=
a
g
g
o ( ) ( )
= =
= =
b
e
ge
a
g
ge
1 1
0 o| o|
0
1
=
=
b
e
e
| ( )
2
, 0 ~ o c NID
ger
Tabel 2.1. Layout Data Untuk Rancangan Faktorial RAL Dua Faktor
Faktor A
Faktor B
Ulangan
1 2 ... n
A
1
B
1
Y
111
Y
112
...
Y
11n
A
2
B
2
Y
121
Y
122
...
Y
12n
... ... ...
...
...
...
A
a
B
b
Y
1b1
Y
1b2
...
Y
1bn
... ... ...
...
...
...
A
1
B
1
Y
a11
Y
a12
...
Y
a1n
A
2
B
2
Y
a21
Y
a22
...
Y
a2n
... ...
...
...
...
...
A
a
B
b
Y
ab1
Y
ab2
...
Y
abn
Tabel 2.2. Total Interaksi Faktor A dan Faktor B
Faktor A
Faktor B Total
(Y
g..
)
Rataan
) (Y
g..
1 2 ... b
1 Y
11.
Y
12.
... Y
1b.
Y
1..
1.. Y
2 Y
21.
Y
22.
... Y
2b.
Y
2..
2.. Y
... ... ... ... ... ... ...
a Y
a1.
Y
a2.
... Y
ab.
Y
a..
a.. Y
Total B (Y
.e.
) Y
.1.
Y
.2.
... Y
.b.
Y
...
... Y
Rataan ) (Y
.e.
.1. Y .2. Y
...
.b. Y
2.1.2 Hipotesis
Hipotesis yang dapat diambil:
1. Pengaruh utama faktor A
H
0
: 0 .....
2 1
= = = =
a
o o o (tidak ada pengaruh faktor A terhadap respon yang
diamati)
H
1
: paling sedikit ada satu g dengan 0 =
g
o (ada pengaruh faktor A terhadap
respon yang diamati)
2. Pengaruh utama faktor B
H
0
: 0 .....
2 1
= = = =
b
| | | (tidak ada pengaruh faktor B terhadap respon yang
diamati)
H
1
: paling sedikit ada satu e dengan 0 =
e
| (ada pengaruh faktor B terhadap
respon yang diamati)
3. Pengaruh interaksi faktor A dengan faktor B
H
0
: 0 ) ( ..... ) ( ) (
12 11
= = = =
ab
o| o| o| (tidak ada pengaruh interaksi faktor A
dan faktor B terhadap respon yang diamati)
H
1
: paling sedikit ada pasangan (g,e) dengan 0 ) ( =
ge
o| (ada pengaruh
interaksi faktor A dan faktor terhadap respon yang diamati).
2.1.3 Estimasi Parameter Model Rancangan Faktorial RAL Dua Faktor
Pada persamaan (2.1) terdapat empat parameter model yang perlu diestimasi,
yaitu : ( )
ge e g
o| | o , , , . Untuk mengestimasi keempat parameter tersebut digunakan
metode kudrat terkecil sehingga akan diperoleh nilai penduga masing-masing
parameter. Prinsip dari metode kuadrat terkecil ini adalah untuk mencari estimator-
estimator bagi parameter dengan meminimumkan jumlah kuadrat galatnya (Widiharih,
T 2007). Penduga-penduga dari persamaan (2.1) dengan menggunakan metode kuadrat
terkecil diperoleh sebagai berikut :
( )
ge e g ger ger
Y e o| | o =
Misalkan
( )
2
, ,
, ,
, ,
, ,
2
) (
ge e g ger
n b a
r e g
n b a
r e g
ger
Y
e L
o| | o =
=
Bentuk fungsi L yang merupakan jumlah kuadrat galat, akan ditentukan estimasi
dari parameter model yang meminimumkan fungsi L dengan menggunakan metode
kuadrat terkecil.
Dengan asumsi yang digunakan :
0
1
=
=
a
g
g
o ( ) ( )
= =
= =
b
e
ge
a
g
ge
1 1
0 o| o|
0
1
=
=
b
e
e
| ( )
2
, 0 ~ o c NID
ger
- Estimasi parameter untuk yang meminimalkan L
( ) ) ( 2
0
ge e g
a
g
b
e
n
r
ger
Y
L
L
o| | o
=
c
c
=
c
c
( ) )
( 2
ge e g
a
g
b
e
n
r
ger
Y | o | o
( )
...
0 ...
0 0 0 0 ...
0
Y
abn Y
abn Y
Y
a
g
b
e
n
r
ge
a
g
b
e
n
r
a
g
b
e
n
r
a
g
b
e
n
r
e g
a
g
b
e
n
r
ger
=
=
=
=
| o | o
Syarat harga ekstrim untuk meminimumkan L adalah 0
2
2
>
c
c
L
0 2
2
2
> =
c
c
abn
L
J adi estimasi untuk ... adalah Y
Estimasi Parameter Untuk
g
o yang meminimalkan L
( )
( ) 0 )
( 2
) ( 2
0
=
=
c
c
=
c
c
ge e g
b
e
n
r
ger
ge e g
b
e
n
r
ger
g
g
Y
Y
L
L
| o | o
o| | o
o
o
( )
...
0 ...
0 0 0
0
..
..
..
Y Y
bn Y bn
bn bn Y
bn bn Y
Y
g
g
g g
g
g g
b
e
n
r
ge
b
e
n
r
e
b
e
n
r
g
b
e
n
r
b
e
n
r
ger
=
=
=
=
=
o
o
o
o
| o | o
Sehingga syarat ekstrim untuk meminimumkan L adalah 0
2
2
>
c
c
g
L
o
0 2
2
2
> =
c
c
bn
L
g
o
J adi estimasi untuk ... adalah
..
g
Y Y g o
Estimasi Parameter Untuk
e
| yang meminimalkan L
0 =
c
c
e
L
|
( )
( )
( )
...
0 0
0
0
0 )
( 2
) ( 2
. .
. .
. .
. .
Y Y
an Y an
an an Y
an an Y
Y
Y
Y
L
e
e
e e
e e
e e
a
g
n
r
ge
a
g
n
r
e
a
g
n
r
g
a
g
n
r
a
g
n
r
ger
ge e g
a
g
n
r
ger
ge e g
a
g
n
r
ger
e
=
=
=
=
=
=
=
c
c
|
|
|
|
| o | o
| o | o
o| | o
|
Sehingga syarat ekstrim untuk meminimumkan L adalah 0
2
2
>
c
c
e
L
|
0 2
2
2
> =
c
c
an
L
e
|
J adi estimasi untuk ... adalah
. . e
Y Y
e
|
Estimasi Parameter Untuk ( )
ge
o| yang meminimalkan L
( )
0 =
c
c
ge
L
o|
( )
( ) ) ( 2
ge e g
n
r
ger
ge
Y
L
o| | o
o|
=
c
c
( )
( )
( )
( ) ( )
( ) ( ) ( )
( ) ...
0 )
( 2
. . .. .
. . .. .
.
.
Y Y Y Y
Y Y Y Y Y Y
n n n n Y n
n n n n Y
Y
Y
e g ge
ge
e g ge
ge
ge e g ge ge
ge e g ge
n
r
ge
n
r
e
n
r
g
n
r
n
r
ger
ge e g
n
r
ger
+ =
=
=
=
=
=
| o
| o
o| | o | o
o| | o
o| | o
| o | o
Sehingga syarat ekstrim untuk meminimumkan L adalah
( )
0
2
2
>
c
c
ge
L
| o
( )
0 2
2
2
> =
c
c
n
L
ge
| o
J adi estimasi untuk ( ) ... . .
.. . ge
adalah
Y Y Y Y e
g ge
+ | o
Sehingga dari perhitungan diatas diperoleh :
.
... . . .. . . . ..
) ( ...) ( ...) ( ...
ge
e g ge e g
ger
Y
Y Y Y Y Y Y Y Y Y Y
=
+ + + + + =
Dan residualnya adalah
.
ge
ger ger
ger ger ger
Y Y
Y Y
=
=
c
c
2.1.4 Analisis Statistik Rancangan Faktorial RAL Dua Faktor
Penguraian Jumlah Kuadrat
Dari hasil estimasi parameter-parameternya diperoleh :
( )
ger ge e g ger
Y c | o | o
+ + + + =
( ) ge
ger
e g ge e g
ger
Y Y Y Y Y Y Y Y Y Y Y Y + + + + + = ) ( ...) ( ...) ( ... ... . . .. . . ..
( ) ( ) ( ) ge ger
e g ge e g ger
Y Y Y Y Y Y Y Y Y Y Y Y + + + + = ) ( ) (
... . . .. .. ... . . ... .. ...
Kedua ruas dikuadratkan kemudian dijumlahkan menurut g,e,r untuk mendapatkan
jumlah kuadat total (J KT), jumlah kuadrat faktor A (J KA), jumlah kuadrat faktor B
(J KB), jumlah kuadrat interaksi faktor A dan faktor B (J K(AB)), jumlah kuadrat galat
(J KG). Sehingga diperoleh:
( )
2
, ,
1 , ,
...
=
n b a
r e g
ger
Y Y
( ) ( ) ( ) ( )
+ + + + =
= =
n b a
r e g
ge ger
n b a
r e g
e g ge
n b a
r e g
e
n b a
r e g
g
Y Y Y Y Y Y Y Y Y Y
, ,
, ,
2
.
, ,
1 , ,
2
... . . .. .
, ,
, ,
2
... . .
, ,
1 , ,
2
... ..
( )( ) ( )( )
B
e
g
ge
n b a
r e g
g
A
e
n b a
r e g
g
Y Y Y Y Y Y Y Y Y Y
... . .
..
.
, ,
, ,
... .. ... . .
, ,
1 , ,
... ..
2 2 + + +
=
( )( ) ( )( )
D
e g
ge
n b a
r e g
e
C
ge ger
n b a
r e g
g
Y Y Y Y Y Y Y Y Y Y
... . . ..
.
, ,
, ,
... . . .
, ,
, ,
... ..
2 2 + + +
( )( ) ( )( )
F
ge ger
n b a
r e g
e g ge
E
ge ger
m b a
r e g
e
Y Y Y Y Y Y Y Y Y Y
.
, ,
, ,
... . . .. . .
, ,
1 , ,
... . .
2 2 + + +
=
( )( )
... . .
, ,
1 , ,
... ..
2 Y Y Y Y A
e
n b a
r e g
g
=
=
( )
+ =
n b a
r e g
e g e g
Y Y Y Y Y Y Y
, ,
, ,
2
... . . ... ... .. . . ..
2
|
|
.
|
\
|
+ =
n b a
r e g
n b a
r e g
e
n b a
r e g
g
n b a
r e g
e g
Y Y Y Y Y Y Y
, ,
, ,
, ,
, ,
2
... . . ...
, ,
, ,
... ..
, ,
, ,
. . ..
2
( )
|
|
|
|
|
.
|
\
|
+ =
=
=
=
=
2
2
... 1
. .
... ...
1
..
1
. .
1
..
2
abn
Y
abn
bn
Y
abn
Y
bn
abn
Y
ab
Y
ab
bn
Y
ab
Y
b
b
e
e
a
g
g
b
e
e
a
g
g
0
2
1 1 1
.. . . .. ....
2
...
2
...
2
...
2
...
=
= = =
|
|
.
|
\
|
+ =
= = =
a
g
b
e
n
r
r e g
Y Y Y Y karena
abn
Y
abn
Y
abn
Y
abn
Y
( )( )
... . .
..
.
, ,
, ,
... ..
2 Y Y Y Y Y Y B
e
g
ge
n b a
r e g
g
+ =
( )
+ + + =
n b a
r e g
e g ge g e g g ge g
Y Y Y Y Y Y Y Y Y Y Y Y Y Y
, ,
, ,
2
... . . ... .. ... . ... ... .. . . ..
2
.. . ..
2
|
|
|
|
|
|
|
|
.
|
\
|
+ +
+
=
=
= =
=
=
= = = =
2
2
... 1
. .
...
1
..
...
,
1 ,
.
...
...
1
..
1
. .
1
..
2
1
2
..
,
1 ,
.
1
..
) (
) (
2
abn
Y
abn
an
Y
abn
Y
an
bn
Y
abn
Y
bn
n
Y
abn
Y
n
abn
Y
bn
Y
bn
an
Y
bn
Y
n
bn
Y
bn
n
Y
bn
Y
n
b
e
e
a
g
g
b a
e g
ge
a
g
g
b
e
e
a
g
g
a
g
g
b a
e g
ge
a
g
g
0
2
2
...
2
...
2
...
2
...
2
...
2
...
2
...
2
...
=
|
|
.
|
\
|
+ + + =
abn
Y
abn
Y
abn
Y
abn
Y
abn
Y
abn
Y
bn
Y
bn
Y
( )( )
.
, ,
, ,
... ..
2
ge ger
n b a
r e g
g
Y Y Y Y C =
( )
+ =
n b a
r e g
ge ger ge g ger g
Y Y Y Y Y Y Y Y
, ,
, ,
. ... ... . .. ..
