2 18 24 Mean Square 7. Demikian pula pengaruh waktu pemupukan serta pengaruh interaksi macam pupuk dan waktu pemupukan juga tidak signifikan dengan Fhitung berturut-turut 2.952 60.212) Dari tabel sidik ragam atau tabel hasil analisis varians kita dapat melihat besarnya harga Fhitung akibat pengaruh macam pupuk sebesar 1.260 9.812 dan besarnya peluang kesalahan 15. Estimated Marginal Means 1. M. mcmpupuk (maksudnya macam pupuk) Estimates Dependent Variable: hslpanen 95% Confidence Interval mcmpupuk pk pn tanpappk Mean 30.649 Lower Bound 28. dan yang tidak dipupuk).313 23 a R Squared = .338 Dari tabel estimasi populasi kita dapat melihat besarnya nilai rata-rata populasi hasil panena akibat pengaruh macam pupuk beserta simpangan bakunya serta kisaran batas bawah dan batas atasnya pada taraf kesalahan 5%.

S.741 2.583 .378 1.091 .597 32. Error sblmtnm ssdhtnm 30. M. Error Sig. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .478 -3.(a) 95% Confidence Interval for Difference(a) Lower Bound Upper Bound -2.918 .918 .450 -1.Bambang Subali.188 1.638 1. Univariate Tests Dependent Variable: hslpanen Sum of Squares Contrast Error 11.451 Df 2 Mean Square 5.530 95% Confidence Interval Lower Bound 29. sebagaimana tampak pada hasil analisis pada tabel di atas.291 -1.369 The F tests the effect of mcmpupuk. This test is based on the linearly independent pairwise comparisons among the estimated marginal means.116 -.630 .918 . Dari tabel pembandingan antar atribut macam pupuk melalui uji jarak nyata terkecil (LSD) kita lihat tidak ada yang menunjukkan selisih nilai rata-rata (I-J) yang signifikan. Dr.650 18 3.370 30. waktupemp (MAKSUDNYA WAKTU PEMUPUKAN) Estimates Dependent Variable: hslpanen waktupemp Mean Std.566 .630 .483 31.450 -1.211 60.212 .188 Std.091 . Hasil uji univariate yang hanya menguji efek utama faktor macam pupuk tanpa memperhatikan faktor waktu pemupukan tidak menunjukkan perbedaan hasil panenan yang signifikan karena taraf kesalahannya sebesar 21. 2.638 .1% jauh di atas batas taraf kesalahan 5%.470 Upper Bound 31.918 .378 .478 -3.918 .11 Pairwise Comparisons Dependent Variable: hslpanen (I) mcmpupuk (J) mcmpupuk Mean Difference (I-J) -.291 -.530 .697 Hasil analisis akibat pengaruh faktor waktu pemupukan juga tidak berbeda dengan pengaruh faktor macam pupuk.918 .566 3.212 Based on estimated marginal means a Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments).741 3.725 F 1. .116 pk pn tanpappk Pn Tanpappk Pk Tanpappk Pk Pn .699 Sig.

dan sebaliknya harus diuji pula signifikansi perbedaan antar macam pupuk pada tiap atribut/kategori waktu pemupukan.147 30.203 Contoh kedua: Apabila penelitian untuk mengetahui pengaruh kombinasi macam pupuk dan waktu pemupukan terhadap hasil panenan tanaman padi ladang yang ditanam pada petak ladang dengan tingkat kesuburan yang dicurigai berbeda.400 29. maka rancangannya berupa rancangan Dr. .275 Std. 3.369 The F tests the effect of waktupemp.918 95% Confidence Interval Lower Bound 27. Error . Oleh karena itu.Bambang Subali. mcmpupuk * waktupemp Dependent Variable: hslpanen mcmpupuk waktupemp Mean Pk Pn tanpappk sblmtnm ssdhtnm sblmtnm ssdhtnm sblmtnm ssdhtnm 29.347 29.918 . Error Sig. Dalam hal ini yang harus dicari adalah signifikansi perbedaan antara waktu pemupukan sebelum tanam dan sesudah tanam pada tiap atribut/mkategori macam pupuk yang diberikan.474 2.347 Upper Bound 31. This test is based on the linearly independent pairwise comparisons among the estimated marginal means.500 32. hasil yang keluar hanya menunjukkan nilai rata-rata.474 Upper Bound .428 34.674 sblmtnm ssdhtnm Ssdhtnm Sblmtnm .159 60.S.747 29.075 32.260 F 2. M.260 Error Df 1 Mean Square 7.328 31.572 30. Univariate Tests Dependent Variable: hslpanen Sum of Squares Contrast 7.472 27.918 .918 . jika efek interaksi signifikan maka harus diadakan uji lanjut dengan perhitungan secara manual.203 33.12 Pairwise Comparisons Dependent Variable: hslpanen (I) waktupemp (J) waktupemp Mean Difference (I-J) -1.275 31. simpangan baku beserta batas bawah dan batas atas nilai rata-rata pada tingkat populasi sebagaimana tersaji pada tabel di bawah ini. Karena program SPSS hanya menganalisis efek utama darai faktor-faktor perlakuan tetapi bukan interaksinya.003 34.(a) 95% Confidence Interval for Difference(a) Lower Bound -2.100 1.749 .749 .650 18 3.159 Based on estimated marginal means a Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments).918 .675 31.918 .100 Std.603 33.155 Sig. maka meskipun kita meminta untuk uji lanjut dengan LSD.159 .674 -. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .

6 30. M.2 28.13 faktorial befaktor (dua faktor) pola acak kelompok atau pola berblok. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .1 29. Tanpa pupuk Blok Sebelum Sesudah ke tanam tanam 1 2 3 4 28.6 29.8 32.4 Sajian data untuk analisis varians multi-arah dengan program SPSS adalah sebagai berikut.3 31.6 36. Dr.S.7 32.7 30. hasil panenan tanaman padi ladang akibat pengaruh kombinasi macam pupuk dan waktu pemupukan dalam rancangan acak kelompok (dalam kwintal).3 32. Tabel 2.7 31.2 30.9 Pupuk N Sebelum tanam 29.1 Pupuk K Sebelum tanam 29.7 31.0 Sesudah tanam 32.0 33.Bambang Subali.6 30.8 Sesudah tanam 32.8 29.7 32.8 31. Hasil penelitian menunjukkan hasil sebagai berikut.2 27.

maka pilih menu analyze. M.S. masukkan variabel macam pupuk (mcmpupuk) dan waktu pemupukan (waktupemp) sebagai faktor perlakuan juga variabel blok sebagai sumber variasi yang harus diperhitungkan. kemudian memilih submenu general linear model. Selanjutnya masukkan variable hasil panenan (hslpanen) ke dalam variable tergayut (dependent variable). Dr. Hasilnya sebagai berikut.14 Gambar 1. Seting data SPSS hasil penelitian hasil panena tanaman padi ladang yang diberi perlakuan kombinasi macam pupuk dan waktu pemupukan (dalam kwintal) Untuk menganalisis data di atas. Jika di klik/ditekan tombol enter akan muncul tampilan sebagai berikut. dilanjutkan memilih sub-submenu univariate. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .Bambang Subali.

Oleh karena itu tidak perlu mengganti menu Type. juga dalam hal waktu pemupukannya hanya sebelum dan sesudah tanam sehingga tidak dapat diberlakukan pada waktu/situasi yang lain) maka harus memilih tipe III. M. sehingga tampak tampilan sebagai berikut. Jika variabel macam pupuk dan waktu pemupukan merupakan faktor yang pasti (fixed) (artinya hasil penelitian tidak dapat digeneralisasi untuk macam pupuk lain yang tidak dicoba.15 Selanjutnya memilih model. dan analisis selanjutnya memilih menu Custom (klik menu Custom). ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .Bambang Subali. sehingga pilih (klik) menu model. pilih menu Main effect. Dr. dan masukkan ketiga variabel ke dalam model. dan akan keluar tampilan sebagai berikut.S.

sehingga tampil hasil sebagai berikut. Untuk menguji efek utama (main effect) dari masing-masing factor.Bambang Subali. Dr. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . baik factor perlakuan maupun factor blok pilih menu Option sehingga muncul tampilan sebagai berikut. Type III Pilih (klik) menu Continue sehingga muncul tampilan semula sebagai berikut.16 Masukkan ula interaksi variabel macam pupuk dan variable waktu pemupukan (waktupemp) dengan cara memilih menu Interaction kemudian mengeblok kedua variabel tersebut dan memasukkannya ksi ke dalam model.S. M.

17 Masukkan variable yang akan ditampilkan nilai rata-ratanya (Display Means) dengan cara mengeblok dan memasukkan ked lam bok Display Mean for. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .S. Dr. sehingga diperoleh tampilan sebagai berikut. maka klik bok di depan menu Descriptive statistics. M. Jangan lupa bila ingin menampilkan hasil analisis deskriptifnya.Bambang Subali.

sehingga besarnya N untuk tiap blok sebanyak 6 yang menunjukkan banyaknya kombinasi perlakuan dalam setiap blok.Bambang Subali. Pemrograman sudah selesai.18 Bila sudah selesai memilih. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .S. Univariate Analysis of Variance Between-Subjects Factors N 8 8 8 12 12 6 6 6 6 mcmpupuk Waktupemp Blok Pk Pn Tanpappk Sblmtnm Ssdhtnm 1 2 3 4 Karena ada enam kombinasi perlakuan maka tiap blok tanam harus dibagi enam dan diacak sehingga setiap petak di blok satu ditanami dengan salah satu macam kombinasi perlakuan. simpangan baku dan N (banyaknya atau ulangan). M. klik menu Continue sehingga kembali ke tampilan awal seperti berikut. ketiga dan keempat. Hasil analisis statistika deskriptif menunjukkan besarnya nilai rata-rata. Dr. klik menu OK dan akan diperoleh hasil analisis sebagai berikut. demikian pula di blok kedua.