2
|
|
|
|
|
.
|
\
|
+ =
= = =
n
Y
abn
Y
n Y
abn
Y
n
Y
bn
Y
n Y
bn
Y
b a
e g
ge
n b a
r e g
ger
b a
e g
ge
a
g
g
n b a
r e g
ger
a
g
g
,
,
.
...
, ,
, ,
...
,
1 ,
.
1
..
, ,
, ,
1
..
2
0
2
2
...
2
...
2
...
2
...
=
|
|
.
|
\
|
+ =
abn
Y
abn
Y
bn
Y
bn
Y
( )( )
... . . ..
.
, ,
, ,
... . .
2 Y Y Y Y Y Y D
e g
ge
n b a
r e g
e
+ =
( )
+ + + =
n b a
r e g
e g ge e e g e ge e
Y Y Y Y Y Y Y Y Y Y Y Y Y Y
, ,
, ,
2
... . . ... .. ... . ... ... . .
2
. . .. . . . . .
2
( )
|
|
|
|
|
|
|
|
.
|
\
|
+ +
+
=
=
= =
= =
=
=
=
=
2
2
... 1
. .
...
1
..
...
,
1 ,
.
...
... 1
. .
2
1
2
. .
1
..
1
. .
,
1 ,
.
1
. .
) (
2
abn
Y
abn
an
Y
abn
Y
an
bn
Y
abn
Y
bn
n
Y
abn
Y
n
abn
Y
an
Y
an
an
Y
an
bn
Y
an
Y
n
n
Y
an
Y
n
b
e
e
a
g
g
b a
e g
ge
b
e
e
b
e
e
a
g
g
b
e
e
b a
e g
ge
b
e
e
0
2
2
...
2
...
2
...
2
...
2
...
2
...
2
...
2
...
=
|
|
.
|
\
|
+ + + =
abn
Y
abn
Y
abn
Y
abn
Y
an
Y
abn
Y
abn
Y
an
Y
( )( )
.
, ,
, ,
... . .
2
ge ger
n b a
r e g
e
Y Y Y Y E =
( )
+ =
n b a
r e g
ge ger ge e ger e
Y Y Y Y Y Y Y Y
, ,
, ,
. ... ... . . . . .
2
|
|
|
|
|
.
|
\
|
+ =
=
= =
n
Y
abn
Y
n Y
abn
Y
n
Y
an
Y
n Y
an
Y
b a
e g
ge
n b a
r e g
ger
b a
e g
ge
b
e
e
n b a
r e g
ger
b
e
e
,
,
.
...
, ,
, ,
...
,
1 ,
.
1
. .
, ,
, ,
1
. .
2
0
2
2
...
2
...
2
...
2
...
=
|
|
.
|
\
|
+ =
abn
Y
abn
Y
an
Y
an
Y
( )( )
.
, ,
, ,
... . . .. .
2
ge ger
n b a
r e g
e g ge
Y Y Y Y Y Y F + =
( )
+ + + =
n b a
r e g
ge ger ge e ger e
ge
g ger g ge ger ge
Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y
, ,
, ,
. ... ... . . . . .
.
.. ..
2
. .
2
|
|
|
|
|
|
|
|
.
|
\
|
+ +
+
=
=
=
=
= = = = =
n
Y
abn
Y
n Y
abn
Y
n
Y
an
Y
n
Y
an
Y
n
n
Y
bn
Y
Y
bn
Y
n
n
Y
n Y
n
Y
b a
e g
ge
n b a
r e g
ger
b a
e g
ge
b
e
e
n b a
r e g
ger
b
e
e
b a
e g
ge
a
g
g
n b a
r e g
ger
a
g
g
b a
e g
ge
n b a
r e g
ger
b a
e g
ge
,
,
.
...
, ,
, ,
...
,
1 ,
..
1
. .
, ,
, ,
1
. .
,
1 ,
.
1
..
, ,
, ,
1
..
2
,
1 ,
2
.
, ,
, ,
,
1 ,
.
) (
2
0
2
2
...
2
...
2
...
2
...
2
...
2
...
2
...
2
...
=
|
|
.
|
\
|
+ + + =
abn
Y
abn
Y
an
Y
an
Y
bn
Y
bn
Y
n
Y
n
Y
Sehingga dari penjabaran rumus diperoleh hasil sebagai berikut
( ) ( ) ( ) ( )
JKAB
n b a
r e g
e g ge
JKB
n b a
r e g
e
JKA
n b a
r e g
g
JKT
n b a
r e g
ger
Y Y Y Y Y Y Y Y Y Y
= = =
+ + + =
, ,
1 , ,
2
... . . .. .
, ,
, ,
2
... . .
, ,
1 , ,
2
... ..
, ,
1 , ,
2
...
( )
JKG
n b a
r e g
ge ger
Y Y
+
, ,
, ,
2
.
Rumus tersebut dalam penghitungan praktiknya akan mengalami sedikit kesulitan,
sehingga perlu disederhanakan sebagai berikut :
( )
=
=
n b a
r e g
ger
Y Y JKT
, ,
1 , , ,
2
...
( )
=
+ =
n b a
r e g
ger ger
Y Y Y Y
, ,
1 , ,
2
... ...
2
2
2
2
...
, ,
, ,
...
, ,
, ,
2
) (
2
abn
Y
abn Y
abn
Y
Y
n b a
r e g
ger
n b a
r e g
ger
+ =
abn
Y
abn
Y
Y
n b a
r e g
ger
2
...
2
...
, ,
, ,
2
2 + =
abn
Y
Y
n b a
r e g
ger
2
...
, ,
, ,
2
=
( )
2
, ,
, ,
... ..
=
n b a
r e g
g
Y Y JKA
( )
=
+ =
n b a
r e g
g g
Y Y Y Y
, ,
1 , ,
2
... ... ..
2
..
2
( )
2
2
... ...
1
..
2
1
2
..
) (
2
abn
Y
abn
abn
Y
bn
Y
bn
bn
Y
bn
a
g
g
a
g
g
+ =
= =
abn
Y
abn
Y
bn
Y
a
g
g 2
...
2
...
1
2
..
2 + =
=
abn
Y
bn
Y
a
g
g 2
...
1
2
..
=
=
=
n b a
r e g
e
Y Y JKB
, ,
, ,
2
... . .
) (
( )
=
+ =
n b a
r e g
e e
Y Y Y Y
, ,
1 , ,
2
... ... . .
2
. .
2
( )
2
2
... ... 1
. .
2
1
2
. .
) (
2
abn
Y
abn
abn
Y
an
Y
an
an
Y
an
b
e
e
b
e
e
+ =
= =
abn
Y
an
Y
abn
Y
abn
Y
an
Y
b
e
e
b
e
e
2
... 1
2
.. .
2
...
2
... 1
. .
2
=
+ =
=
=
+ =
n b a
r e g
e g ge
Y Y Y Y AB JK
, ,
, ,
2
... . . .. .
) ( ) (
= |
|
|
.
|
\
|
+ + +
+ +
=
n b a
r e g
e e g e g
g ge e ge ge g ge
Y Y Y Y Y Y Y Y
Y Y Y Y Y Y Y Y
, ,
1 , ,
2
... ... . .
2
. . ... .. . . ..
2
.. ... . . . . . ..
2
.
2 2 2
2 2 2
|
|
|
|
|
|
|
|
|
|
|
|
|
|
.
|
\
|
+
+ + +
+
=
=
=
=
=
= =
=
=
= = = =
2
2
... ... 1
. .
2
1
2
. .
...
1
..
1
. .
1
..
2
1
2
..
...
,
1 ,
.
1
. .
,
1 ,
.
1
..
,
1 ,
.
2
,
1 ,
2
.
) (
2
) (
2 2
) (
2 2 2
abn
Y
abn
abn
Y
an
Y
an
an
Y
an
abn
Y
bn
Y
bn
an
Y
bn
Y
n
bn
Y
bn
abn
Y
n
Y
n
an
Y
n
Y
n
bn
Y
n
Y
n
n
Y
n
b
e
e
b
e
e
a
g
g
b
e
e
a
g
g
a
g
g
b a
e g
ge
b
e
e
b a
e g
ge
a
g
g
b a
e g
ge
b a
e g
ge
|
|
|
|
|
|
.
|
\
|
+ + +
+ +
=
=
=
=
= =
abn
Y
abn
Y
abn
Y
abn
Y
abn
Y
an
Y
bn
Y
an
Y
bn
Y
n
Y
b
e
e
a
g
g
b
e
e
a
g
g
b a
e g
ge
2
...
2
...
2
...
2
...
2
...
1
2
. .
1
2
..
1
2
. .
1
2
..
,
1 ,
2
.
2 2 2 2
2 2
|
|
|
|
|
.
|
\
|
+ + =
=
= =
abn
Y
abn
Y
an
Y
abn
Y
bn
Y
n
Y
b
e
e
a
g
g
b a
e g
ge 2
...
2
... 1
2
. . 2
...
1
2
..
,
1 ,
2
.
abn
Y
abn
Y
an
Y
abn
Y
bn
Y
n
Y
b
e
e
a
g
g
b a
e g
ge 2
...
2
... 1
2
. . 2
...
1
2
..
,
1 ,
2
.
|
|
|
|
.
|
\
|
|
|
|
|
|
.
|
\
|
=
=
= =
JKB JKA
abn
Y
n
Y
b a
e g
ge
=
=
2
...
,
1 ,
2
.
( )
=
n b a
r e g
ge ger
Y Y JKG
, ,
, ,
2
.
( )
=
n b a
r e g
ge ge ger ger
Y Y Y Y
, ,
, ,
2
. .
2
2
2
,
1 ,
2
,
1 ,
.
, ,
, ,
, ,
, ,
2
2
n
Y
n
n
Y
Y Y
b a
e g
ge
b a
e g
ge
n b a
r e g
ger
n b a
r e g
ger
= =
+ =
n
Y
n
Y
Y
n b a
r e g
ger
2
...
2
...
, ,
, ,
2
2 + =
n
Y
Y
n b a
r e g
ger
2
....
, ,
, ,
2
=
) (AB JK JKB JKA JKT =
Derajat bebas dari J KT, J KA, J KB, dan J K(AB)masing masing adalah ( 1 abn ),
( ) 1 a ,( ) 1 b , ( )( ) 1 1 b a . Sedangkan derajat bebas dari J KG merupakan pengurangan
dari derajat bebas J KT terhadap J KA, J KB, dan J K(AB) yaitu ) 1 )( 1 ( n ab .
Hasil bagi antara jumlah kuadrat dengan derajat bebasnya dinamakan kuadrat
tengah, sehingga :
( )
( )( ) ( ) 1
;
1 1
) (
;
1
;
1
=
=
=
=
n ab
JKG
KTG
b a
AB JK
AB KT
b
JKB
KTB
a
JKA
KTA
dengan : KTA adalah kuadrat tengah untuk faktor A
KTB adalah kuadrat tengah untuk faktor B
KT (AB) adalah kuadrat tengah untuk interaksi faktor A dan faktor B
KTG adalah kuadrat tengah untuk galat
Nilai harapan kuadrat tengah (E(KT)) masing masing faktor ditentukan sebagai berikut
:
=
=
n b
r e
ger g
Y Y
,
1 ,
..
( ) ( )
=
+ + + + =
n b
r e
ger ge e g
,
1 ,
c o| | o
( )
+ + + + =
n b
r e
ger
n b
r e
ge e
n b
r e
g
bn bn
,
,
,
,
,
,
c o| | o
Karena ( ) 0
,
,
= =
n b
r e
ge
b
e
e
o| | maka
+ + =
n b
r e
ger g g
bn bn Y
,
,
..
c o
2
,
,
2
..
|
|
.
|
\
|
+ + =
n b
r e
ger g g
bn bn Y c o
+ + + + + =
n b
r e
ger g
n b
r e
ger g
n b
r e
ger g
bn bn n b n b n b
,
,
,
,
2
,
,
2 2 2 2 2 2 2 2
2 2 2 c o c o c o
) ( 2
) ( 2 2 ) ( ) (
,
,
,
,
2
,
,
2 2 2 2 2 2 2 2 2
..
+
+ + + + =
n b
r e
ger g
n b
r e
ger g
n b
r e
ger g g
E bn
E bn n b E n b n b Y E
c o
c o c o
Karena ) , 0 ( ~
2
o c NID
ger
0 ) ( =
ger
E c
2 2
ger
) ( ) ( ) (
ger ger
E E Var c c c =
0 ) (
2 2
= =
ger
E c o
2 2
) ( o c =
ger
E
Sehingga diperoleh hasil sebagai berikut :
0 . 2 0 . 2 2 ) (
2 2 2 2 2 2 2 2 2 2
.. g g g g
bn bn n b bn n b n b Y E o o o o + + + + + =
g g
n b bn n b n b o o o
2 2 2 2 2 2 2 2 2
2 + + + =
|
|
.
|
\
| + + +
=
a
g
g g
a
g
g
bn
n b bn n b n b
bn
Y E o o o
2 2 2 2 2 2 2 2 2 2
..