200 27.000 29.2828 3. .900 30. .500 32.700 30.788 28.600 32.950 29. M. . 3. .3480 .275 29.4749 2. .4315 2.675 30. .275 32.600 36.8991 1. Deviation . .800 32.200 28.19 Descriptive Statistics Dependent Variable: hslpanen mcmpupuk waktupemp Pk sblmtnm Blok 1 2 3 4 Total 1 2 3 4 Total 1 2 3 4 Total 1 2 3 4 Total 1 2 3 4 Total 1 2 3 4 Total 1 2 3 4 Total 1 2 3 4 Total 1 Mean 29.S. .450 30. .900 31.400 31.700 32. .8385 1.1314 .075 30.750 30. . .800 29.950 29. .200 30.000 33.700 30.5456 1. .300 31.4749 2.300 32.4071 2.800 31. 1.700 31.338 29.600 30.800 31.7332 . ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .700 32. 1. 1.700 31.Bambang Subali.450 Std.8655 1. .100 29.000 30.9287 .3234 1. .9207 . . .800 32.100 29.600 29.2021 N 1 1 1 1 4 1 1 1 1 4 2 2 2 2 8 1 1 1 1 4 1 1 1 1 4 2 2 2 2 8 1 1 1 1 4 1 1 1 1 4 2 ssdhtnm Total Pn sblmtnm ssdhtnm Total tanpappk sblmtnm ssdhtnm Total Dr.7348 . .400 30. .

8717 2. Estimated Marginal Means 1.113 1.2368 1.600 31. juga tidak signifikan karena peluang kesalahannya jauh di atas 5% yakni 11.509 .2021 2.20 2 3 4 Total Total sblmtnm 1 2 3 4 Total 1 2 3 4 Total 1 2 3 4 Total 34.0675 2 2 2 8 3 3 3 3 12 3 3 3 3 12 6 6 6 6 24 ssdhtnm Total Tests of Between-Subjects Effects Dependent Variable: hslpanen Type I Sum of Source Squares Corrected Model 41.940 Corrected Total 98.251 .433 31.788 Dari tabel analisis varians di atas dapat diketahui bahwa pengaruh atau efek utama variabel macam pupuk tidak signifikan karena peluang kesalahannya mencapai 25. M.7778 1.Bambang Subali.663(a) Intercept 23113.186 .7550 .900 31.952 Blok 4.424 (Adjusted R Squared = .115 .627 Mcmpupuk 11.650 Total 23211.000 .777 F 1.5106 1.975 28.S.7032 2.550 32.353 Sig.260 9.627 5.116) df 8 1 2 1 2 3 15 24 23 Mean Square 5. .500 30.922 2.8461 2.251) pengaruh atau efek utama waktu pemupukan juga tidak signifikan karena peluang kesalahannya jauh di atas 5% yakni 18.333 3.467 31.516 1.967 31.400 30.6% dan efek interaksi dari kedua fakor perlakuan.476 1.233 30.3856 .6153 1.725 7.451 Waktupemp 7.313 a R Squared = .033 3.4163 2.300 31.750 31.583 30.3843 .0146 1.260 mcmpupuk * waktupemp 18.1% atau (dalam tabel tertulis 0.333 31.483 31.1991 1.8414 3. mcmpupuk Estimates Dependent Variable: hslpanen Dr.1820 .000 Error 56.282 .208 23113.7251 1. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .379 6120.3215 4. yakni pengaruh interaksi antara variabel macam pupuk dan waktu pemupukan.367 31.150 31.900 31.5%.

650 15 3.450 -1. yakni 25.687 95% Confidence Interval Lower Bound Upper Bound 28.972 .434 3.884 3. Hasil analisis untuk factor waktu pemupukan juga sama saja hasilnya sebagaimana pengaruh factor macam pupuk.1%.873 31.188 1. Tampak kolom (I-J) menunjukkan besarnya selisih nilai rata-rata.709 -.511 33.439 Pairwise Comparisons Dependent Variable: hslpanen (I) mcmpupuk (J) mcmpupuk Pn .521 -3.259 Dari tabel pembandingan sebagai uji lanjut dari efek utama variabel macam pupuk juga menunjukkan tidak ada yang berbeda signifikan.687 .516 .972 .188 Std.113 Pn Pk .241 tanpappk Pk . dan hasil analisisnya sebagai berikut. M.788 31. Pk Mean Difference (I-J) -.972 . Contrast 11. karena taraf kesalahannya jauh di atas 5%.(a) menunjukkan besarnya peluang kesalahan untuk menunjukkan perbedaan antar kategori/atribut perlakuan macam pupuk.434 -1.S.521 1. Error Sig.241 Based on estimated marginal means a Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments).777 The F tests the effect of mcmpupuk.21 mcmpupuk Pk Pn tanpappk Mean 30.Bambang Subali.621 2.113 Pn .687 .725 1. Error 95% Confidence Interval Dr.638 1. Hasil uji beda univariate hasil panen dengan membandingkan antar nilai rata-rata estimasi berdasar model linier ang diperoleh juga menunjukkan hasil yang tidak bermakna sebagaimana tersaji pada tabel berikut.972 . 2.972 . dan kolom sig.450 -1.709 .259 .451 2 5.638 . ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . Error .650 Tanpappk .972 .(a) 95% Confidence Interval for Difference(a) Lower Bound Upper Bound -2.884 -.650 Tanpappk . waktupemp Estimates Dependent Variable: hslpanen waktupemp Mean Std.252 30. Univariate Tests Dependent Variable: hslpanen Sum of Squares Df Mean Square F Sig.251 Error 56. yang semuanya jauh di atas 5%. sehingga tidak signifikan pada taraf kesalahan 5%.975 Std. This test is based on the linearly independent pairwise comparisons among the estimated marginal means.621 -3.802 29.338 30.323 32.

ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .186 Error 56.346 29.793 .471 27. dan keluarannya hanya memberikan selisih rata-rata dan batas minimum dan batas maksimum nilai rata-rata perkiraan atau estimasinya. Contrast 7.260 1.583 .186 -2.604 34. mcmpupuk * waktupemp Dependent Variable: hslpanen mcmpupuk Waktupemp Mean Pk Pn tanpappk Sblmtnm Ssdhtnm Sblmtnm Ssdhtnm Sblmtnm Ssdhtnm 29. Rekomendasi yang kita berikan adalah jika dilakukan penelitian ulang pada lokasi yang sama eksperimen faktorial tidak perlu dirancang dengan rancangan kelompok teracak lengkap (randomized completely block design) dan cukup Dr.675 31.346 Berdasarkan tabel analisis varians di atas. pengujian signifikansi efek pengeblokan akibat kecurigaan terhadap tingkat kesuburan petak-petak penanaman yang berbeda ternyata tidak signifikan.22 Lower Bound Upper Bound 29.275 Std.791 Based on estimated marginal means a Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments). namun hasil akhirnya tidak dapat diperoleh.429 31.329 33.791 . 3.500 32. Error Sig.100 .793 .777 The F tests the effect of waktupemp.972 95% Confidence Interval Lower Bound Upper Bound 27.004 34.650 15 3.591 2.972 .922 .Bambang Subali.075 32.388 32.288 31.186 -. Karena program yang ada hanya menguji signifikansi efek utama. Dengan demikian uji lanjut sebagaimana tersaji pada hasil berikut ini juga tidak signifikans.(a) 95% Confidence Interval for Difference Difference(a) (I-J) Lower Bound Upper Bound Sblmtnm Ssdhtnm -1. Univariate Tests Dependent Variable: hslpanen Sum of Squares df Mean Square F Sig. M.204 33.679 30.S.260 1 7.972 . Error .972 .275 31. maka walaupun efek interaksi dimasukkan pada bok Display means kemudian dianalisis bedanya.561 Pairwise Comparisons Dependent Variable: hslpanen (I) waktupemp (J) waktupemp Mean Std.972 .972 .100 .483 31.204 31.571 30.146 30.561 . This test is based on the linearly independent pairwise comparisons among the estimated marginal means.779 Sblmtnm Ssdhtnm 30.400 29.746 29.591 Ssdhtnm Sblmtnm 1.

858 -2.791 Karena hasil analisis varians menunjukkan efek blok tidak signifikan.(a) tampak bahwa besarnya peluang untuk setiap nilai selisih antar blok menunjukkan harga di atas 5%.122 .742 32.900 .458 -1.122 .122 . maka hasil analisis atau uji lanjut menggunakan uji beda nyata terkecil (LSD) untuk mencari signifikansi perbedaan antar blok (I – J) juga tidak menunjukkan hasil yang signifikan (pada kolom sig.861 3 1 .452 2 1 1.325 3.991 -1. Error Sig. blok Estimates Dependent Variable: hslpanen Blok Mean Std.591 4 31.(a) (I-J) 1 2 -1.258 1.867 1.467 1.991 Pairwise Comparisons Dependent Variable: hslpanen (I) blok (J) blok Mean Difference Std. Error 95% Confidence Interval Lower Bound Upper Bound 1 30.433 .458 1.991 1.525 -1.325 -2.609 32.122 .525 3.23 dengan rancangan acak sempurna (completely randomized design).S.991 2.400 1.601 4 .357 3 .452 2 -.400 1.601 4 -.467 1.122 . Dr.200 1.793 29.258 -2.067 1.124 2 31.591 -1. 4.793 29.793 28.209 32.191 2.791 2.200 1.122 .191 -1.791 1.991 -2.600 1.683 2 -.122 .683 4 -.791 -2.122 .122 .500 .067 1.809 33.793 29.858 1.925 2.726 Based on estimated marginal means a Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments).122 .861 3 .191 3 30.122 .925 -3.591 2.726 4 1 .122 . ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .867 1.357 3 -.600 1.Bambang Subali. M.300 . 95% Confidence Interval for Difference(a) Lower Bound Upper Bound -3.