2 ) (
( )
+ + + =
a
g
g g
bn bn bn o o o 2
2 2 2
+ + + =
a
g
g
a
g
g
bn a bn abn o o o 2
2 2 2
0 . 2
2 2 2
o o bn a bn abn
a
g
g
+ + + =
2 2 2
o o a bn abn
a
g
g
+ + =
=
n b a
r e g
ger
Y Y
, ,
, ,
...
( ) ) (
, ,
, ,
ger ge e
n b a
r e g
g
c o| | o + + + + =
( )
+ + + + =
n b a
r e g
ger
b a
e g
ge
b
e
e
a
g
g
n an bn abn
, ,
, ,
,
,
c o| | o
Karena ( ) 0
,
,
= = =
n b
r e
ge
b
e
e
a
g
g
o| | o maka
+ =
n b a
r e g
ger
abn Y
, ,
, ,
... c
2
, ,
, ,
2
...
|
|
.
|
\
|
+ =
n b a
r e g
ger
abn Y c
+ + =
n b a
r e g
ger
n b a
r e g
ger
abn n b a
, ,
, ,
, ,
, ,
2 2 2 2 2
2 c c
) ( 2 ) ( ) (
, ,
, ,
, ,
, ,
2 2 2 2 2 2
...
+ + =
n b a
r e g
ger
n b a
r e g
ger
E abn E n b a Y E c c
0 . 2
2 2 2 2 2
o abn abn n b a + + =
2 2 2 2 2
o abn n b a + =
abn
abn n b a
abn
Y E
2 2 2 2 2 2
...
) ( o +
=
2 2
o + = abn
|
|
|
.
|
\
|
= |
.
|
\
|
=
abn
Y
bn
Y
E
a
JKA E
a a
JKA
E KTA E
a
g
2
...
2
...
1
1
) (
1
1
1
) (
|
|
.
|
\
|
=
abn
Y E
bn
Y E
a
a
g
) ( ) (
1
1
2
...
2
...
+
|
|
.
|
\
|
+ +
=
) (
1
1
2 2 2 2
o o o abn a bn abn
a
a
g
g
|
|
.
|
\
|
+
=
a
g
g
a bn
a
2 2
) 1 (
1
1
o o
1
2
2
+ =
a
bn
a
g
g
o
o
=
n a
r g
ger e
Y Y
,
,
. .
( )
ger ge e
n a
r g
g
c o| | o + + + + =
,
,
( )
+
|
|
.
|
\
|
+ + + =
n a
r g
ger
a
g
ge e
a
g
g
n an n an
,
,
c o| | o
+ + =
n a
r g
ger e
an an
,
,
c |
) (
,
,
2
. .
+ + =
n a
r g
ger e e
an an Y c |
+ + + + + =
n a
r g
ger e
n a
r g
ger e
n a
r g
ger e
an an n a n a n a
,
,
,
,
2 2
,
,
2 2 2 2 2 2 2
2 2 2 c | c | c |
) ( 2
) ( 2 2 ) ( ) (
,
,
,
,
2 2
,
,
2 2 2 2 2 2 2 2
. .
+
+ + + + =
n a
r g
ger e
n a
r g
ger e
n a
r g
ger e e
E an
E an n a E n a n a Y E
c |
c | c |
0 . 2 0 . 2 2
2 2 2 2 2 2 2 2 2
e e e
an an n a an n a n a | | o | + + + + + =
e e
n a an n a n a | o |
2 2 2 2 2 2 2 2 2
2 + + + =
|
|
.
|
\
|
+ + +
=
b
e
e e
b
e
e
an
n a an n a n a
an
Y E | o |
2 2 2 2 2 2 2 2 2 2
. .
2 ) (
) 2 (
2 2 2 2
+ + + =
b
e
e e
an an an | o |
+ + + =
b
e
e
b
e
e
an b an abn | o | 2
2 2 2
0 . 2
2 2 2
o | an b an abn
b
e
e
+ + + =
2 2 2
o | b an abn
b
e
e
+ + =
) (
1
1
1
) ( JKB E
b b
JKB
E KTB E
= |
.
|
\
|
=
|
|
.
|
\
|
=
abn
Y
an
Y
E
b
b
e
e
2
...
2
. .
1
1
|
|
.
|
\
|
=
abn
Y E
an
Y E
b
e
b
e
) ( ) (
1
1
2
...
2
. .
|
|
.
|
\
|
+ |
.
|
\
|
+ +
=
) (
1
1
2 2 2 2 2
o o | abn b an abn
b
b
e
e
|
.
|
\
|
+
=
2 2
) 1 (
1
1
o | b an
b
b
e
e
1
2
+ =
b
an
b
e
e
|
o
=
n
r
ger ge
Y Y
.
( ) ) (
ger ge e
n
r
g
c o| | o + + + + =
( )
+ + + + =
n
r
ger ge e
n
r
g
n n n c o| | o
( )
+ + + + =
n
r
ger ge e g
n n n n c o| | o
( )
2
2
.
|
.
|
\
|
+ + + + =
n
r
ger ge e g ge
n n n n Y c o| | o
( )
( ) ( )
( ) ( )
+ + +
+ + + + +
+ + + + + + =
n
r
ger ge
n
r
ger e ge e
n
r
ger g ge g e g
n
r
ger ge
e g
n
r
ger ge e
n n n
n n n n
n n n n g n n
c o| c | o| |
c o o| o | o c o|
| o c o| | o
2 2 2
2 2 2 2 2
2 2
2 2
2 2 2
2 2 2 2 2 2 2 2 2 2 2
( )
( ) ( )
( ) ( )
+ + +
+ + + +
+ + + + + + + =
n
r
ger ge
n
r
ger e ge e
n
r
ger g ge g e g
n
r
ger ge
e g
n
r
ger ge e g
E n E n n
E n n n E n n
n n E n n n n Y E
ge
) ( 2 ) ( 2 2
) ( 2 2 2 ) ( 2 2
2 2 ) ( ) (
2 2
2 2 2
2 2 2 2 2 2 2 2 2 2 2 2
.
c o| c | o| |
c o o| o | o c o|
| o c o| | o
( )
( ) ( )
( ) ( ) 0 . 2 0 . 2 2
0 . 2 2 2 0 . 2 2
2 2
2 2
2 2 2
2 2 2 2 2 2 2 2 2 2 2
ge e ge e
g ge g e g ge
e g ge e g
n n n
n n n n n
n n n n n n n
o| | o| |
o o| o | o o|
| o o o| | o
+ + +
+ + + + +
+ + + + + + =
( )
( ) ( ) ( )
ge e ge g e g ge
e g ge e g
n n n n
n n n n n n n
o| | o| o | o o|
| o o o| | o
2 2 2 2
2 2 2 2 2 2 2 2 2 2 2
2 2 2 2
2 2
+ + + +
+ + + + + + =
b a
e g
ge
n
Y E
,
,
2
.
) (
( )
( ) ( ) ( ) n n n n n
n n n n n n n
ge e ge g e g ge
e g ge e g
b a
e g
/ ) 2 2 2 2
2 2 (
2 2 2 2
2 2 2 2 2 2 2 2 2 2 2
,
,
o| | o| o | o o|
| o o o| | o
+ + + +
+ + + + + + =
( )
( ) ( ) ( ) ) 2 2 2 2
2 2 (
2 2 2 2 2
,
,
ge e ge g e g ge
e g ge e g
b a
e g
n n n n
n n n n n n
o| | o| o | o o|
| o o o| | o
+ + + +
+ + + + + + =
( )
( ) ( )
( )
+
+ + + +
+ + + + + =
b a
e g
ge
b
e
e
b a
e g
ge
a
g
g
b
e
e
a
g
g
b a
e g
ge
b
e
e
a
g
g
b a
e g
ge
b
e
e
a
g
g
n
n n n an
bn ab n an bn abn
,
,
,
,
,
,
2
,
,
2 2 2 2
2
2 2 2 2
2
o| |
o| o | o o| |
o o o| | o
( )
0 . 0 . 2 0 . 0 . 2 0 . 0 . 2 0 . 2
0 . 2 0 . 2
2
,
,
2 2 2 2
n n n n
an bn ab n an bn abn
b a
e g
ge
b
e
e
a
g
g
+ + + +
+ + + + + + =
o o| | o
( )
2
,
,
2 2
o o| | o ab n an bn abn
b a
e g
ge
b
e
e
a
g
g
+ + + + =
) (
) 1 )( 1 (
1
) 1 )( 1 (
) ( JKAB E
b a b a
JKAB
E KTAB E
=
|
|
.
|
\
|
=
|
|
|
.
|
\
|
=
JKB JKA
abn
Y
n
Y
E
b a
b a
e g
ge
2
...
,
,
2
.
) 1 )( 1 (
1
( ) ( )
|
|
|
.
|
\
|
=
JKB E JKA E
abn
Y
n
Y
E
b a
b a
e g
ge
2
...
,
,
2
.
) 1 )( 1 (
1
( )
|
|
|
|
|
.
|
\
|
|
.
|
\
|
+
|
|
.
|
\
|
+ +
|
|
.
|
\
|
+ + + +
=
) 1 ( ) 1 ( ) (
) 1 )( 1 (
1
2 2 2 2 2
2
,
,
2 2 2 2
b an a bn abn
ab n an bn abn
b a
b
e
e
a
g
g
b a
e g
ge
b
e
e
a
g
g
| o o o
o o| | o
( )
|
|
.
|
\
|
+ + +
=
2
,
,
2
) 1 1 1 (
) 1 )( 1 (
1
o o| b a ab n
b a
b a
e g
ge
( )
|
|
.
|
\
|
+
=
2
,
,
2
) 1 )( 1 (
) 1 )( 1 (
1
o o| b a n
b a
b a
e g
ge
( )
) 1 )( 1 (
,
,
2
2
=
b a
n
b a
e g
ge
o|
o
( )
ger ge e g ger
Y c o| | o + + + + =
( ) ( )
2 2
ger ge e g ger
Y c o| | o + + + + =
( ) ( )
( ) ( ) ( )
( )
ger ge ger e
ge e ger e ge e ger g ge g e g
ger ge e g ger ge e g
c o| c |
o| | c | o| | c o o| o | o
c o| | o c o| | o
2 2
2 2 2 2 2 2
2 2 2 2
2 2 2 2 2
+ +
+ + + + + +
+ + + + + + + + =
( ) ( )
( ) ( )
( ) ) ( 2 ) ( 2
2 ) ( 2 2 2 ) ( 2
2 2 2 ) ( ) (
2 2 2 2 2 2
ger ge ger e
ge e ger g ge g e g ger
ge e g ger ge e g ger
E E
E E
E Y E
c o| c |
o| | c o o| o | o c
o| | o c o| | o
+ +
+ + + + +
+ + + + + + + =
( ) ( )
( ) ( ) ( ) 0 . 2 0 . 2 2 0 . 2 2 2
0 . 2 2 2 2
2 2 2 2 2
ge e ge e g ge g e g
ge e g ge e g
o| | o| | o o| o | o
o| | o o o| | o
+ + + + + +
+ + + + + + + + =
( ) ( )
( ) ( )
ge e
ge
g
e g ge e g ge e g
o| | o| o
| o o| | o o o| | o
2 2
2 2 2 2
2 2 2 2 2
+ +
+ + + + + + + + =
) (
, ,
, ,
2
n b a
r e g
ger
Y E
( ) ( )
( ) ( ) ) 2 2
2 2 2 2 (
2 2 2 2 2
n b, a,
r e, g,
ge e ge g
e g ge e g ge e g
o| | o| o
| o o| | o o o| | o
+ +
+ + + + + + + + =
( )
( ) ( ) ( )
+ + + +
+ + + + + + =
b a
e g
ge
b
e
e
b a
e g
ge
a
g
g
b
e
e
a
g
g
b a
e g
ge
b
e
e
a
g
g
b a
e g
ge
b
e
e
a
g
g
n n n
an bn abn n nn bn abn
,
,
,
,
,
,
2
,
,
2 2 2
2 2 2 2
2 2
o| | o| o | o o|
| o o o| | o
( )
0 . 0 . 2 0 . 0 . 2 0 . 0 . 2 0 . 0 . 2 0 . 2
0 . 2 0 . 2
2
,
,
2 2 2
n n a b n
bn ab abn n an bn abn
b a
e g
ge
b
e
e
a
g
g
+ + + + +
+ + + + + + =
o o| | o
( )
2
,
,
2 2 2
o o| | o abn n an bn abn
b a
e g
ge
b
e
e
a
g
g
+ + + + =
|
|
.
|
\
|
=
abn
Y
Y E JKT E
n b a
r e g
ger
2
...
, ,
, ,
2
) (
|
|
.
|
\
|
=
abn
Y
Y E
n b a
r e g
ger
2
...