S.353 3.333 . Dr.650 15 Mean Square F 1.24 Univariate Tests Dependent Variable: hslpanen Sum of Squares df Contrast 4. Analisis varians satu jalur yang hanya menguji signifikansi pengaruh blok terhadap hasil panenan padi juga tidak menujukkan hasil yang signifikan dengan peluang sebesar 78.8% jauh diatas batas taraf kesalahan 5%.777 Sig.Bambang Subali. This test is based on the linearly independent pairwise comparisons among the estimated marginal means. M. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . .000 3 Error 56.788 The F tests the effect of blok.

S. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . M.Bambang Subali.25 Dr.

Akibat adanya factor peragam atau kovariabel atau kovariat. >14 – 16 cm dimana setiap kelompok harus ada tanaman cendana yang jumlahnya sebanyak atribut/kategori perlakuan/treatment (kalau faktor perlakuannya kualitatif) atau taraf/level perlakuan/treatment. Misalnya areal penanamannya tidak homogen kesuburannya maka kita buat blok-blok yang homogen sehingga seluruh perlakuan ada wakilnya pada setiap blok tanam. maka factor tinggi awal kita jadikan sebagai faktor peragam/kovariat/kovariabel. Apabila ada satu faktor lain selain faktor perlakuan yang tidask homogenkan maka dapat diupayakan homogen pada tingkat blok. maka ukuran tanaman. ada yang >12 – 14 cm.S. Kalau biji yang kita semai hanya sedikit dan akhirnya setelah kita kelompokkan agar homogen ditiap kelompok pun tidak berhasil.26 BAB 2 ANALISIS DATA RANCANGAN KOVARIANS Rancangan kovarians atau rancangan peragam merupakan salah satu rancangan eksperimen dimana selain faktor perlakuan masih ada factor lain yang merupakan variable pengganggu (suppressed variable) yang tidak dapat dihomogenkan. maka masing-masing kelompok harus ada tanaman cendana sebanyak 3 batang yang akan dipilih secara acak untuk memperoleh salah satu atribut/kategori atau taraf/level perlakuan. maka efek treatmen (perlakuan) menjadi dipengaruhi oleh factor peragam. Kalau akan dicoba tiga macam pupuk. misalnya tanaman yang ada berkisar antara 8 sampai 16 cm.Bambang Subali. Kalau kita akan pengetahui efek macam pupuk terhadap pertumbuhan tanaman cendana. Tidak mudah untuk memperoleh semai tanaman cendana yang memiliki ketinggian yang homogen pada umur yang sama. Dr. media tanam dan faktor lingkungan harus kita homogenkan agar dapat memakai rancangan acak lengkap. M. Misal hasil eksperimen tentang pengaruh macam pupuk anorganik terhadap pertumbuhan tanaman cendana sebagai berikut. misalnya ada blok atau kelompok tanaman cendana yang tingginya 8 – 10 cm.12 cm. Demikian pula bila tinggi awalnya tidak homogen. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . termasuk jikalau dihomogenkan dengan pengeblokan. ada yang >10 . maka kita upayakan dulu memilih blok/kelompok tinggi tanaman yang homogen.

Bambang Subali. kemudian memilih menu General linear model. P. maka pilih menu Analyze. Gambar 1. Tinggi semai tanaman cendana usia 3 bulan akibat pengaruh macam pupuk pupuk anorganik yang diberikan (dalam cm). Jika di-”klik”/di-enter akan muncul tampilan sebagai berikut. M. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . dilanjutkan memilih menu Univariate.S. Pupuk N (t1) tinggi awal (X1i) 14 11 11 13 Pupuk P (t2) tinggi awal (X2i) 8 12 15 12 Pupuk K (t3) tinggi awal tinggi akhir (X3i) (Y3i) 9 14 9 9 30 37 32 32 tinggi akhir (Y1i) 40 38 37 47 tinggi akhir (Y2i) 30 43 47 44 Sajian data untuk analisis varians multi-arah dengan program SPSS adalah sebagai berikut. Seting data dalam program SPSS penelitian pengaruh macam pupuk anorganik (N.27 Tabel 1. dan K) terhadap pertumbuhan semai cendana (dalam cm) Untuk menganalisis data di atas. Dr.

sehingga pilih (klik) menu sebagai berikut. Hasilnya sebagai berikut.Bambang Subali. masukkan variabel macam pupuk (mcmpupuk) sebagai faktor perlakuan juga variabel tinggi awal sebagai faktor pengganggu penyebab sumber variasi yang harus diperhitungkan. dan akan keluar tampilan Dr. M.S.28 Selanjutnya masukkan variabel tinggi akhir (tingakhir) ke dalam variabel tergayut (dependent variable). model. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . Selanjutnya memilih model.

Oleh karena itu tidak perlu ganti menu Type. dan masukkan kedua variable ke dalam model.29 Karena variabel macam pupuk merupakan faktor yang pasti (fixed) (artinya hasil penelitian tidak dapat digeneralisasi untuk macam pupuk lain yang tidak dicoba) maka harus memilih tipe I. pilih menu Main effect. M. dan analisis selanjutnya memilih menu Custom (klik menu Custom). ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .S.Bambang Subali. Type III Dr. sehingga tampak tampilan sebagai berikut.

M. Untuk menguji efek utama (main effect) dari faktor perlakuan.30 Pilih (klik) menu Continue sehingga muncul tampilan semula sebagai berikut. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . pilih menu Option sehingga muncul tampilan sebagai berikut.S.Bambang Subali. Dr.

Dr. diperoleh tampilan sebagai Bila sudah selesai memilih.Bambang Subali. Jangan lupa bila ingin menampilkan hasil analisis deskriptifnya. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . sehingga berikut. maka klik bok di depan menu Descriptive statistics. M.31 Masukkan variabel macam pupuk yang akan ditampilkan nilai rata-ratanya (Display Means) ke dalam bok Display Mean for.S. pilih (klik menu Continue sehingga kembali ke tampilan awal seperti berikut.

0833 Std.50925 7.24439 N 4 4 4 12 Dari data hasil analisis statistika deskriptif kita dapat melihat nilai rata-rata tinggi akhir semai cendana akibat pemberian macam pupuk yang berbeda dengan mengabaikan pengaruh factor tinggi awal sebagai peragamnya.S. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . dan yang diberi pupuk K 32. Univariate Analysis of Variance Between-Subjects Factors N 4 4 4 mcmpupuk pupukk pupukn pupukp Descriptive Statistics Dependent Variable: tingakhir mcmpupuk Pupukk Pupukn Pupukp Total Mean 32.5000 41.32 Pemrograman sudah selesai.0000 38. yang diberi pupuk P 41.75 cm.98608 4.5 cm. yakni semai cendana yang diberi pupuk N 40. selanjutnya pilih (klik menu OK dan akan diperoleh hasil analisis sebagai berikut.0 cm. Dr.7500 40. Deviation 2.Bambang Subali.52773 6. M.

167 178.321 2.071 dan besar peluang kesalahan hanya 0.(a) Pupukk Pupukn Pupukp Pupukn Pupukp Pupukk Pupukp Pupukk Pupukn .388 8. Setelah pengaruh factor peragam dihilangkan maka diperoleh nilai rata-rata terkorekasi (adjusted mean) dari tinggi semai cendana yang diberi pupuk N yakni 34.443 5.929(a) Std. M.33 Tests of Between-Subjects Effects Dependent Variable: tingakhir Source Type I Sum of Squares Corrected Model Intercept Mcmpupuk Tingawal Error Total Corrected Total 349.083 171.321 2.003 .010 .595 .595 Based on estimated marginal means * The mean difference is significant at the . Error 1.443 Std.655 1.583 178.234 Sig. a Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments).204 Upper Bound 38.541 -10. yang diberi pupuk P 38.710 10.000 .95 cm.422(*) 1.371(a) 1.371 cm.071 Sig.887 F 11.135 .929 cm.133 35.658 9.4167. dan yang diberi pupuk K 40. . Error 2.394 2.950(a) 38.710 9.000 428.070 -3.135 .767 42.979 -1.917 Df 3 1 2 1 8 12 11 Mean Square 116.773 -. Estimated Marginal Means mcmpupuk Estimates Dependent Variable: tingakhir 95% Confidence Interval Mcmpupuk Pupukk Pupukn Pupukp Mean 34.537 95% Confidence Interval for Difference(a) Lower Bound Upper Bound -9. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .657 18.Bambang Subali.825(a) 17404.537 .422(*) 3.003 a R Squared = .3% jauh lebih kecil dari batas kesalahan 1%. Pairwise Comparisons Dependent Variable: tingakhir (I) mcmpupuk (J) mcmpupuk Mean Difference (I-J) -3.773 6.979 -5.070 -1.795 1760.658 79.730 44. Demikian pula pengaruh fator tinggi awal sebagai peragam sangat signifikan karena dengan Fhitung sebesar 18.499 3.048 .092 17833.816 (Adjusted R Squared = .657 dengan peluang kesalahan 1% sehingga signifikan di bawah taraf kesalahan 5%.083 85.499 1.579 36.608 17404.615 Lower Bound 31.048 . Dr.541 -6.394 2.S.746) Dari tabel sidik ragam atau tabel hasil analisis varians kita dapat melihat besarnya harga Fhitung akibat pengaruh macam pupuk sebesar 8.013 a Covariates appearing in the model are evaluated at the following values: tingawal = 11.05 level.653 40.234 2.