, ,
, ,
2
) (
( )
|
|
.
|
\
|
+
|
|
.
|
\
|
+ + + + =
) (
2 2 2
,
,
2 2 2
o o o| | o abn abn n an bn abn
b a
e g
ge
b
e
e
a
g
g
( )
2
,
,
2 2
) 1 ( o o| | o + + + =
abn n an bn
b a
e g
ge
b
e
e
a
g
g
=
b
e
ger r g
Y Y
.
( ) ) (
ger ge e g
b
e
c o| | o + + + + =
( )
+ + + + =
b
e
ger
b
e
ge e g
b b b c o| | o
+ + + =
b
e
ger e g
b b b c | o
2
2
.
|
.
|
\
|
+ + + =
b
e
ger e g r g
b b b Y c | o
+ + +
+ + + + + + =
b
e
ger e
b
e
ger g e g
b
e
ger e g
b
e
ger e g
b b b
b b b b b b
c | c o | o
c | o c | o
2 2 2
2 2 2
2
2 2 2 2 2 2 2 2 2
+ + +
+ + + + + + =
b
e
ger e
b
e
ger g e g
b
e
ger e g
b
e
ger e g r g
E b E b b
E b b b E b b b Y E
) ( 2 ) ( 2 2
) ( 2 2 2 ) ( ) (
2
2 2 2 2 2 2 2 2 2 2
.
c | c o | o
c | o c | o
0 . 2 0 . 2
2 0 . 2 2 2
2 2 2 2 2 2 2 2 2 2
e g
e g e g e g
b b
b b b b b b b b
| o
| o | o o | o
+ +
+ + + + + + + =
e g e g e g
b b b b b b b | o | o o | o
2 2 2 2 2 2 2 2 2 2
2 2 2 + + + + + + =
|
|
.
|
\
|
+ + + + + +
=
b
b b b b b b b
b
Y E
e g e g e g
n a
r g
n a
r g
r g
| o | o o | o
2 2 2 2 2 2 2 2 2 2
,
,
,
,
2
.
2 2 2 ) (
( )
e g e g e g
n a
r g
b b b b b b b | o | o o | o
2 2 2 2 2 2 2 2 2 2
,
,
2 2 2 + + + + + + =
+
+ + + + + =
b
e
e
a
g
g
b
e
e
a
g
g
b
e
e
a
g
g
b
bn abn an an bn abn
| o
| o o | o
2
2 2
2 2 2 2
0 . 0 . 2 0 . 2 0 . 2
2 2 2 2
b bn abn an an bn abn
b
e
e
a
g
g
+ + + + + + =
o | o
2 2 2 2
o | o an an bn abn
b
e
e
a
g
g
+ + + =
) (
) 1 )( 1 (
1
) 1 )( 1 (
) ( JKG E
n a n a
JKG
E KTG E
=
|
|
.
|
\
|
=
|
|
|
.
|
\
|
=
JKA
abn
Y
b
Y
E
n a
a
g
r g
2
...
2
.
) 1 )( 1 (
1
|
|
.
|
\
|
=
) (
) (
) (
) 1 )( 1 (
1
2
...
, ,
, ,
2
.
JKA E
abn
Y E
b
Y E
n a
n b a
r e g
a
g
r g
( )
|
|
|
|
|
.
|
\
|
|
.
|
\
|
+
|
|
.
|
\
|
+ +
|
|
.
|
\
|
+ + +
=
b
e
e
a
g
g
b
e
e
a
g
g
a an n bn abn
an an bn abn
n a
2 2 2 2 2 2
2 2 2 2
) 1 ( ) 1 (
) 1 )( 1 (
1
o | o o o
o | o
( )
2
) 1 1 1 (
) 1 )( 1 (
1
o + +
= a n an
n a
( )
2
) 1 (
) 1 )( 1 (
1
o +
= a n an
n a
( )
2
) 1 )( 1 (
) 1 )( 1 (
1
o
= n a
n a
2
o =
Nilai harapan dari kuadrat tengah untuk galat ini dapat juga dicari dengan cara sebagai
berikut :
J KG =J KT J KA J KB J KAB
E(J KG) =E(J KT) E(J KA) E(J KB) E(J KAB)
( )
( )
|
|
.
|
\
|
+ + +
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
+ + + =
b a
e g
ge
a
g
e
a
g
g
b a
e g
ge
b
e
e
a
g
g
b a ab n
b an a bn
abn n an bn
,
,
2 2
2 2 2 2
2
,
,
2 2 2
) 1 1 1 ( -
) 1 ( ) 1 (
) 1 (
o o|
o | o o
o o| | o
2 2 2 2
) 1 )( 1 ( ) 1 ( ) 1 ( ) 1 ( o o o o = b a b a abn
2 2 2 2 2 2 2 2 2 2
o o o o o o o o o o + + + + = b a ab b a abn
2 2 2
o o o ab abn + =
2
) 1 )( 1 ( o = n ab
|
|
.
|
\
|
=
) 1 )( 1 (
) (
n a
JKG
E KTG E
) 1 )( 1 (
) 1 )( 1 (
2
=
n ab
n ab o
2
o =
Dari perhitungan jumlah kuadrat dan ekspektasi kuadrat tengah dapat dibentuk
tabel analisis varian sebagai berikut :
Tabel 2.3. Analisis Variansi Rancangan Faktorial Dua Faktor dalam RAL
SK DB JK KT
Nilai Harapan
KT F
hitung
F
tabel
A
( ) 1 a
JKA ( ) 1 a
JKA
1
2
2
+
a
bn
a
g
g
o
o
KTG
KTA
) (
) 1 ( ); 1 (
o
n ab a
F
B
( ) 1 b
JKB
( ) 1 b
JKB
1
2
2
+
b
an
b
e
e
|
o
KTG
KTB
) (
) 1 ( ); 1 (
o
n ab b
F
AB
( )( ) 1 1 b a
JKAB ( )( ) 1 1
) (
b a
AB JK
( )
) 1 )( 1 (
,
,
2
2
+
b a
n
b a
e g
ge
o|
o
KTG
KTAB
) (
) 1 ( ); 1 )( 1 (
o
n ab b a
F
Galat
) 1 ( n ab
JKG
) 1 ( n ab
JKG
2
o
Total
( ) 1 abn
JKT
2.2 Checking Model
Asumsi-asumsi yang harus dipenuhi untuk rancangan faktorial model tetap
adalah galat dalam model tersebut adalah berdistribusi normal dan independen serta
galat dalam percobaan mempunyai galat yang homogen.
1. Asumsi Normalitas
Untuk mengecek asumsi kenormalan dapat dilakukan dengan cara membuat
histogram dari nilai-nilai residual. Pengujian kenormalan dapat juga dilakukan
dengan menggunakan Q-Q plot. Adapun prosedurnya sebagai berikut:
a. Urutkan nilai residual (e
i
) dari yang terkecil sampai terbesar
b. Untuk setiap e
i
hitung nilai |
.
|
\
|
=
n
k
p
i
5 , 0
dengan k =urutan dari e
i
dan n=
banyaknya data dari e
i
c. Untuk setiap p
i
hitung ( ) ( )
i i
p Q p F =
1
dengan bantuan sebaran normal baku. F
merupakan fungsi sebaran normal kumulatif sedangkan Q (p
i
) adalah kuantil
normal baku.
d. Buat plot antara e
i
yang telah diurutkan dengan Q (p
i
) yang merupakan Q-Q
plot
Pola pemencaran titik dalam plot yang membentuk garis lurus menjadi
petunjuk bahwa sebaran data dapat didekati oleh pola sebaran normal.
Uji kenormalan dapat juga dilakukan dengan menggunakan uji
Kolmogorov-Smirnov.
Hipotesis :
H
0
: Residual berdistribusi normal
H
1
: Residual tidak berdistribusi normal
Dengan langkah-langkah sebagai berikut :
a. Menentukan perbedaan absolut maksimum antara distribusi kumulatif data
sampel ( observasi ) dengan distribusi yang dihipotesakan.
( ) ( ) X F X F DN
n 0
sup = dengan
( ) X F
n
: distribusi kumulatif data sampel
( ) X F
0
: distribusi kumulatif yang dihipotesakan
( ) X F
n
diperoleh dengan cara menentukan frekuensi kumulatif residual dari
yang terkecil ke yang terbesar kemudian membaginya dengan banyaknya data
residual yang ada. Untuk mencari ( ) X F
0
terlebih dahulu mencari nilai Z
sebagai berikut :
o
X X
Z
= . Kemudian nilai Z ini dibandingkan dengan
nilai-nilai yang ada dalam tabel distribusi standard normal kumulatif untuk
menghitung ( ) ( )
i
X X P X F s =
0
b. Membandingkan nilai absolut maksimum di atas dengan suatu nilai kritis
( ) o
DN .
( ) o
DN merupakan nilai kritis yang diperoleh dari tabel Kolmogorov-Smirnov
dengan
( )
N
DN
36 , 1
=
o
Keputusan : tolak H
0
jika
( ) o
DN DN > atau p-value <o
(Daniel, W 1989).
2. Homogenitas Varian
Pengujian homegenitas varian dapat dilakukan dengan dua cara, yaitu
dengan membuat plot antara residual dengan nilai prediksinya. Bila plot yang
terbentuk tidak membentuk suatu pola tertentu maka dikatakan homogenitas
varian terpenuhi. Cara lain yaitu dengan uji Barlett. Adapun prosedurnya :
Hipotesis :
2 2
3
2
2
2
1 0
:
a
H o o o o = = = = (varian dari semua perlakuan sama)
:
1
H paling sedikit sepasang tidak sama.
Statistik uji :
c
q
3026 , 2
2
0
= _
( ) ( )
2
1
2
1
log 1 log 1
i
a
i
i p
a
i
i
S n S n q
= =
|
.
|
\
|
=
( )
=
n
i
i
i
i
X X
n
S
1
2
2
1
1
( )
( )
=
=
=
a
i
i
a
i
i i
p
n
S n
S
1
1
2
2
1
1
( )
( )
(
(
(
(
+ =
=
=
a
i
i
a
i i
n
n a
c
1
1
1
1
1
1
) 1 ( 3
1
1
Keputusan : tolak H
0
jika
( )
2
; 1
2
0 o
_ _
>
a
atau p-value <o
(Widiharih, T 2007).
3. Independensi Galat
Pengujian keacakan galat dapat dilakukan dengan dua cara yaitu cara visual
(dengan grafik) dan cara formal.
Pengujian secara visual dengan membuat plot antara nilai galat percobaan ( )
ijk
c
dengan urutan datanya. Apabila plot yang dihasilkan tidak membentuk pola
tertentu maka dapat dikatakan galat percobaan saling bebas (tidak ada korelasi
antar galat).
Pengujian secara formal dapat dilakukan dengan uji Durbin-Watson.
Hipotesis :
:
0
H tidak ada autokorelasi antar galat
:
1
H ada autokorelasi antar galat
Statistik uji :
( )
=
=
=
n
i
i
n
i
i i
e
e e
d
1
2
2
2
1
Keputusan : tolak H
0
jika dL d > , dimana dL adalah nilai batas bawah dari tabel
Durbin-Watson.
2.3 Uji Perbandingan Berganda Duncan (DMRT = Duncan Multiple Range
Test)
J ika ternyata H
0
ditolak atau H
1
diterima, maka langkah selanjutnya dilakukan
uji perbandingan ganda (uji lanjut) untuk menentukan perlakuan mana yang
menyebabkan H
0
ditolak. Dalam pembahasan ini digunakan salah satu uji yaitu uji
Duncan. Dalam uji perbandingan berganda Duncan, menggunakan sekumpulan nilai
perbandingan yang nilainya meningkat tergantung dari jarak peringkat dua buah rata-
rata perlakuan yang dibandingkan. Langkah-langkah pengujian dengan DMRT sebagai
berikut :
1. Urutkan rata-rata perlakuan dari yang terkecil sampai yang terbesar.
( ) ( ) ( ) ( ) 1 2 1
, ,..., , y y y y
a a
2. Hitung galat baku :
n
KTG
S
y
=
3. Nilai kritis Duncan R
p
dihitung dengan rumus :
y
S
. db.g ;
p p
r R = . Harga
. db.g ;
p
r
diperoleh dari table untuk perbandingan Duncan , p = 2,3,,a-1 dengan a :
banyaknya perlakuan yang dibandingkan.
4. Dua rata-rata perlakuan dikatakan berbeda jika mutlak dari selisih dua rata-rata
tersebut lebih besar dari Rp yang bersesuaian. Secara mudahnya sebagai berikut :
a. Perbandingan untuk rata-rata perlakuan terbesar
( )
( )
1
y .
1. Dicari
( ) ( ) 2 1 1
A y y = . J ika
2 1
R A > , rata-rata perlakuan terbesar dan
terbesar kedua berbeda, pembandingan untuk
( ) 1
y selesai maka dilanjutkan
ke langkah (b). J ika
2 1
R A < , rata-rata perlakuan terbesar dan terbesar kedua
tidak berbeda, diberi garis bawah dari
( ) 1
y sampai
( ) 2
y .
2. Dicari
( ) ( ) 2 1 2
A y y = . J ika
3 2
R A > , rata-rata perlakuan yang terbesar
berbeda dengan rata-rata perlakuan terbesar ketiga, dengan sendirinya
berbeda dengan rata-rata perlakuan yang terbesar keempat, lima dan
seterusnya. J ika pembandingan untuk
( ) 1
y selesai dilanjutkan ke langkah (b).
J ika
3 2
R A < , rata-rata perlakuan terbesar tidak berbeda dengan rata-rata
perlakuan terbesar ketiga, perpanjang garis bawah dari
( ) 1
y sampai
( ) 3
y ..Langkah ini diulang dengan menghitung
( ) ( ) 4 1 3
A y y = dengan
pembanding R
4
, dan seterusnya sampai dengan A
i
sehingga A
i
>R
p
yang
bersesuaian (sampai menemukan rata-rata perlakuan ke i yang berbeda
dengan rata-rata perlakuan yang terbesar).
b. Pembandingan untuk
( ) 2
y (rata-rata perlakuan terbesar ke dua).
1. Dicari
( ) ( ) 3 2 1
B y y = . J ika
2 1
R B > , rata-rata perlakuan terbesar kedua dan
ketiga berbeda, pembandingan untuk
( ) 2
y selesai. Kemudian dilakukan
pembandingan untuk
( ) 3
y dengan cara analog. J ika
2 1
R B < , rata-rata
perlakuan terbesar kedua dan ketiga tidak berbeda, diberi garis bawah dari
( ) 2
y sampai
( ) 3
y . Dilanjutkan dengan langkah (b2).
2. Dicari
( ) ( ) 3 2 2
B y y = . J ika
3 2
R B > , rata-rata perlakuan terbesar kedua dan
keempat berbeda, jika pembandingan untuk
( ) 2
y selesai dilakukan
pembandingan untuk
( ) 3
y ,
( ) 4
y dan seterusnya dengan cara analog. J ika
3 2
R B < , rata-rata perlakuan kedua dan keempat tidak berbeda, perpanjang
garis bawah dari
( ) 2
y sampai
( ) 4
y . Langkah ini diulang dengan menghitung
( ) ( ) 5 2 3
B y y = dengan pembanding R
4
, dan seterusnya sehingga
menemukan B
i
> R
p
yang bersesuaian (sampai menemukan rata-rata
perlakuan yang berbeda dengan rata-rata perlakuan terbesar kedua).
2.4 Matriks
Definisi 2.4.1 (Haryatmi, S 1998)
Matriks mxk adalah susunan elemen-elemen yang mempunyai baris dan kolom.
) x (
A
k m
=
(
(
(
(
mk m m
k
k
a a a
a a a
a a a
2 1
2 22 12
1 12 11
atau } { A
) x (
ij
k m
a =
Definisi 2.4.2
Matriks } { A
) x (
ij
k m
a = dan } { B
) x (
ij
k m
b = dikatakan sama, ditulis A = B jika
ij ij
b a = ,
dimana k j m , i ..., 2, 1, dan ..., 2, 1 = =
Definisi 2.4.3
Matriks } { A
) x (
ij
k m
a = dan } { B
) x (
ij
k m
b = , penjumlahan matriks A dan B adalah matriks C,
dengan kata lain C =A+B dimana } { C
) x (
ij
k m
c = .
) x (
A
k m
+
) x (
B
k m
=
(
(
(
(
mk m m
k
k
a a a
a a a
a a a
2 1
2 22 12
1 12 11
+
(
(
(
(
mk m m
k
k
b b b
b b b
b b b
2 1
2 22 12
1 12 11
=
(
(
(
(
mk m m
k
k
c c c
c c c
c c c
2 1
2 22 12
1 12 11
=
) x (
C
k m
Definisi 2.4.4
Matriks } { A
) x (
ij
k m
a = dimana k j m , i ..., 2, 1, dan ..., 2, 1 = = . Transpose dari matriks A,
dinotasikan
T
A . Adalah pertukaran baris dan kolom dengan } { A
) x (
T
ij
k m
a = , dimana
m j k , i ..., 2, 1, dan ..., 2, 1 = = .
Sifat 1
J ika A, B dan C matriks dengan ukuran mxk kemudian c dan d suatu skalar, maka
1. (A +B) +C =A +(B+C)
2. A +B =B +A
3. c (A+B) = cA +cB
4. (c +d) A =cA +dA
5. (A +B)
T
=A
T
+B
T
6. (cd)A =c(dA)
7. (cA)
T
=cA
T
Definisi 2.4.5
Matriks A disebut matriks bujur sangkar jika memiliki banyaknya baris dan kolom yang
sama } { A
) x (
ij
k m
a = dimana m , i ..., 2, 1 = .
) x (
A
k m
=
(
(
(
(
mm m m
k
k
a a a
a a a
a a a
2 1
2 22 12
1 12 11
Definisi 2.4.6
Matriks bujur sangkar A disebut matriks simetris jika
T
A A =
Definisi 2.4.7
Matriks bujur sangkar I disebut matriks identitas jika elemen diagonal utamanya adalah
satu dan nol untuk yang lain.
I =
(
(
(
(
1 0 0
0 1 0
0 0 1
Definisi 2.4.8
J ika matriks } { A
) x (
ij
m m
a = dan } { B
) x (
ij
k m
b = , maka perkalian matriks A dan B adalah
matriks } { C
) x (
ij
k m
c = , maka
pj
n
p
ip ij
b a c
=
=
1
, dimana k j m , i ..., 2, 1, dan ..., 2, 1 = =
Sifat 2
J ika A, B dan C adalah matriks dan c adalah skalar, maka:
1. c(AB) =(cA) B
2. A(BC) =(AB) C
3. A(B+C) =AB +AC
4. (B+C)A =BA +CA
5. (AB)
T
=(BA)
T
Definisi 2.4.9
Rank dari matriks A yang dinotasikan dengan r(A) didefinisikan sebagai jumlah
maksimum baris atau kolom yang bebas linier.
Definisi 2.4.10
Matriks bujur sangkar A dikatakan non singular jika rank matriks sama dengan
banyaknya baris atau kolom.
Definisi 2.4.11
Matriks bujur sangkar B dikatakan invers dari matriks A dinotasikan A
-1
, jika
AB=BA=I dengan I adalah matriks identitas.
Sifat 3
J ika A dan B adalah matriks bujur sangkar, maka:
1. (A
-1
)
1
=(A
1
)
-1
2. (AB)
-1
=B
-1
A
-1
Definisi 2.4.12
Determinan matriks bujur sangkar } { A
) x (
ij
m m
a = , dinotasikan A adalah skalar yang
didefinisikan sebagai:
a. A =
11
a , dimana m =1
b. , ) 1 (
1
1
j
ij
n
j
ij
A a A
+
=
=
untuk m>1
Sifat 4
J ika A dan B matriks bujur sangkar berukuran mxm dan c suatu skalar, maka:
1.
T
A A =
2. B A AB =
3. Untuk matriks non singular A,
A
A
1
1
=
4. A c cA
m
=
Definisi 2.4.13
A disebut matriks diagonal, dinotasikan dengan A jika elemen-elemen selain elemen
diagonal utamanya adalah nol.
A =
(
(
(
(
mm
a
a
a
0 0
0
0 0
0 0
22
11
Definisi 2.4.14 Teras Matriks ( Sartono, dkk 2003)
Teras dari matriks A berukuran n x n didefinisikan sebagai penjumlahan semua akar
cirinya dan dinotasikan A) ( tr , sehingga
n
tr + + = ... A) (
1
Bisa ditunjukkan bahwa
nn
a a a tr + + + = ... A) (
22 11
, jumlah dari unsur-unsur
diagonalnya. Padanan ini merupakan konsep yang sangat berguna pada pengembangan
teori komponen utama.
Sebagai contoh, jika A =
(
(
(
1 2 1
0 3 2
1 4 3
dan B =
(
(
(
2 0 1
2 1 0
1 1 2
Maka A) ( tr =3+3+1 =7 dan B) ( tr =2+1+2 =5
J ika A dan B adalah dua matriks yang berturut-turut berukuran mxn dan nxm maka
A) ( tr = B) ( tr . Pada ilustrasinya sebelumnya,
AB =
(
(
(
7 3 3
8 5 4
13 7 7
dan BA =
(
(
(
3 3 5
2 7 4
3 13 9
Dan AB) ( tr =7+5+7=19=9+7+3 = BA) ( tr
Definisi 2.4.15
Suatu matriks A dikatakan orthogonal jika memiliki sifat A
T
A=I=AA
2.5 Analisis Komponen Utama (Prinsip)
Di dalam statistika terdapat usaha-usaha untuk menyederhanakan struktur data
atau mereduksi dimensi data tanpa mengabaikan variabel-variabel yang telah diukur
tersebut. Salah satu metode statistika tersebut adalah analisis komponen utama
(principal component analysis).
Analisis komponen utama (prinsip) adalah salah satu teknik eksplorasi data yang
digunakan sangat luas ketika menghadapi data multivariat. Analisis komponen utama
merupakan teknik statistik yang dapat digunakan untuk menjelaskan struktur variansi-
kovariansi dari sekumpulan variabel melalui beberapa variabel baru dimana variabel
baru ini saling bebas dan merupakan kombinasi linier dari variabel asal. Selanjutnya
variabel baru ini dinamakan komponen utama (principal component).
2.5.1 Akar Ciri dan Vektor Ciri
Definisi :
J ika A adalah matriks berukuran n x n, maka vektor tak nol x di dalam R
n
dinamakan
vektor ciri dari A jika Ax adalah kelipatan skalar dari x, yaitu:
x x A =
Untuk suatu skalar . Skalar disebut akar ciri dari A dan x dikatakan vektor ciri yang
bersesuaian dengan .
Untuk mencari akar ciri matrik A yang berukuran n x n maka ditulis x A = x sebagai
x x I A = ( ) 0 A - I = x
Dan persamaan di atas akan mempunyai penyelesaian jika ( ) 0 A - I det = (2.5)
Persamaan (2.5) disebut persamaan karakteristik A.
Contoh
Carilah nilai-nilai akar ciri dan vektor ciri dari
(
=
0 1 -
2 3
A
J awab
Persamaan karakteristik
( ) ( )
1 , 2
0 2 3
0 (-2) - 3 - A - I det
1
2 3
0 1
2 3
1 0
0 1
A - I
2 1
2
= =
= + =
= =
(
=
(
J adi nilai-nilai akar ciri dari A adalah 1 dan 2
2 1
= =
Ruang vektor:
(
=
(
0
0
1
2 - 3 -
2
1
x
x
J ika 2 = diperoleh:
(
=
(
0
0
2 1
2 - 1
2
1
x
x
0 2
0 2
2 1
2 1
= +
=
x x
x x
dengan eliminasi diperoleh s x s x = =
2 1
, 2
J adi vektor-vektor ciri dari A yang bersesuaian dengan adalah vektor-vektor tak nol
yang berbentuk
(
=
(
=
1
2
2
s
s
s
x
J adi basisnya adalah
(
1
2
untuk 2 =
2.5.2 Menentukan Komponen Utama
Dipunyai matriks kovarian dari p buah variabel
p
x x x ,..., ,
2 1
. Total varian dari
variabel-variabel tersebut didefinisikan sebagai tr () = trace() yaitu penjumlahan
dari unsur diagonal matriks . Komponen utama pertama dari vektor berukuran p x 1,
( )
T
p
x x x x ,..., ,
2 1
= adalah kombinasi linear :
p p
x a x a x a x a y
1 2 12 1 11 1 1
...+ + + = =
dimana :
( )
T
p
x a a a
1 12 11 1
,..., , = dan 1
1
= a a
T
Varian dari komponen pertama adalah :
ij j
p
i
p
j
i
T
y
a a a a a
1
1 1
1 1 1
2
1
= =
= = o (2.6)
vektor
1
a dipilih sedemikian sehingga
2
1 y
o mencapai maksimum dengan kendala
1
1
= a a
T
. Menggunakan teknik pemaksimuman berkendala lagrange diperoleh
persamaan :
( ) ( ) ( ) 1 1 ,
1 1 1 1 1 1
2
1 1
= =
a a a a a a a f
T T T
y
o (2.7)
J ika persamaan (2.7) diturunkan terhadap vektor
1
a dan disamadengankan nol diperoleh
:
( )
1 1 1 1
1
1
atau 0 2 2
,
a a a a
da
a df
= = =
(2.8)
Persamaan (2.8) dipenuhi oleh
1
dan a yang merupakan pasangan akar ciri dan vektor
ciri matriks . Akibatnya = = =
1 1 1 1 1 1
a a a a a a
T T T
. Oleh karena itu varian
o = = =
1 1
2
1 1
a a y
T
y
harus maksimum, maka adalah akar ciri yang terbesar dari
matriks dan
1
a adalah vektor ciri yang bersesuaian dengannya.