1. Jika ada tiga atribut/level/taraf perlakuan maka atribut/level/taraf perlakuan pertama diberi kode 1 dan 0.S.83 dan besar peluang 11. yakni dengan Fhitung sebesar 2.887 The F tests the effect of mcmpupuk.830 Sig. dan 0 • atribut/taraf/ level kedua diberi kode 0. dan atribut/level/taraf perlakuan ketiga diberi kode 0 dan 0 sehingga terbentuk dua variable dungu. Untuk mencari model regresi hubungan antara macam pupuk sebagai variable bebas/predictor dan tinggi awal sebagai variable peragam/kovariat dengan tinggi akhir sebagai variabel respons. dan atribut/level/taraf perlakuan keempat diberi kode 0 kemudin 0 dan sekali lagi 0 sehingga terbentuk tiga variable dungu. Dari hasil analisis lanjut menggunakan uji beda nyata terkecil menunjukkan ada perbedaan tinggi semai cendana antara yang diberi pupuk P dan yang diberi pupuk K dengan selisih 5. 0. maka digunakan uji regresi. dan 0 Variabel dummy yang terbetuk Tiga variabel Dr. Dua atribut/taraf/ level • atribut/taraf/ level pertama diberi kode 1 • atribut/taraf/ level kedua diberi kode 0 Variabel Tiga level/taraf/ dummy atribut yang terbetuk Satu • atribut/taraf/level variabel pertama diberi kode 1 dan 0 • atribut/taraf/level kedua diberi kode 0 dan 1 • atribut/taraf/level ketiga diberi kode 0 dan 0 Variabel Empat level/taraf/ atribut dummy yang terbetuk Dua • atribut/taraf/ level pertama variabel diberi kode 1.34 Univariate Tests Dependent Variable: tingakhir Sum of Squares Contrast Error 55. untuk atribut/level/taraf perlakuan kedua diberi kode 0 kemudian 1 dan 0.1.092 8 9. dan 1 • atribut/taraf/ level keempat diberi kode 0. variable macam pupuk harus diubah menjadi variable dungu (dummy variable) dengan menggunakan kode. Jika hanya ada dua atribut/level/taraf perlakuan maka atribut/level/taraf perlakuan pertama diberi kode 1 dan atribut/level/taraf perlakuan kedua diberi kode 0 sehingga terbentuk satu variable dungu.422 cm. namun uji dengan tes univariate melalui uji kontras untuk membandingkan tinggi akhir dengan memperhatikan tinggi rata-rata yang sudah terkoreksi menunjukkan hasil yang tidak signifikan. Namun demikian. M. Perhatikan tabel di bawah ini.Bambang Subali. 0. This test is based on the linearly independent pairwise comparisons among the estimated marginal means.8% jauh di atas batas kesalahan 5%. untuk atribut/level/taraf perlakuan kedua diberi kode 0 dan 1.974 F 2. dan 0 • atribut/taraf/ level ketiga diberi kode 0.118 79. Jika ada empat atribut/level/taraf perlakuan maka atribut/level/taraf perlakuan pertama diberi kode 1 kemudian 1 lagi dan 0.949 Df 2 Mean Square 27. atribut/level/taraf perlakuan ketiga diberi kode 0 kemudian 0 lagi dan selanjutnya 1. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . .

kemudian di ‘klik’ akan tampil tampailan sebagai berikut. dummy 2. Selanjutnya data dianalisis dengan diawali memilih menu analyse kemudian memilih menu regression.S. dan tinggi awal ke dalam boks independent variable.Bambang Subali.35 Karena eksperimennya hanya melibatkan tiga data maka pengkodean variabel dungu dalam seting data program SPSS adalah sebagai berikut. masukkan variabel dummy 1. Masukkan variabel respons tinggi akhir ke dalam boks dependent variable. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . M. Dr. terus memilih linear.

pilih/klik menu Continue sehingga akan keluar tampilan sebagai berikut. estimates.36 Untuk memperoleh informasi tentang hasil analisis deskriptif atau hasil lainnya pilihlah menu Statistics. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . dan model fit akan keluar tampilan sebagai berikut. Selanjutnya pilihlah menu deskriptif. M.S. Dr.Bambang Subali. Bila sudah.

049 .828 . Regression Descriptive Statistics Mean 38.500 1. 12 12 12 Pearson Correlation Sig.Bambang Subali.286 .345 .106 1.37 Pemrograman sudah selesai dan pilih/klik menu OK dan akan keluar out put sebagai berikut.000 12 12 12 dammy1 . .492 . Correlations tingakhir 1.371 .24439 .286 1.106 .828 . .000 .000 .184 .4167 Std. simpangan baku dan ukuran ulangan pengamatannya.0833 . (1-tailed) N Tingakhir dammy1 dammy2 Tingawal Tingakhir dammy1 dammy2 Tingawal Tingakhir dammy1 dammy2 Dr.492 2.202 12 12 12 dammy2 .136 .33 11.000 .371 12 12 12 Tingawal .33 .136 . Deviation 6.000 -.266 .184 .266 .049 .S.345 -. .202 . M.000 .31432 N 12 12 12 12 tingakhir Dammy1 Dammy2 Tingawal Tampak hasil analisis deskriptif nilai rata-rata.500 . ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .

95 dengan peluang kesalahan sebesar 0. Model 1 Method Enter a All requested variables entered.795 Sig.14428 a Predictors: (Constant).422 d2 + 1.886 Xi dapat dipakai untuk menjelaskan hubungan regresi antara variable predictor dan variable responsnya dengan Fhitung sebesar 17.003 Garis regresi yang diperoleh adalah Yi = 13.38 Variables Entered/Removed(b) Variables Entered tingawal. dammy1 b Dependent Variable: tingakhir Coefficients(a) Unstandardized Coefficients B Std.251 . dammy2.S. tingawal.321 tingawal 1. ANOVA(b) Model 1 Regression Residual Total Sum of Squares 349. dammy1(a) Variables Removed .423 4.816 Adjusted R Square .Bambang Subali.048 .81 atau 81% menunjukkan hubungan variable bebas (factor perlakuan dan peragam) dengan variable responsnya dapat diterangkan oleh model yang diperoleh. 2.394 dammy2 5.422(0) + 1.423 + 3.790 1. b Dependent Variable: tingakhir Model Summary Model 1 R . Error of the Estimate 3.886 Xi = 17. dammy2.336 4. dammy2.423 + 3.092 df 3 8 Mean Square 116.444 a Dependent Variable: tingakhir Model Standardized Coefficients Beta . . Dengan garis regresi tersebut berarti pada atribut pertama (saat tanaman dipupuk dengan pupuk N) hubungan antara variable peragam tinggi (Xi) awal dan tinggi akhir (Yi) dapat diterangkan oleh persamaan regresi: Yi = 13.3% jauh di bawah batas 1%. Error 1 (Constant) 13.886 .135 .746 Std.917 11 a Predictors: (Constant).402 + 1.662 2. dammy1 Setelah seluruh variable bebas dimasukkan. jadi sangat signifikan.427 .903(a) R Square .003(a) 428.811 dammy1 3.979(1) + 5.886 Xi pada atribut kedua (saat tanaman dipupuk dengan pupuk P) hubungan antara variable peragam Dr.825 79.979 d1 + 5.699 T Sig.422 2. diperoleh koefisien regresi sebesar 0. tingawal.887 F 11. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . M.608 9.024 .979 2.314 .

886 Xi. Oleh karena itu rancangannnya berupa rancangan kovarians pola acak kelompok atau pola berblok.423 + 1.41666667 Rata-rata observasi tinggi awal dari tanaman yang dipupuk N (∑X1i/ni) = 49/4 = 12.39 tinggi (Xi) awal dan tinggi akhir (Yi) dapat diterangkan oleh persamaan regresi: Yi = 13.886 Xi. maka berakibat pada ketidak seragaman pencahayaan di lokasi eksperimen.423 + 3.886(12.886 artinya nilai rata-rata tinggi akhir terkoreksi pada masing-masing atribut adalah sebesar nilai rata-rata tinggi akhir observasi dikurangi dengan nilai koefisien regresi b1 dikalikan dengan selisih nilai rata-rata tinggi awal pada atribut yang bersangkutan dikurangi dengan rata-rata tinggi awal untuk seluruh perlakuan. M. Tabel hasil penelitiannya sebagai berikut.422(1) + 1.886 Xi = 13.422(0) + 1. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .886 Xi = 18.41666667) = 38.S.929 Dengan langkah yang sama nilai rata-rata terkoreksi untuk tanaman yang diberi pupuk P ataupun tanaman yang diberi pupuk K akan dapat diperoleh.5 – 1. Besarnya rata-rata tinggi akhir terkoreksi pada tanaman yang dipupuk dengan pupuk N diperoleh dengan cara sebagai berikut.25 – 11.979(0) + 5.5 Rata-rata terkoreksi tinggi akhir dari tanaman yang dipupuk N (∑Y1iterkoreksi/ni) = ∑Y1i/ni – b1(∑X1i/ni .25 Rata-rata observasi tinggi akhir dari tanaman yang dipupuk N (∑Y1i/ni) = 162/4 = 40.979(0) + 5.423 + 3. Apabila eksperimen tersebut dilakukan di lapangan dan lokasinya sangat sempit dan sebagian dinaungi pohon besar.845 + 1. Besarnya koefisien regresi b1 yang dipakai untuk memperhitungkan pengaruh atau kontribusi factor atau variable peragam adalah 1. Rata-rata observasi tinggi awal total (∑Xi/n) = 137/12 = 11. Dr.∑Xi/n) = 40. dan pada atribut pertama (saat tanaman dipupuk dengan pupuk K) hubungan antara variable peragam tinggi (Xi) awal dan tinggi akhir (Yi) dapat diterangkan oleh persamaan regresi: Yi = 13.Bambang Subali.

ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . Tinggi semai tanaman cendana usia 3 bulan akibat pengaruh macam pupuk pupuk anorganik yang diberikan (dalam cm) dalam rancangan acak kelompok Pupuk N (t1) (tinggi awal X1i) 14 11 11 13 Pupuk P (t2) tinggi awal (X2i) 8 12 15 12 Pupuk K (t3) tinggi akhir tinggi awal tinggi akhir (Y2i) (X3i) (Y3i) 30 9 30 43 14 37 47 9 32 44 9 32 Blok ke 1 2 3 4 tinggi akhir (Y1i) 40 38 37 47 Sajian data untuk analisis varians multi-arah dengan program SPSS adalah sebagai berikut. P.S. Jika di klik/ ditekan tombol enter akan muncul tampilan sebagai berikut. maka pilih menu Analyze. dilanjutkan memilih sub-submenu Univariate.40 Tabel 2. dan K) terhadap pertumbuhan semai cendana (dalam cm) dengan rancangan acak kelompok Untuk menganalisis data di atas.Bambang Subali. Dr. Gambar 1. Seting data dalam program SPSS penelitian pengaruh macam pupuk anorganik (N. kemudian memilih submenu General linear model. M.

S.41 Selanjutnya masukkan variabel tinggi akhir (tingakhir) ke dalam boks dependent variable (variable tergayut). M. Dr. dan akan keluar tampilan sebagai berikut. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . masukkan variabel macam pupuk (mcmpupuk) dan factor blok ke dalam boks fixed factors karena macam pupuk sudah fixed atau pasti. bukan wakil dari macam pupuk yang lainnya. Selanjutnya memilih model.Bambang Subali. Hasilnya sebagai berikut. sehingga klik menu model. demikian pula factor blok yang harus diperhitungkan sehingga dijadikan sumber variasi.

sehingga tampak tampilan sebagai berikut. Dr. M. Type III Masukkan dan masukkan ketiga variabel ke dalam boks Model. dan analisis selanjutnya memilih menu Custom (klik menu Custom). demikian juga factor blok maka maka harus memilih tipe III.42 Karena variabel macam pupuk dan waktu pemupukan merupakan faktor yang pasti (fixed) artinya hasil penelitian tidak dapat digeneralisasi untuk macam pupuk lain yang tidak dicoba.Bambang Subali.S. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . Oleh karena itu ganti menu Type. sehingga tampil hasil sebagai berikut. pilih menu Main effect.

ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .S.Bambang Subali. M. Untuk menguji efek utama (main effect) dari faktor perlakuan maupun faktor blok pilih menu Option sehingga muncul tampilan sebagai berikut. Dr.43 Type III Pilih (klik) menu Continue sehingga muncul tampilan semula sebagai berikut.

Jangan lupa klik bok didepan Descriptive statistics untuk memperoleh hasil analisis deskriptifnya. Kemudian klik untuk menu uji lanjut Jangan lupa bila ingin menampilkan hasil analisis deskriptifnya. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . Dr.S.44 Masukkan variabel yang akan ditampilkan nilai rata-ratanya dengan cara mengeblok dan memasukkan kedalam bok Display Mean for.Bambang Subali. M. sehingga diperoleh tampilan sebagai berikut. maka klik bok di depan menu Comparen mean effects dan pilih LSD jika eksperimennya memiliki hipotesis penelitian.

00 3.S. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . Pemrograman sudah selesai.45 Bila sudah selesai memilih. klik menu OK dan akan diperoleh hasil analisis sebagai berikut. Univariate Analysis of Variance Between-Subjects Factors N 4 4 4 3 3 3 3 mcmpupuk pupukK pupukN pupukP Blok 1. M.00 4. klik menu Continue sehingga kembali ke tampilan awal seperti berikut.00 2.Bambang Subali.00 Dr.

397 F 12. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . dan pupuk K 32.52773 5. .00 3.0000 40.004 .0000 37.5 cm.0833).00 2. .040 a R Squared = . . Deviation .5000 30.413 3224.4311 dengan besar peluang Dr.007 .0000 43. .917 26.00 2.0833 Std.00 Total pupukN 1.000 428. .989 17404.984 17833.083 171.083 85.0000 38. .3333 38.932(a) 17404.00 Total Mean 30. M.110 Sig.50925 .000 .972 5.00 4. .93725 6. Tests of Between-Subjects Effects Dependent Variable: tingakhir Source Type I Sum of Squares Corrected Model Intercept mcmpupuk Tingawal Blok Error Total Corrected Total 401.00 3.0000 47. 2.937 (Adjusted R Squared = . .167 131.98608 .0000 32.00 4.00 4.007 .0 cm.00 Total pupukP 1.3333 39.00 3.862) Dari tabel sidik ragam atau tabel hasil analisis varians kita dapat melihat besarnya harga Fhitung akibat pengaruh macam pupuk sebesar 15. .858 24.858 dengan peluang kesalahan 0.0000 32.00 2.863 15.6667 41.0000 32.S.00 3.583 131. pupuk P 41.00 4.7% jadi sangat signifikan di bawah taraf kesalahan 1%.431 6. 7.63763 7. 4.0000 47.0000 41.0000 33.21455 7.75 cm) juga rata-rata totalnya (38. Demikian pula pengaruh fator tinggi awal sebagai peragam sangat signifikan karena dengan Fhitung sebesar 24.24439 N 1 1 1 1 4 1 1 1 1 4 1 1 1 1 4 3 3 3 3 12 Dari hasil analisis deskriptif kita memperoleh nilai rata-rata setiap blok.0000 37.0000 38.77350 3.46 Descriptive Statistics Dependent Variable: tingakhir mcmpupuk pupukK blok 1. setiap atribut macam pupuk (nilai rata-rata observasi tinggi akibat pemberian pupuk N 40.917 df 6 1 2 1 3 5 12 11 Mean Square 66.849 32.Bambang Subali.849 98.0000 44.00 2.7500 40. .00 Total Total 1.

303 -5. Error Sig.423 cm. This test is based on the linearly independent pairwise comparisons among the estimated marginal means.984 df 2 5 Mean Square 30.612 1.167 95% Confidence Interval Lower Bound 31.283 5.366 Std. mcmpupuk Estimates Dependent Variable: tingakhir mcmpupuk Mean Std.288 -1.S.087 -.770(a) 39.220 -2.653 cm.062 .053 The F tests the effect of mcmpupuk.288 -5.303 -1.881 Upper Bound . a Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments). Univariate Tests Dependent Variable: tingakhir Sum of Squares Contrast Error 60.022 . Dari hasil analisis lanjut menggunakan uji beda nyata terkecil (LSD) menunjukkan ada perbedaan tinggi semai cendana antara yang diberi pupuk P dan yang diberi pupuk K dengan selisih 5. yang diberi pupuk P 40. .878 2.422 Upper Bound 37.366 5. Pairwise Comparisons Dependent Variable: tingakhir (I) mcmpupuk (J) mcmpupuk Mean Difference (I-J) -4.47 kesalahan hanya 0. Error PupukK PupukN PupukP 34.057 cm.935 42. Estimated Marginal Means 1.604 35.062 .198 1.653(*) 1.653(*) 4.110 besar peluang kesalahannya hanya 4% lebih kecil dari batas kesalahan 5%. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .057(a) 40.446 Based on estimated marginal means * The mean difference is significant at the .4% jauh lebih kecil dari batas kesalahan 1%.786 1.(a) 95% Confidence Interval for Difference(a) Lower Bound -8.725 1.725 1.786 1.397 F 5.022 .136 43.4167.446 .05 level.423(a) 1.566 26.878 -10.612 PupukK PupukN pupukP pupukN pupukP pupukK pupukP pupukK pupukN 1.087 5.770 cm. namun uji dengan tes univariat melalui uji kontras untuk membandingkan Dr.231 1.652 1.220 8. Pengaruh fator blok juga signifikan karena dengan Fhitung sebesar 6. M.652 .881 10. Setelah pengaruh factor peragam dihilangkan maka diperoleh nilai rata-rata terkorekasi (adjusted mean) dari tinggi semai cendana yang diberi pupuk N yakni 39.611 Sig.979 37.424 a Covariates appearing in the model are evaluated at the following values: tingawal = 11. dan yang diberi pupuk K 34.Bambang Subali.

809 . a Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments).538 -.182 .S.929 1.611 dan besar peluang 5. Pairwise Comparisons Dependent Variable: tingakhir (I) blok (J) blok Mean Difference (I-J) 1.00 2.400 -8.561 -1.779 41.209(a) 1.984 3 5 Mean Square 17.138 .00 4.344 34.00 35.394 31.929 2.369 5.398 2.022 1.929 1.00 4.218 Sig.910 Std.538 -3.138 .795 2.487 -2.00 37.00 3.487 -3.736 4.561 8.292 3.953 1.00 2.696 44.911 1.00 3.747(a) 1.05 level.977 -1.022 1.400 1.186 -7.626 38.00 2.809 .047 5.660 -5.234(a) 1.025 . Error 95% Confidence Interval Lower Bound Upper Bound 1. .953 1.356 7.977 7. M.144(a) 1.792 2. namun uji dengan tes Dr.975 10.00 4.120 The F tests the effect of blok.689 4. This test is based on the linearly independent pairwise comparisons among the estimated marginal means.028 .00 -2.00 38.936 cm.047 -10.00 3.182 .00 3.(a) 95% Confidence Interval for Difference(a) Lower Bound Upper Bound 2. Dari hasil analisis lanjut menggunakan uji beda nyata terkecil menunjukkan ada perbedaan tinggi semai cendana antara blok 1 dan blok 4 dengan selisih 5.108 26.48 tinggi akhir dengan memperhatikan tinggi rata-rata yang sudah terkoreksi menunjukkan hasil yang tidak signifikan. Univariate Tests Dependent Variable: tingakhir Sum of Df Squares Contrast Error 52.900 .795 .00 1.397 F 3.00 41.Bambang Subali.425 1.996 -4.342 37.379 34.4167. blok Estimates Dependent Variable: tingakhir Blok Mean Std.660 1.3%% sedikit di atas batas kesalahan 5%.265 .186 .910 5.900 1. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .00 1.894 -2.996 -.00 1. yakni dengan Fhitung sebesar 5.736 -8.356 -1.929 1. 2.425 -7.936(*) 2.911 1. Error Sig.265 .00 4.201 41.398 3.593 a Covariates appearing in the model are evaluated at the following values: tingawal = 11.975 Based on estimated marginal means * The mean difference is significant at the .028 .025 -5.00 2.936(*) 3.894 8.

Dr.S. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .49 univariat melalui uji kontras untuk membandingkan tinggi akhir dengan memperhatikan tinggi rata-rata yang sudah terkoreksi menunjukkan hasil yang tidak signifikan. M.Bambang Subali. yakni dengan Fhitung sebesar 3.218 dan besar peluang 12% jauh di atas batas kesalahan 5%.

C. D. L. J. kedua kita dapat mengetahui kontribusi faktor lingkungan terhadap kondisi masing-masing komunitas. M.Bambang Subali. F.50 BAB 3 ANALISIS DATA KOMUNITAS DAN/ATAU HUBUNGANNYA DENGAN FAKTOR LINGKUNGAN Jika kita melakukan observasi di lapangan pada dua atau lebih komunitas beserta kondisi lingkungannya maka ada dua hal yang dapat kita tarik konsepnya. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . E. K. Misalnya data kelimpahan bahwa di kedua/salah satu dari komunitas tersebut terdapat populasi A. Pertama adalah bagaimana kesamaan atau kemiripan komunitas-komunitas yang kita amati. Caranya di masing-masing komunitas kita buat petak pengamatan yang selanjutnya kita sebut sampling unit (SU) yang masing-masing merupakan sampel komunitas yang bersangkutan.S. Misalnya kita mengadakan pengamatan pada dua komunitas tumbuhan bawah tegakan Acacia dan tegakan Mahagoni. I. demikian juga faktor lingkungannya misalnya faktor mikroklimatnya. M. maka yang pertama kita dapat menguji kemiripan komunitas tumbuhan bawah tersebut dan kedua kita dapat menguji seberapa besar kontribusi faktor lingkungan terhadap masing-masing komunitas yang bersangkutan. Unuk menguji kemiripan kedua komunitas tersebut seluruh populasi yang ada di kedua komunitas yang teramati di masing-masing SU kita data. G. maka masing-masing komunitas kemudian dicari nilai komunitas yang dicerminkan nilai komponen utama atau disingkat KU (principle components atau disingkat PC) dengan analisis reduksi. H. Berikut ini data komunitas tumbuhan bawah tegakan Acacia juga data komunitas tumbuhan bawah tegakan mahagoni sebagai berikut. B. Dari setiap SU kita di masingmasing tegakan kita data mengenai kelimpahan setiap populasi yang kita temukan. Dr.

3 SU3 1 2 1 4 4 6 3 4 5 6 5 2 3 28 71 2.51 Tabel 1.1 25 80 2.Bambang Subali.9 SU9 1 3 1 6 3 8 1 0 2 3 6 3 2 26 82 1.1 SU7 1 2 0 5 2 7 1 0 4 4 4 0 4 27 75 2 SU8 1 4 1 6 3 7 1 2 4 6 6 3 3 26 78 1.3 SU4 0 1 1 4 3 6 2 3 5 5 4 2 3 29 74 2.3 SU2 1 2 1 1 4 6 3 4 0 6 4 0 3 30 70 2. Kelimpahan populasi komunitas tumbuhan bawah tegakan Mahagoni beserta kondisi mikroklimatnya pada 10 SU SU1 1 3 1 3 4 4 3 4 6 0 5 4 0 30 67 2.1 Tabel 2.9 SPESIES A B C D E F G H I Y K L M LINGKUNGAN SUHU KELEMBABAN INTENSITAS CAHAYA Dr.3 27 72 2.1 25 80 2.3 SU6 0 1 0 5 2 7 2 3 4 5 4 3 3 27 75 2.9 SU10 0 3 1 6 0 5 0 0 2 3 5 2 0 26 82 1.3 29 70 2.2 26 75 2.2 SU5 0 1 2 5 3 7 2 1 4 5 1 3 0 28 75 2.S. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . M.3 27 70 2.3 28 71 2. Kelimpahan populasi komunitas tumbuhan bawah tegakan Acacia beserta kondisi mikroklimatnya pada 10 SU SPESIES A B C D E F G H I Y K L M FAKTOR LINGKUNGAN SUHU KELEMBABAN INTENSITAS CAHAYA SU1 1 2 1 3 4 5 3 4 6 7 5 2 3 SU2 1 2 1 4 4 6 3 4 5 6 4 2 3 SU3 1 2 1 4 4 6 3 4 5 6 4 2 3 SU4 0 1 1 4 3 6 2 3 5 5 4 2 3 SU5 0 1 0 5 3 7 2 3 4 5 4 3 3 SU6 0 1 0 5 2 7 2 3 4 5 4 3 3 SU7 1 2 0 5 2 7 1 2 4 4 4 4 4 SU8 1 4 1 6 3 7 1 2 4 6 6 3 3 SU9 1 3 1 6 3 8 1 0 2 3 6 3 3 SU10 1 3 1 6 4 8 0 0 2 3 6 2 1 29 67 2.2 26 75 2.2 28 70 2.

M.Bambang Subali. kemudian menu Data reduction kemudian pilih menu Factor … (Factor analysis).52 Langkah pertama adalah mencari nilai komunitas tumbuhan bawah tegakan Acacia yang tidak lain adalah nilai komponen utama (principle components) . Dr. Selanjutnya untuk menganalisisnya pilih menu Analyse. Setelah di “klik” akan tampak tampilan sebagai berikut.S. Seting data dalam SPSS adalah sebagai berikut. Masukkan seluruh variabel yang akan dianalisis dalam hal ini adalah sampling unit (SU) ke dalam boks Variables sehingga akan tampak tampilan sebagai berikut. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .

maksudnya bahwa kita akan mereduksi seluruh data populasi disetiap SU menjadi tiga alternatif nilai komponen utama untuk setiap SU (jangan lupa setiap SU adalah sampel komunitas yang bersangkutan).53 Selanjutnya pilih menu Extraction sehingga muncul tampilan sebagai berikut. M. Dr. Pada boks di muka Number of factors ketik angka 3.Bambang Subali.S. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .

sehingga muncul tampilan sebagai berikut. Untuk memperoleh hasil analisis deskriptif klik/pilih menu Descriptives.Bambang Subali. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . Dr.54 Selanjutnya klik/pilih menu Continue sehingga akan tampil ke tampilan semula seperti berikut ini.S. M.

ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .Bambang Subali. selanjutnya klik/pilih menu Continue sehingga akan kembali ke tampilan semula sebagai berikut.55 Pilih menu yang diinginkan. Dr. M. maka klik/pilih bok di muka Coefficients ( dari Correlation matrixs). misalnya kita ingin mengetahui korelasi antar populasi yang ada di komunitas yang bersangkutan.S.

958 SU10 .0769 3.0769 2.0000 3.507 . sehingga semakin melimpah populasi yang satu akan diikuti dengan menurunnya kelimpahan populasi lan yang menjadi pasangannya. sehingga semakin melimpah populasi yang satu akan diikuti dengan melimpahnya populasi yang lain menjadi asosiasinya.568 . sehingga akan keluar out put/hasil analisis sebagai berikut .906 .000 .377 .000 1.939 1.709 SU6 .615 SU5 .823 .832 .854 .04124 1.713 . Jika koefisien korelasi negatif dan terbukti signifikan artinya asosiasi kedua populasi bersifat negatif. M.713 . Jika koefisien korelasi positif dan terbukti signifikan artinya asosiasi kedua populasi bersifat positif.871 .51151 Analysis N 13 13 13 13 13 13 13 13 13 13 SU1 SU2 SU3 SU4 SU5 SU6 SU7 SU8 SU9 SU10 Correlation Matrix SU1 1.951 1.832 .4615 3.377 SU2 .Bambang Subali.767 .000 .000 .0769 3.744 .000 . Dalam hal ini boleh jadi kedua populasi memiliki ikatan protokooperasi atau karena memiliki nisea yang mirip.5385 3.56 Pemrograman telah selesai.568 .32600 2.713 .957 .000 .951 .883 .683 .883 .507 .537 SU4 .537 .93484 2.740 SU8 .745 .656 . klik/pilih menu OK.744 . Untuk menguji tingkat signifikannya dibandingkan dengan rtabel.916 .337 .749 .802 .10311 2. Jika dianalisis dengan analisis korelasi mengikuti prosedur dalam SPSS besarnya peluang untuk setiap koefisien korelasi dapat diperoleh.906 .884 .991 .6154 3.000 .941 . sehingga tidak perlu membandingkan dengan koefisien korelasi pada tabel korelasi.66410 1.000 1.958 1.851 . Deviation 1.906 .875 .941 .745 .906 .656 .624 .868 1.8462 Std.537 .939 1.767 . ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .615 .939 .871 SU9 . Dalam hal demikian boleh jadi karena keduanya memiliki hubungan amensalisme.851 .000 .337 .740 .713 .957 .939 .01914 2.507 .0000 3.823 .868 .683 SU7 .957 .928 1.745 .957 1.624 .507 .854 .537 SU3 .802 .000 .709 .77951 2.000 Correlation SU1 SU2 SU3 SU4 SU5 SU6 SU7 SU8 SU9 SU10 Dari hasil analisis korelasi di atas kita dapat mengetahui derajat asosiasi antar populasi tumbuhan bawah pada tegakan Acacia yang ditunjukkan oleh besarnya nilai koefisien korelasi.000 .737 .737 .4615 3.85362 1.875 1.884 .883 .916 .991 1.928 .749 . Factor Analysis Descriptive Statistics Mean 3.883 .745 .66410 1.S. Dr.