Komponen utama kedua adalah kombinasi linear dari x a
2
adalah
p p
x a x a x a x a y
2 2 22 1 21 2 2
...+ + + = = , dimana ( )
T
p
x a a a
2 22 21 2
,..., , = dan 1
2 2
= a a
T
dipilih sedemikian sehingga x a y
2 2
= tidak berkorelasi dengan x a y
1 1
= . Varian
2
y
adalah
=
2 2
2
2
a a
T
y
o ( 2.9)
Varian tersebut akan dimaksimumkan dengan kendala 1
2 2
= a a
T
dan cov ( )
2 1
, y y =cov
( ) 0 ,
2 1 2 1
= =
a a a x a
T
x
. Karena
1
a adalah vektor ciri dari dan adalah matriks
simetrik, maka
( ) ( )
T T
T
T T T
a a a a a
1 1 1 1 1
= = = =
.
Kendala 0
2 1 2 1
= =
a a a a
T T
dapat dituliskan sebagai 0
2 1
= a a
T
. J adi fungsi Lagrange
yang dimaksimumkan adalah
( ) ( ) ( ) 0 1 , ,
2 1 2 2 2 1 2 2 2 1 2
=
a a a a a a a f
T T T
(2.10)
fungsi Lagrange yang dimaksimumkan diturunkan terhadap vektor
2
a diperoleh
( )
0 2 2
, ,
1 2 1 1 2
2
2 1 2
= =
a a a
da
a df
(2.11)
J ika persamaan (2.11) dikalikan dengan
T
a
1
maka diperoleh
( )
0 0 2
0 2 2
0 2 2
0 2 2
2 2 1
1 1 2 2 1 1 2 1
1 1 1 1 2 2 1 1 2 1
1 1 2 2 1 1 2 1
=
=
= =
=
a a
a a a a a a
a a karena a a a a a a
a a a a a a
T
T T T
T T T
T T T
Oleh karena 0 2
2 1
=
a a
T
maka 0
2
= . Dengan demikian persamaan (2.11) setelah
diturunkan terhadap
2
a menjadi
( )
0
0 2 2
, ,
2 1 2
1 1 2
2
2 1 2
=
= =
a a
a a
da
a df
(2.12)
J adi
2 1
dan a merupakan pasangan akar ciri dan vektor ciri dari matriks varian-
kovarian . Seperti halnya penurunan pada pencarian
1
a , akan diperoleh bahwa
2
a
adalah vektor ciri yang bersesuaian dengan akar ciri terbesar kedua dari matriks .
Logika yang sama digunakan untuk mendapatkan komponen utama yang lain.
2.5.3 Kriteria Pemilihan Komponen Utama
Salah satu tujuan dari analisis komponen utama adalah mereduksi dimensi data
asal yang semula, terdapat p variabel bebas menjadi k komponen utama (dimana k<p ).
Kriteria pemilihan k adalah proporsi kumulatif keragaman data asal yang dijelaskan
oleh k komponen utama minimal 80% dan proporsi total variansi populasi bernilai
cukup besar .
2.5.4 Kontribusi Komponen Utama
Dipunyai 0 ...
2 1
> > >
p
adalah akar ciri yang bersesuaian dengan vektor
ciri
p
a a a ,..., ,
2 1
dari matrik dan panjang dari setiap vektor tersebut masing-masing
adalah 1 atau . ,... 2 , 1 untuk 1 p i a a
i
T
i
= =
Persamaan komponen utama pertama, kedua, , ke - p dari x berturut-turut adalah :
x a y x a y x a y
T
p p
T T
= = = ..., ; ;
2 2 1 1
(2.13)
Akar ciri dari matriks varian-kovarian adalah varian dari komponen-komponen utama
atau dapat juga dinyatakan dengan persamaan :
( ) ( ) ( )
p
= = =
p 2 2 1 1
y var ;...; y var ; y var
Total varian ditunjukkan oleh tr (), sehingga total varian sama dengan jumlah dari
seluruh akar ciri yaitu
=
= + + +
p
i
i p
1
2 1
... (2.14)
J adi kontribusi (dalam persentase) masing-masing komponen utama ke-j terhadap total
varian x adalah :
% 100
1
x
p
i
i
i
(2.15)
Tidak terdapat patokan baku untuk menentukan batas minimum banyaknya komponen
utama, salah satunya adalah menggunakan kumulatif persentase varian total yang
mampu dijelaskan.
2.5.5 Penguraian Nilai Singular / Singular Value Decomposition (SVD)
Singular Value Decomposition (SVD) bertujuan menguraikan suatu matriks X
berukuran mxn yang merupakan matriks data peubah ganda yang terkoreksi terhadap
rataannya dimana m adalah banyaknya objek pengamatan dan n adalah banyaknya
peubah bebasnya, menjadi 3 buah matriks yang salah satunya merupakan matriks nilai
singular matrik Z.
SVD merupakan proses penguraian suatu matriks menjadi 3 buah matriks yang
salah satunya adalah matriks nilai singular matriks asal.
Misalkan ada suatu matriks asal Z berukuran nxp yang sudah terkoreksi terhadap
rataannya dimana m adalah banyaknya objek pengamatan dan n adalah banyaknya
peubah bebasnya, maka penerapan konsep SVD terhadap matriks Z adalah:
p r r r r n p n
A L U Z
= (2.16)
dengan: U
T
U A
T
A =I
r
, I
r
adalah matriks identitas berdimensi r.
L adalah matriks diagonal berukuran r x r dengan unsur-unsur diagonalnya
adalah akar kuadrat dari akar ciri Z Z
T
atau
T
ZZ dimana,
r
> > > ...
2 1
.
Unsur-unsur diagonal matriks L ini disebut nilai singular dari matriks Z.
Kolom matriks A adalah vektor ciri dari matriks Z Z
T
atau
T
ZZ yang
berpadanan dengan .
r adalah rank dari Z.
Sedangkan lajur-lajur matriks U dapat dihitung melalui persamaan :
i
i
xa U
1
=
i
adalah akar ciri ke-I dari matriks Z Z
T
dan
i
a adalah lajur ke-I matriks A
2.6 Analisis Biplot
Analisis biplot merupakan teknik statistik deskriptif dimensi ganda yang dapat
disajikan secara visual dengan menyajikannya secara simultan segugus objek
pengamatan dan peubah dalam suatu grafik pada suatu bidang datar sehingga ciri-ciri
peubah dan objek pengamatan serta posisi relatif antara objek dan pengamatan dengan
peubah dapat dianalisis. J adi dengan biplot dapat ditunjukkan hubungan antar peubah,
kemiripan relatif antar objek pengamatan, serta posisi relatif antara objek pengamatan
dengan peubah (J ollife, 1986 & Rawlings, 1988).
Dari tampilan biplot ada beberapa informasi yang dapat diperoleh yaitu:
1. Kedekatan antar objek, informasi ini bisa dijadikan panduan objek mana yang
memiliki kemiripan karakteristik dengan objek tertentu. Dua objek dengan
karakteristik sama akan digambarkan sebagai dua titik yang posisinya
berdekatan.
2. Keragaman peubah, informasi ini digunakan untuk melihat apakah ada peubah
tertentu yang nilainya hampir sama semuanya untuk setiap objek, atau
sebaliknya bahwa nilai dari setiap objek ada yang sangat besar dan ada juga
yang sangat kecil. Dengan adanya informasi ini, bisa diperkirakan pada peubah
mana strategi tertentu harus ditingkatkan, serta sebaliknya. Dalam Biplot,
peubah dengan keragaman kecil digambarkan sebagai vektor yang pendek
sedangkan peubah yang ragamnya besar digambarkan sebagai vektor yang
panjang.
3. Hubungan (korelasi antar peubah), informasi ini bisa digunakan untuk menilai
bagaimana peubah yang satu mem(di)pengaruhi peubah yang lain. Dengan
menggunakan biplot, peubah akan digambarkan sebagai garis berarah. Dua
peubah yang memiliki korelasi positif tinggi akan digambarkan sebagai dua
buah garis dengan arah yang sama, atau membentuk sudut sempit. Sementara
itu, dua peubah yang memiliki korelasi negatif tinggi akan digambarkan dalam
bentuk dua garis dengan arah yang berlawanan, atau membentuk sudut lebar
(tumpul). Sedangkan dua peubah yang tidak berkorelasi akan digambarkan
dalam bentuk dua garis dengan sudut mendekati 90
0
(siku-siku).
4. Nilai peubah pada suatu objek, informasi ini digunakan untuk melihat
keunggulan dari setiap objek. Objek yang terletak searah dengan arah dari suatu
peubah, dikatakan bahwa pada objek tersebut nilainya di atas rata-rata.
Sebaliknya, jika objek lain terletak berlawanan dengan arah dari peubah
tersebut, maka objek tersebut memiliki nilai di bawah rata-rata. Sedangkan
objek yang hampir ada tengah-tengah, memiliki nilai dekat dengan rata-rata.
Perlu dipahami sebelumnya bahwa biplot adalah upaya membuat gambar di
ruang berdimensi banyak menjadi gambar di ruang dimensi dua. Pereduksian dimensi
ini harus dibayar dengan menurunnya besarnya informasi yang terkandung dalam
biplot. Biplot yang mampu memberikan informasi sebesar 70% dari seluruh informasi
dianggap cukup.
BAB III
ANALISIS FAKTORIAL DUA FAKTOR DENGAN METODE
ADDITIVE MAIN EFFECT MULTIPLICATIVE INTERACTION (AMMI)
3.1 Metode AMMI (Additive Main Effect Multiplicative Interaction)
Analisis AMMI adalah suatu teknik analisis data percobaan dua faktor perlakuan
dengan pengaruh utama perlakuan bersifat aditif sedangkan pengaruh interaksi
dimodelkan dengan model bilinier. Model AMMI merepresentasikan observasi ke
dalam komponen sistematik yang terdiri dari pengaruh utama (main effect) dan
pengaruh interaksi melalui suku-suku multiplikatif (multiplicative interactions),
disamping komponen acak sisaan atau galat.
Pada dasarnya analisis AMMI menggabungkan analisis ragam aditif bagi
pengaruh utama perlakuan dengan analisis komponen utama ganda dengan pemodelan
bilinier bagi pengaruh interaksi yang memanfaatkan penguraian nilai singular (SVD)
pada matriks interaksi.
3.1.1 Penguraian Bilinier Pengaruh Interaksi
Langkah-langkah pemodelan bilinier bagi pengaruh interaksi faktor A dengan
faktor B ) (
ge
pada analisis ini adalah sebagai berikut:
Langkah pertama menyusun pengaruh interaksi dalam bentuk matriks dimana
faktor A ( baris ) x faktor B ( kolom ), sehingga matriks ini berorde a x b.
(
(
(
=
ab
1
1
11
....
...
... ...
...
b
a
Langkah selanjutnya dilakukan penguraian bilinier terhadap matriks pengaruh
interaksi faktor A dengan faktor B.
( )
( )
ge en gn n e e g
ge er gr
n
r
r ge
o| | | |
o| |
+ + + + =
+ =
=
....
2 2 2 1 1 1
1
3.1.2 Model Linier Metode AMMI
Model linier untuk rancangan faktorial dua faktor dengan dasar metode AMMI
adalah sebagai berikut :
( )
( )
ger ge en gn n e g e g e g
ger ge er gr
n
r
e g ger
Y
c o| | o
c o| | o
+ + + + + + + =
+ + + + + =
=
....
2 2 2 1 1 1
1
r
keterangan: g =1, 2, ..., a; e =1, 2, ..., b; r =1, 2, ..., n
ger
Y = nilai pengamatan dari ulangan ke-r, taraf ke-g dari faktor
A, dan taraf ke-e dari faktor B
) , , (
e g
| o = komponen aditif dari pengaruh utama faktor A dan faktor
B parameter
n
= nilai singular untuk komponen bilinier ke-n
gn
= pengaruh ganda faktor A ke-g melalui komponen bilinier
ke-n
en
= pengaruh ganda faktor B ke-e melalui komponen bilinier
ke-n, dengan kendala:
(1).
= =
= =
b
e
en
a
g
gn
1
2
1
2
1 , untuk n=1, 2, ..., m; dan
(2).
= =
= =
b
e
en en
a
g
gn gn
1
'
1
'
0 , untuk ( )
ge
n n o| ;
'
= ; simpangan dari pemodelan
bilinier (Crossa 1990 diacu dalam Mattjik, A dan Sumertajaya, I 2000).
3.1.3 Perhitungan Jumlah Kuadrat
Pada pemodelan AMMI, pengaruh aditif faktor A dan faktor B serta jumlah
kuadrat dan kuadrat tengahnya dihitung sebagaimana umumnya pada analisis ragam,
tetapi berdasarkan rata-rata per faktor A x faktor B.
Pengaruh ganda faktor A dan faktor B pada interaksi diduga
dengan ...
. . ..
y y y y z
e g ge ge
+ =
Sehingga jumlah kuadrat interaksi dapat diturunkan sebagai berikut :
( )
2
. . ..