57

Communalities Initial 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 Extraction .970 .988 .988 .972 .986 .988 .975 .937 .985

SU1 SU2 SU3 SU4 SU5 SU6 SU7 SU8 SU9 SU10

1.000 .981 Extraction Method: Principal Component Analysis.

Total Variance Explained Initial Eigenvalues Component 1 2 3 4 5 6 7 8 9 10 Total 8.055 1.394 .321 .120 .045 .026 .020 .013 .004 % of Variance 80.547 13.939 3.215 1.204 .454 .264 .204 .133 .039 Cumulative % 80.547 94.486 97.701 98.905 99.359 99.623 99.828 99.961 100.000 Extraction Sums of Squared Loadings Total 8.055 1.394 .321 % of Variance 80.547 13.939 3.215 Cumulative % 80.547 94.486 97.701

.000 .000 100.000 Extraction Method: Principal Component Analysis.

Berikut ini adalah tiga nilai komponen utama (principle component) yang merupakan nilai komunitas tumbuhan bawah di tegakan Acacia di setiap SU

Component Matrix(a) Component SU1 SU2 SU3 SU4 SU5 SU6 SU7 1 .812 .920 .920 .960 .979 .970 .905 2 -.521 -.368 -.368 -.222 -.031 -.021 .236 3 .198 .081 .081 -.039 -.160 -.218 -.316

Dr.Bambang Subali, M.S.

ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN

58
SU8 SU9 SU10 .919 .786 .267 .603 .145 .054

.775 .557 .265 Extraction Method: Principal Component Analysis. a 3 components extracted.

Dengan prosedur yang sama kita juga memperoleh hasil analisis untuk tumbuhan bawah tegakan Mahagoni sebagai berikut. Factor Analysis
Descriptive Statistics Mean 2.9231 2.6923 3.5385 3.0000 2.6154 3.0000 2.6154 3.6154 3.0000 2.0769 Std. Deviation 1.89128 2.05688 1.71345 1.77951 2.14237 2.04124 2.21880 2.10311 2.34521 2.17798 Analysis N 13 13 13 13 13 13 13 13 13 13

SU1 SU2 SU3 SU4 SU5 SU6 SU7 SU8 SU9 SU10

Correlation Matrix SU1 1.000 -.135 .348 .347 .239 .302 .112 .243 .301 .285 SU2 -.135 1.000 .666 .524 .292 .496 .428 .452 .346 .155 SU3 .348 .666 1.000 .957 .651 .882 .739 .779 .560 .502 SU4 .347 .524 .957 1.000 .743 .941 .802 .802 .619 .559 SU5 .239 .292 .651 .743 1.000 .762 .615 .667 .630 .596 SU6 .302 .496 .882 .941 .762 1.000 .810 .854 .731 .675 SU7 .112 .428 .739 .802 .615 .810 1.000 .859 .801 .696 SU8 .243 .452 .779 .802 .667 .854 .859 1.000 .879 .880 SU9 .301 .346 .560 .619 .630 .731 .801 .879 1.000 .881 SU10 .285 .155 .502 .559 .596 .675 .696 .880 .881 1.000

Correlation

SU1 SU2 SU3 SU4 SU5 SU6 SU7 SU8 SU9 SU10

Communalities Initial 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 Extraction .928 .823 .968 .945 .629 .914 .839 .942 ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN

SU1 SU2 SU3 SU4 SU5 SU6 SU7 SU8

Dr.Bambang Subali, M.S.

59
SU9 SU10 1.000 .894

1.000 .925 Extraction Method: Principal Component Analysis.

Total Variance Explained Initial Eigenvalues Component 1 2 3 4 5 6 7 8 9 Total 6.595 1.253 .959 .517 .333 .183 .093 .036 .021 % of Variance 65.950 12.526 9.587 5.171 3.329 1.828 .934 .363 .215 Cumulative % 65.950 78.475 88.063 93.233 96.562 98.390 99.324 99.687 99.902 Extraction Sums of Squared Loadings Total 6.595 1.253 .959 % of Variance 65.950 12.526 9.587 Cumulative % 65.950 78.475 88.063

10 .010 .098 100.000 Extraction Method: Principal Component Analysis.

Component Matrix(a) Component SU1 SU2 SU3 SU4 SU5 SU6 SU7 SU8 SU9 SU10 1 .330 .528 .888 .923 .788 .948 .887 .947 .855 2 .625 -.734 -.257 -.140 .073 -.064 -.062 .071 .252 3 .654 .075 .337 .272 .045 .110 -.219 -.199 -.315

.796 .394 -.370 Extraction Method: Principal Component Analysis. a 3 components extracted.

Untuk memperoleh derajat kemiripan dari kedua komunitas tumbuhan bawah kemudian dibuat peta dengan menggunakan KU1 atau PC1 sebagai sumbu X dan KU2 atau PC2 sebagai sumbu Y. Perpotongan antara diagram yang dibentuk oleh nilai-nilai KU1 dan KU2 oleh komunitas pertama (komunitas tumbuhan bawah tegakan Acacia) dan komunitas kedua (komunitas tumbuhan bawah tegakan Mahagoni) menunjukkan derajat kemiripan kedua komunitas tersebut. Gambar harus dibuat dikertas grafis agar dapat dihitung luas perpotongannya

Dr.Bambang Subali, M.S.

ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN

selanjutnya dengan analisis regresi stepwise akan dapat diketahui mana di antara ketiga faktor mikro klimat yang benar-benar sebagai prediktor terhadap kondisi komunitas tumbuhan bawah yang bersangkutan. harus dibuat pula peta dengan menggunakan KU2 atau PC2 sebagai sumbu X dan KU3 atau PC3 sebagai sumbu Y. Untuk memilih menu stepwise. Jika kemudian sudah diperoleh model terpilih. Dengan demikian secara berturut-turur dicari persamaan regresi dengan Yi berupa KU1. Setelah diperoleh tiga garus regresi.Bambang Subali. Dr. maka faktor mikroklimat dijadikan variabel prediktor sedangkan nilai KU dijadikan variabel respons. Bila lebih dari satu yang signifikan. Wilayah perpotongan yang terluas dari ketiga peta yang diperoleh itulah yang dijadikan pedoman untuk mengetahui derajat kemiripan kedua komunitas yang bersangkutan.S. maka dipilih yang modelnya diterima secara signifikan. pada menu enter diganti dengan menu stepwise. dan terakhir dengan Yi berupa KU3. M.60 KU2 Komunitas tumbuhan bawah tegakan Acacia Komunitas tumbuhan bawah tegakan Mahagoni KU1 Wilayah perpotongan Untuk memperoleh wilayah perpotongan yang terluas yang menggambarkan derajat kemiripan dari kedua komunitas tumbuhan bawah juga harus dibuat peta dengan menggunakan KU1 atau PC1 sebagai sumbu X dan KU3 atau PC3 sebagai sumbu Y. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . maka dipilih yang peluang kesalahannya untuk ditolak yang paling kecil. Untuk mengetahui kontribusi faktor lingkungan yang dalam hal ini yaitu faktor mikroklimat. kemudian dengan Yi berupa KU2.

61 Seting data SPSS untuk komunitas tumbuhan bawah Acacia beserta faktor lingkungan mikroklimatnya adalah sebagai berikut. M. dan akan tamapk tampilan sebagai berikut. kelembaban.Bambang Subali. dan intensitas cahaya kita jadikan variabel prediktor/variabel independen. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . Analisis pertama kita dudukkan KU1 sebagai nilai komunitas untuk dijadikan variabel respons. sehingga KU1 kita masukkan ke boks Dependent (variabel tergayutnya). Dr. dan akan muncl tampilan sebagai berikut.S. kemudian menu Regression. pilih menu Analyse. sedangkan suhu. sehingga kita masukkan ke dalam boks Independent(s). Untuk menganalisisnya. kemudian pilih/klik menu Linear.

.667 Sig.028 6 Total .06875 Dr. Regression Variables Entered/Removed(b) Model 1 Variables Entered intcahaya.S. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . b Dependent Variable: KU1 Model Summary R R Square Adjusted R Square .005 F 1. kelbban.024 3 Residual . Error of the Estimate .052 9 a Predictors: (Constant).62 Karena garis regresi yang kita inginkan adalah agar memuat ketiga faktor lingkungannya maka kita memasukkan ketiganya.674(a) . kelbban. sehingga dalam boks Method kita pilih menu Enter.272(a) Model 1 Std. kelbban. intcahaya. intcahaya. suhu ANOVA(b) Sum of Squares df Regression .182 a Predictors: (Constant).455 . suhu b Dependent Variable: KU1 Model 1 Mean Square . Pemrograman sudah selesai sehingga kita pilih/klik menu OK. M.008 . dan akan diperoleh hasil sebagai berikut.Bambang Subali. Method Enter a All requested variables entered. suhu(a) Variables Removed .