,
2
... ) (
+ = = y y y y r z r AB JK
e g ge
e g
ge
=r teras ( zz
T
)
Berdasarkan teorema aljabar matriks bahwa teras dari suatu matriks sama dengan
jumlah seluruh akar ciri matriks tersebut tr( )
=
i
i n n
A , maka jumlah kuadrat untuk
pengaruh interaksi komponen ke-n adalah akar ciri ke-n pada pemodelan bilinier
tersebut ( )
n
.
J ika analisis ragam dilakukan terhadap data rataan per faktor A x faktor B, maka jumlah
kuadrat komponen utama interaksi ke-n adalah akar ciri ke-n pada pemodelan bilinier
tersebut ( )
n
. J ika analisis ragam dilakukan terhadap data sebenarnya maka jumlah
kuadrat komponen utama interaksi ke-n adalah banyaknya ulangan r kali akar ciri ke-n,
dirumuskan :
J K KU
-n
=( )
n
r
Tabel 3.1. Struktur Analisis Ragam Untuk Model AMMI
Sumber Keragaman Derajat Bebas Jumlah Kuadrat Kuadrat Tengah
Faktor A a-1 J KA KTA
Faktor B b-1 J KB KTB
Faktor A * B (a-1)(b-1) J K(A*B) KT(A*B)
IKU1 a+b -1 - 2(1) J KKU1-1 KTKU1
IKU2 a+b -1 - 2(2) J KKU1-2 KTKU2
IKU-n a+b -1 - 2(n) J KKU1-n KTKUn
Simpangan (a-2)(b-2) J KS KTS
Galat b(a-1)(n-1) J KG KTG
Total abn-1 J KT
3.1.4 Penguraian Derajat Kebebasan
Derajat bebas untuk setiap komponen tersebut adalah a+b-1-2n. Besaran derajat
bebas ini diturunkan berdasarkan jumlah parameter yang diduga dikurangi dengan
jumlah kendala. Banyaknya parameter yang diduga adalah a+b-1 sedangkan banyak
kendala untuk komponen ke-n adalah 2n.
3.1.5 Penguraian Nilai Singular (SVD = Singular Value Decomposition)
Penguraian nilai singular untuk matriks pengaruh interaksi Z sebagaimana
dikemukakan oleh Greenacre (1984) adalah memodelkan matriks tersebut sebagai
berikut:
T
A L U Z=
dengan:
Z : matriks data terpusat berukuran n x p
L : matriks diagonal akar dari akar positif (D ) (
n
) bukan nol dari Z Z
T
berukuran mxm, selanjutnya disebut nilai singular
A : matriks ortonormal dengan kolom-kolom matriks A={a
1
,a
2
,,a
n
} adalah
vektor-vektor ciri Z Z
T
U : matriks ortonormal yang diperoleh dari perkalian matriks-matriks
n
n 2 2 1 1
-1
Za ,..., / Za , / {Za ZAL U = =
3.1.6 Nilai Komponen AMMI
Secara umum nilai komponen ke-n untuk faktor A ke-g adalah
gn
k
ln
sedangkan nilai komponen untuk faktor B ke-e adalah
en
k
1
ln . Dengan
mendefinisikan L ) 1 0 ( s s k
k
sebagai matriks diagonal yang elemen-elemen
diagonalnya adalah elemen-elemen matriks L dipangkatkan k demikian juga dengan
matriks L
k 1
, dan G=UL
k
serta H=AL
k 1
maka penguraian nilai singular tersebut dapat
ditulis:
T
GH Z=
dengan demikian skor komponen untuk faktor A adalah kolom-kolom matriks G
sedangkan skor komponen untuk faktor B adalah kolom-kolom matriks H. Nilai k yang
digunakan pada analisis AMMI adalah .
3.1.7 Penentuan Banyaknya Komponen AMMI
J ika beberapa kolom pertama matriks G dan H telah dapat menghasilkan
penduga Z dengan baik maka banyak kolom matriks G dan H dapat dikurangi.
Gauch (1988) dan Crossa (1990) mengemukakan dua metode penentuan
banyaknya sumbu komponen utama yang sudah cukup untuk penduga, yaitu Postdictive
Success dan Predictive Success.
- Postdictive success berhubungan dengan kemampuan suatu model yang tereduksi
untuk menduga data yang digunakan dalam membangun model tersebut. Salah
satu penentuan banyaknya komponen berdasarkan Postdictive success adalah
berdasarkan banyaknya sumbu tersebut yang nyata pada uji F analisis ragam.
Metode ini diusulkan oleh Gollob (1968) dan pada masa berikutnya
direkomendasikan oleh Gauch (1988) diacu dalam Mattjik, A dan Sumertajaya, I
(2000).
- Predictive success berhubungan dengan kemampuan suatu model dugaan untuk
memprediksi data lain yang sejenis tetapi tidak digunakan dalam membangun
model tersebut (data validasi). Penentuan banyak sumbu komponen utama
berdasarkan predictive success ini dilakukan dengan validasi silang, yaitu
membagi data menjadi dua kelompok, satu kelompok untuk membangun model
dan kelompok lain digunakan untuk validasi (menentukan jumlah kuadrat sisaan).
Hal ini dilakukan berulang-ulang, pada setiap ulangan dibangun model dengan
berbagai sumbu komponen utama.
Banyaknya komponen utama yang terbaik adalah yang rataan akar kuadrat tengah
sisa (RMSPD=Root Mean Square Predictive Different) dari data validasi paling
kecil.
RMSPD =
( )
b a
y y
a
g
b
e
ge ge
.
1 1
2
. .
= =
,
en gn n e g ge
y | | o
+ + + =
dengan:
.
ge
y : nilai dugaan dari model
. ge
y : nilai pengamatan untuk validasi model
g : banyaknya taraf faktor A
e : banyaknya taraf faktor B
3.1.8 Manfaat Analisis AMMI
Ada tiga manfaat utama penggunaan analisis AMMI yaitu
1. Analisis AMMI dapat digunakan sebagai analisis pendahuluan untuk
mencari model yang lebih tepat. J ika tidak ada satupun komponen yang
nyata maka pemodelan cukup dengan pengaruh aditif saja. Sebaliknya
jika hanya pengaruh ganda saja yang nyata maka pemodelan sepenuhnya
ganda, berarti analisis yang tepat adalah analisis komponen utama saja.
Sedangkan jika semua komponen interaksi nyata berarti pengaruh
interaksi benar-benar sangat kompleks, tidak memungkinkan
dilakukannya pereduksian tanpa kehilangan informasi penting (Gauch,
1985).
2. Untuk menjelaskan interaksi faktor A dan faktor B AMMI dengan
biplotnya meringkas pola hubungan antar faktor A, antar faktor B dan
antara faktor A dan faktor B (Crossa, 1990).
3. Meningkatkan keakuratan dugaan respon interaksi faktor A x faktor B.
Hal ini terlaksana jika hanya sedikit komponen AMMI saja yang nyata
dan tidak mencakup seluruh jumlah kuadrat interaksi. Dengan sedikitnya
komponen yang nyata sama artinya dengan menyatakan bahwa jumlah
kuadrat sisanya hanya galat (noise) saja. Dengan menghilangkan galat ini
berarti lebih memperakurat dugaan respon dari interaksi faktor A x faktor
B (Crossa, 1990).
3.1.9 Aplikasi Rancangan Faktorial 2 Faktor RAL Model AMMI
Hasil gabah dari pengujian tanam langsung padi dengan rancangan acak
lengkap, empat metode perlakuan pengendalian gulma, empat lahan dan tiga
ulangan perlahan.
Tabel 3.2. Data
Perlakuan Lahan
Ulangan
1
Ulangan
2
Ul angan
3
T1
1
5.5 4.8 5.3
T2 1.6 2.5 1.2
T3 2.2 2.1 2.4
T4 5.7 5.2 4.9
T1
2
5.6 5.8 6
T2 6.8 3.1 4.4
T3 5.7 5.7 5.1
T4 5.4 4.8 4
T1
3
1.8 2.4 3.1
T2 3.3 3.7 2.9
T3 2.1 3 2.4
T4 2.9 1.1 4
T1
4
5.1 5.4 5.6
T2 3.7 4.6 5
T3 3.6 4.2 4.5
T4 5.1 4.7 5.2
Tabel 3.3. Total Interaksi Lahan dan Perlakuan
Lahan
Perlakuan
T1 T2 T3 T4 Total
1 15.6 5.3 6.7 15.8 43.4
2 17.4 14.3 16.5 14.2 62.4
3 7.3 9.9 7.5 8 32.7
4 16.1 13.3 12.3 15 56.7
Total 56.4 42.8 43 53 188.2
3.1.9.1 Uji Normalitas, Homogenitas dan Independensi Varian
Sebelum dianalisis akan diuji terlebih dahulu kenormalan, homogenitas dan
independensi varian galat dengan menggunakan software Minitab 13.
- Uji Normalitas Galat Percobaan
Hipotesa :
H
0
: Residual berdistribusi normal
H
1
: Residual tidak berdistribusi normal
Statistik uji :
Dari output diperoleh DN =0.111 dengan p-value >0.144
Keputusan :
Diambil 05 . 0 = o , tolak H
0
jika p-value <o . Dari hasil Minitab 13 diperoleh p-
value >o , maka H
0
diterima sehingga residual berdistribusi normal
- Uji Homogenitas Varian dari Galat
Hipotesa :
H
0
: Varian dari galat homogen
H
1
: Varian dari galat tidak homogen
Statistik uji :
Dari output diperoleh nilai Barlets : 24.928 dengan p-value : 0.051.
Keputusan :
Diambil 05 . 0 = o , tolak H
0
jika p-value <o . Dari hasil Minitab 13 diperoleh p-
value >o , maka H
0
diterima sehingga varian dari galat homogen.
- Independensi
Berdasarkan plot pada lampiran 1, dapat diketahui bahwa asumsi independensi
residual telah dipenuhi karena pencaran titik-titik dalam plot tidak membentuk
suatu pola tertentu atau acak.
Karena semua asumsi dipenuhi maka tidak terdapat ketidakcocokan model atau
model sesuai dengan data. Selanjutnya dapat dilakukan analisis terhadap data.
3.1.9.2 Pembentukan Tabel ANOVA
8133 . 793
3 . 4 . 4
2 . 195
2 2
...
= = =
abn
Y
FK
567 . 100 8133 . 793 34 . 894
8133 . 793 ) 2 . 5 ... 3 . 5 8 . 4 5 . 5 (
2 2 2 2
2
...
, ,
, ,
2
= =
+ + + + = =
abn
Y
Y JKT
n b a
r e g
ger
( )
6450 . 44 8133 . 793 - 458 . 838
8133 . 793 7 . 56 7 . 32 4 . 62 4 . 43
3 . 4
1
.
) (
2 2 2
2
...
1
2
..
= =
+ + + = =
=
abn
Y
n b
Y
Perlakuan JK
a
g
g
( )
( )
8817 . 14
3
6450 . 44
1
) ( = =
=
a
Perlakuan JK
Perlakuan KT
( ) ( )
0867 . 12 8133 . 793
12
9670.8
53 43 8 . 42 4 . 56
3 . 4
1
.
2 2 2 2
2
...
1
2
. .
= =
+ + + = =
=
abn
Y
n a
Y
Lahan JK
b
g
e
( )
( )
( )
0289 . 4
3
0867 . 12
1
= =
=
b
Lahan JK
Lahan KT
( ) ( ) ( )
( )
4750 . 26 12.0867 - 44.6450 - 8133 . 793 - 02 . 7 7 8
0867 . 12 8817 . 14 8133 . 793 15 ... 7 . 6 3 . 5 6 . 15
3
1
*
2 2 2 2
2
...
,
2
.
= =
+ + + + =
=
Lahan JK Perlakuan JK
abn
Y
n
Y
Lahan Perlakuan JK
e g
ge
( )
( )
( )( )
9417 . 2
9
4750 . 26
1 1
*
* = =
=
b a
lahan Perlakuan JK
Lahan Perlakuan KT
( ) ( ) ( )
32 . 7 1
26.4750 - 12.0867 - 44.6450 - 100.567
*
=
=
= Lahan Perlakuan JK Lahan JK Perlakuan JK JKT JKG
( ) ( )
5413 . 0
32
32 . 17
1
= =
=
n ab
JKG
KTG
Dari hasil penghitungan jumlah kuadrat diatas dapat dibentuk tabel ANOVA sebagai
berikut :
Tabel 3.4. Analisis Ragam RAL
Sumber
Keragaman DB JK KT Fhit Ftabel
Perlakuan 3 44.6450 14.8817 27.49 2.84
Lahan 3 12.0867 4.0289 7.44 2.84
Perlakuan*Lahan 9 26.4750 2.9417 5.43 2.12
Galat 32 17.32 0.5413
Total 47 100.567
3.1.9.3 Hipotesis
Dari tabel analisis varian dapat digunakan untuk menguji variabilitas pada galat
dengan hipotesa :
1. Uji faktor perlakuan
0 :
4 3 2 1 0
= = = = o o o o H
:
1
H Paling sedikit ada satu g sehingga 0 =
g
o
Statistik Uji :
49 . 27
0.5413
14.8817 ) (
0
= = =
KTG
Perlakuan KT
F
84 . 2
) 05 . 0 ( 32 ; 3
= F
Keputusan :
Diambil 05 . 0 = o , tolak H
0
jika
) 05 . 0 ( 32 ; 3 0
F F > atau p-value <o . Dari lampiran
diperoleh
0
F =27.49 apabila dibandingkan dengan
) 05 . 0 ( 32 ; 3
F maka
) 05 . 0 ( 32 ; 3 0
F F >
sedangkan pada output diperoleh p value 0.00 <o maka H
0
ditolak sehingga
ada pengaruh perlakuan terhadap respon.