172 Std.14087 ANOVA(b) Model 1 Sum of Squares df Mean Square .069 X1i – 0.726 .203 .392 Std.514 .654 t Sig.001(a) Regression 1. intcahaya.061 .142 .124 Standardized Coefficients Beta -. Regression Variables Entered/Removed(b) Model Variables Entered 1 intcahaya.Bambang Subali.667 dengan peluang kesalahan sebesar 27.619 a Dependent Variable: KU1 Ternyata garis regresi Yi = 3. Error 4. M.442 .392 X3i tidak diterima sebagai model matematik yang dapat menjelaskan hubungan variabel prediktor dan variabel responsnya karena harga Fhitung pada tabel anava hanya 1.140 -1. kelbban. Method Enter Model Summary Model R R Square Adjusted R Square 1 .119 6 Total 1.718 -.S.215 Dr.025 .747 Standardized Coefficients Beta -1. kelbban.688 -1.387 .392 9 a Predictors: (Constant). suhu(a) a All requested variables entered. 1 (Constant) Suhu . suhu b Dependent Variable: KU2 Coefficients(a) Model Unstandardized Coefficients B 2.672 .524 .014 . kelbban.914 . ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .451 t Sig.445 -1.956(a) .069 -. .384 Sig. 1 (Constant) suhu kelbban intcahaya 1. suhu Std. intcahaya.424 .020 F 21.011 -. b Dependent Variable: KU2 Variables Removed .872 a Predictors: (Constant).2%. Dengan prosedur yang sama dan kita dudukkan KU2 sebagai variabel respons. Error of the Estimate . Error 2.63 Coefficients(a) Model Unstandardized Coefficients B 3. hasilnya sebagai berikut.025 X2i + 0.273 3 Residual .718 – 0.135 .358 -1.298 .

suhu ANOVA(b) Sum of Squares Regression .796(a) .061 Ternyata garis regresi Yi = -7.123 .623 t Sig.631 -1.496 X3i diterima sebagai model matematik yang dapat menjelaskan hubungan variabel prediktor dan variabel responsnya karena harga Fhitung pada tabel anava hanya 3.203 Residual .466 dengan peluang kesalahan sebesar 9.020 F 3.011 – 0.045 1. Regression Variables Entered/Removed(b) Model Variables Entered 1 intcahaya.451 a Predictors: (Constant).117 Total . .352 . Dari tiga model garis regresi ternyata garis regresi dengan KU2 sebagai nilai komunitas Dr.518 Standardized Coefficients Beta 3.773 .054 .021 .918 Ternyata garis regresi Yi = 2.385 . intcahaya. (Constant) Suhu kelbban intcahaya a Dependent Variable: KU3 1 -1.031 X2i + 0.036 1.091(a) Std.530 .070 X2i – 3.478 .1 % berada di atas batas taraf kesalahan 5%.031 . kelbban. kelbban.385 X1i + 0.466 Sig.773 + 0.736 3.107 .164 X3i diterima sebagai model matematik yang dapat menjelaskan hubungan variabel prediktor dan variabel responsnya karena harga Fhitung pada tabel anava hanya 21. intcahaya.164 .Bambang Subali.634 . Error of the Estimate . b Dependent Variable: KU3 Variables Removed . kelbban. Method Enter Model Summary Model R R Square Adjusted R Square 1 .122 2.303 .384 -2. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .320 a Predictors: (Constant).64 kelbban intcahaya a Dependent Variable: KU2 .064 . M.030 1.384 dengan peluang kesalahan sebesar 0.13974 Coefficients(a) Model Unstandardized Coefficients B -7. suhu(a) a All requested variables entered.029 1.068 .01% jauh di bawah batas taraf kesalahan 1%. suhu b Dependent Variable: KU3 Model 1 df 3 6 9 Mean Square .070 -3. Error 4.496 Std.328 . hasilnya sebagai berikut. Dengan prosedur yang sama dan kita dudukkan KU3 sebagai variabel respons.172 X1i + 0.133 .S.

65 tumbhan bawah tegakan Acacia untuk dijadikan variabel respons diterima dengan signifikan.250 Residual . .S.13326 Mean Square 1. Method Stepwise (Criteria: Probability-of-F-to-enter <= . suhu b Dependent Variable: KU2 Model 1 df 1 8 9 Std. Prosedurnya kembali ke tampilan menu regresi dengan KU 2 sebagai variabel respons. sehingga diperoleh hasil analisis sebagai berikut.385 Sig.898 . Oleh karena itu perlu diuji lebih lanjut dengan uji stepwise (dapat pula uji yang lain seperti backward) untuk mengetahui variabel mana yang sesungguhnya sebagai variabel prediktor.050. M.948(a) .Bambang Subali. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .250 .018 F 70. Error of the Estimate .000(a) Dr.885 a Predictors: (Constant). Pemrograman sudah selesaidan pilih/klik menu OK .100). suhu ANOVA(b) Sum of Squares Regression 1.392 a Predictors: (Constant). a Dependent Variable: KU2 Model Summary Model R R Square Adjusted R Square 1 . sebagaimana tampilan berikut. Regression Variables Entered/Removed(a) Model 1 Variables Entered suhu Variables Removed .142 Total 1. Probability-of-F-to-remove >= . kemudian meilih menu pada boks Method yaitu menu Stepwise.

25 Xi. Partial Correlation . 8.131 .123 kelbban .166 a Predictors in the Model: (Constant).873 Dari hasil uji regresi stepwise diketahui bahwa faktor mikroklimat yang benar-benar memberi kontribusi terhadap kondisi komunitas tumbuhan bawah tegakan cacia adalah faktor suhu.354(a) 1.250 Std.S.66 Coefficients(a) Model Unstandardized Coefficients B 1 (Constant) suhu a Dependent Variable: KU2 6. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN .Bambang Subali.030 -. Model regresi yang menunjukkan hubungan faktor suhu sebagai prediktorn (Xi) dan kondisi komunitas sebagai variabel respons yang ditunjukkan oleh nilai komponen utama (Yi) yaitu Yi = 6.390 .000 Excluded Variables(b) Model Beta In t Sig.400 . suhu b Dependent Variable: KU2 1 .285 .394 -8. sedangkan kelembaban dan intensitas cahaya tidak begitu berperan.000 . Dr.763 -.063 Collinearity Statistics Tolerance .806 . M. Error .948 Standardized Coefficients Beta t Sig.057(a) .763 – 0.156 intcahaya .

B. Kirk. 2-nd ed. (198) statistik nooparameterik terapan.F. Belmont. W. Statistical ecology: A primer on methods and computing. Fisher.A. Caulcutt. dan Barizi. J. Alih bahasa oleh Tri Kantjono. (1980) Metode statistika untuk penarikan kesimpulan. Dreper. New York: John Wiley & Sons. Nasution. Siegel.S.L. Pasific Grove: Brooks/Cole Publishing Company.. Tokyo: Mc-Graw-Hill Kogakusha. 2-nd ed. (1981). Experimental design: Procedures for the behavioral sciences. Bandung: Tarsito. Dr. R.A.J. 3-rd ed. New York: A John Wiley & ons.W.5 for Windows. Ltd. John. Gomez. B. SPSS 11. Statistical procedures for agricultural research. August 2002. A. Inc.Bambang Subali.E. (1969). New York: John Wiley & Sons. S. Statistical tabels for biological. Statistics in research and development. Nonparameteric statistics for the beavioral sciences. K. and Yates. W. F. and medical research. J. Introduction to linier models and the design of experiments. P. and Smith. New York: Mc-Graw-Hill Book Company.A. A. Foresman and Company. Jakarta: Gramedia. & Reynolds. Gaspersz. Mendenhall. V. (1968). Daniel. Introduction to linear models and statistical inference. Bostos: PWS-Kent Publishing Company. 3-rd ed. R. Biometry: the principles and practice of statistics in biological approach. N. Fundamentals of biostatistics. RR. (1971).A. (2007). 2-nd ed. New York: John Wiley & Sons. (1984). London: Chapman and Hall.H. Applied regression analysis. & Tinsley. Statistical design and analysis of experiments. Sokal. J. (1995). California: Wadsworth. New York: Hafner. Ludwig. and Kintz. (1983). M. (1987). and Gomez.A. (1990). Computational handbook of statistics. Rosner.W. (1992). and Rohlf. Ed keempat.67 DAFTAR PUSTAKA Bruning. R. S. Glenview: Scott. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . H. (1974). Publication.H.R. agricultural. Teknik analisis dalam penelitian percobaan 1 dan 2. (1956). Jakarta: Gramedia. New York: Macmillan. Janke. W.L.

J. T. M. Sudjana. Tokyo: Harper International Edition. Bandung: Tarsito. (1973). Disain dan analisis eksperimen. New York: Mc-Graw-Hill Book Company. Yamane. (1980).D. Principles and procedures of statistics: a biometrical approach. Statistics: an introductory analysis. Dr.G. Sudjana.68 Steel. Edisi keempat. 3-rd ed. ANALISIS STATISTIKA UNTUK RANCANGAN PERCOBAAN . (1982). and Torrie. Metode statistika. R. Bandung: Tarsito.S. (1966). 2-nd ed.H.Bambang Subali.

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->