2. Uji faktor lahan
0 :
4 3 2 1 0
= = = = | | | | H
:
1
H Paling sedikit ada satu e sehingga 0 =
e
|
Statistik uji :
44 . 7
0.5413
4.0289 ) (
0
= = =
KTG
Lahan KT
F
84 . 2
) 05 . 0 ( 32 ; 3
= F
Keputusan :
Diambil 05 . 0 = o , tolak H
0
jika
) 05 . 0 ( 32 ; 3 0
F F > atau p-value <o . Dari lampiran
diperoleh F
0
=7.44 apabila dibandingkan dengan
) 05 . 0 ( 32 ; 3
F maka
) 05 . 0 ( 32 ; 3 0
F F >
sedangkan pada output diperoleh p value 0.00 <o maka H
0
ditolak sehingga
ada pengaruh lahan terhadap respon.
3. Uji interaksi faktor perlakuan dan lahan
( ) ( ) ( ) ( ) 0 :
44 33 22 11 0
= = = = o| o| o| o| H
:
1
H Paling sedikit ada satu ge sehingga ( ) 0 =
ge
o|
Statistik uji :
43 . 5
0.5413
2.9417 ) * (
0
= = =
KTG
Lahan Perlakuan KT
F
12 . 2
) 05 . 0 ( 32 ; 9
= F
Keputusan :
Diambil 05 . 0 = o , tolak H
0
jika
) 05 . 0 ( 32 ; 9 0
F F > atau p-value <o . F
0
=5.43
apabila dibandingkan dengan 12 . 2
) 05 . 0 ( 32 , 9
= F maka
) 05 . 0 ( 32 ; 9 0
F F > dan p-value <
0.05 sehingga H
0
ditolak artinya ada pengaruh interaksi faktor perlakuan dan
jenis terhadap respon.
3.2 Analisis AMMI
Dari tabel analisis ragam RAL dapat dilihat pada table 3.4 terlihat bahwa semua
pengaruh utama (perlakuan dan lahan) dan pengaruh interaksi berpengaruh nyata 5%.
Hal ini menunjukkan bahwa hasil gabah dari pengujian tanam langsung padi
dipengaruhi oleh faktor perlakuan dan lahan.
Selain itu, perlakuan tertentu akan membedakan respon yang positif pada lahan tertentu,
tetapi tidak demikian halnya jika digunakan pada lahan yang lain. Karena itulah perlu
dilakukan analisis AMMI untuk mengidentifikasi lahan yang berinteraksi positif pada
perlakuan tertentu. Penguraian nilai singular terhadap matrik dengan pengaruh interaksi
menghasilkan empat nilai singular tidak nol, yaitu 2.7862804, 1.0047791, 0.2281678
dan 6.303X10
-17
. Dari nilai singular tersebut terlihat bahwa banyaknya komponen
utama (KU) yang dapat dipertimbangkan untuk model AMMI adalah komponen ke-1
sampai komponen ke-4. Kontribusi keragaman pengaruh interaksi yang mampu
diterangkan oleh masing-masing komponen adalah 87.97%, 11.44%, 0.58% dan
4.50x10
-32
%. Berdasarkan nilai kontribusi keragaman tersebut terlihat bahwa komponen
pertama memiliki peranan yang dominan dalam menerangkan keragaman pengaruh
interaksi.
Kontribusi tiap komponen utama dihitung dengan rumus :
% 100
1
x
p
i
i
i
.
825000051 . 8 9727809 . 3 052060544 . 0 00958104 . 1 763358467 . 7
33 -
4
1
= + + + =
= i
i
.
Kontribusi tiap komponen utama (KU) adalah :
9700671 . 87 % 100 x
825000051 . 8
763358467 . 7
% 100 KU
1
1
= = =
=
x
p
i
i
i
4400117 . 11 % 100 x
825000051 . 8
00958104 . 1
% 100 KU
1
2
= = =
=
x
p
i
i
i
5899212 . 0 % 100 x
825000051 . 8
052060544 . 0
% 100 KU
1
3
= = =
=
x
p
i
i
i
0450173 . 0 % 100 x
825000051 . 8
9727809 . 3
% 100 KU
-33
1
4
= = =
=
x
p
i
i
i
Tabel 3.5. Kontribusi Keragaman Komponen Utama
KU Ni lai Singular Akar Ciri Proporsi Kumul atif
1 2.7862804 7.763358467 0.879700671 0.879700671
2 1.0047791 1.009581040 0.114400117 0.994100788
3 0.2281678 0.052060544 0.005899212 1.000000000
4 6.303X10
-17
3.9727809X10
-33
4.50173X10
-34
1.000000000
Tabel 3.6. Tabel Analisis Ragam untuk Model AMMI
Sumber
Keragaman DB JK KT Fhit
Ftabel
Perlakuan 3 44.6450 14.8817 27.49
2.84
Lahan 3 12.0867 4.0289 7.44
2.84
Perlakuan*Lahan 9 26.4750 2.9417 5.43
2.12
IKU1 5 7.76336 1.5527 2.87
2.45
IKU2 3 1.00958 0.3365 0.62
2.84
Galat 32 17.32 0.5413
Total 47
100.567
Melalui uji signifikansi diperoleh bahwa interaksi komponen utama pertama pada taraf
0.05, yaitu dengan nilai F sebesar 2.87 dibandingkan dengan F tabel diperoleh hasilnya
signifikan. Sedangkan interaksi komponen utama kedua pada taraf 0.05, yaitu dengan
nilai F sebesar 0.62 dibandingkan dengan F tabel diperoleh hasilnya tidak signifikan
maka diperoleh AMMI 1.
Tabel 3.7. Tabel Analisis Ragam untuk Model AMMI 1
Sumber
Keragaman
Derajat
Bebas JK KT Fhi t
Ftabel
Perlakuan 3 44.6450 14.8817 27.49
2.84
Lahan 3 12.0867 4.0289 7.44
2.84
Perlakuan*Lahan 9 26.4750 2.9417 5.43
2.12
IKU1 5 7.76336 1.5527 2.87
2.45
Simpangan 4 18.7116 4.6779 8.64
Galat 32 17.32 0.5413
Total 47 100.567
3.2.1 Penguraian Nilai Singular
Penguraian nilai singular untuk matriks pengaruh interaksi Z adalah dengan
memodelkan matriks tersebut sebagai berikut :
Z = U L A
T
dengan:
Z adalah matriks interaksi n x p.
(
(
(
(
=
2208 . 0 5542 . 0 9625 . 0 1542 . 1
2875 . 0 1125 . 0 6375 . 0 0458 . 1
0625 . 0 9292 . 0 0792 . 0 4958 . 1
1375 . 0 0708 . 1 1792 . 0 8042 . 0
Z
L adalah matriks diagonal akar dari akar ciri positif (D ) (
n
) atau nilai singular
berukuran mxm, seperti pada tabel 3.5.
(
(
(
(
=
17 303 . 6 0 0 0
0 0.2281678 0 0
0 0 1.0047791 0
0 0 0 2.7862804
L
E
L
-1
adalah invers matriks L
016 + 1.0e x
1.5865 0 0 0
0 0.0000 0 0
0 0 0.0000 0
0 0 0 0.0000
L
1
(
(
(
(
A adalah matriks ortonormal dengan kolom-kolom matriks A={a
1
,a
2
,,a
n
} adalah
vektor-vektor ciri Z
T
Z
(
(
(
(
=
5000 . 0 8537 . 0 0.1406 - 0.0381 -
5000 . 0 4106 . 0 0.5808 - 0.4941 -
5000 . 0 1742 . 0 0.7982 0.2874 -
5000 . 0 0.2689 - 0.0767 - 0.8196
A
(
(
(
(
=
0.5000 - 0.5000 - 0.5000 - 0.5000 -
0.8537 0.4106 - 0.1742 - 0.2689 -
0.1406 - 0.5808 - 0.7982 0.0767 -
0.0381 - 0.4941 - 0.2874 - 0.8196
A
T
U adalah matriks ortonormal yang diperoleh dari perkalian matriks-matriks
n
n 2 2 1 1
-1
Za ,..., / Za , / {Za ZAL U = =
016 + 1.0e x
1.5865 0 0 0
0 0.0000 0 0
0 0 0.0000 0
0 0 0 0.0000
5000 . 0 8537 . 0 0.1406 - 0.0381 -
5000 . 0 4106 . 0 0.5808 - 0.4941 -
5000 . 0 1742 . 0 0.7982 0.2874 -
5000 . 0 0.2689 - 0.0767 - 0.8196
2208 . 0 5542 . 0 9625 . 0 1542 . 1
2875 . 0 1125 . 0 6375 . 0 0458 . 1
0625 . 0 9292 . 0 0792 . 0 4958 . 1
1375 . 0 0708 . 1 1792 . 0 8042 . 0
U
(
(
(
(
(
(
(
(
(
(
(
(
=
=
(
(
(
(
(
(
(
(
=
0000000 . 0 0 0 0
0 0.4776691 0 0
0 0 1.0023867 0
0 0 0 1.6692155
0.5000 0.4547 - 0.5015 - 0.5401
0.5000 0.5320 - 0.5615 0.3894 -
0.5000 0.3854 0.4944 - 0.5975 -
0.5000 0.6013 0.4344 0.4468
G
0.0000 0.2172 - 0.5027 - 0.9015
0.0000 0.2541 - 0.5628 0.6500 -
0.0000 0.1841 0.4956 - 0.9973 -
0.0000 0.2872 0.4355 0.7458
(
(
(
(
=
sedangkan matriks H=AL
1-k
0000000 . 0 0 0 0
0 0.4776691 0 0
0 0 1.0023867 0
0 0 0 1.6692155
5000 . 0 8537 . 0 0.1406 - 0.0381 -
5000 . 0 4106 . 0 0.5808 - 0.4941 -
5000 . 0 1742 . 0 0.7982 0.2874 -
5000 . 0 0.2689 - 0.0767 - 0.8196
H
(
(
(
(
(
(
(
(
=
(
(
(
(
=
0.0000 - 0.4078 0.1410 - 0.0636 -
0.0000 - 0.1961 - 0.5821 - 0.8248 -
0.0000 - 0.0832 - 0.8001 0.4798 -
0.0000 - 0.1285 - 0.0769 - 1.3681
(
(
(
(
=
0.0000 - 0.0000 - 0.0000 - 0.0000 -
0.4078 0.1961 - 0.0832 - 0.1285 -
0.1410 - 0.5821 - 0.8001 0.0769 -
0.0636 - 0.8248 - 0.4798 - 1.3681
H
T
(
(
(
(
(
(
(
(
=
0.0000 - 0.0000 - 0.0000 - 0.0000 -
0.4078 0.1961 - 0.0832 - 0.1285 -
0.1410 - 0.5821 - 0.8001 0.0769 -
0.0636 - 0.8248 - 0.4798 - 1.3681
0.0000 0.2172 - 0.5027 - 0.9015
0.0000 0.2541 - 0.5628 0.6500 -
0.0000 0.1841 0.4956 - 0.9973 -
0.0000 0.2872 0.4355 0.7458
Z
0.2209 - 0.5542 - 0.9625 - 1.1541
0.2875 - 0.1125 0.6375 1.0459 -
0.0625 0.9291 0.0792 - 1.4959 -
0.1375 - 1.0709 - 0.1792 - 0.8041
(
(
(
(
=
Berdasarkan metode postdictive success, nilai Fhitung sebesar 2.87 dibandingkan
dengan jumlah kuadrat sisaan diperoleh satu komponen utama nyata. Sedangkan
komponen lainnya tidak nyata. Hal ini berarti data hasil gabah dapat diterangkan dengan
menggunakan model AMMI1, dimana pengaruh interaksi direduksi dengan
menggunakan satu komponen. Dengan demikian model AMMI1 mampu menerangkan
keragaman pengaruh interaksi sebesar 87.97%, berarti keragaman tidak diterangkan
oleh model sebesar 12.03%
Sedangkan metode predictive success juga memperkuat hasil postdictive success,
dimana model AMMI1 memiliki RMSPD terkecil yaitu sebesar 19.46765030. Dari
kedua metode penentuan banyaknya komponen yang digunakan untuk model AMMI
diperoleh AMMI 1 sebagai model terbaik.
Nilai RMS PD dihitung dengan rumus : RMSPD =
( )
b a
y y
a
g
b
e
ge ge
.
1 1
2
= =
,
en gn n e g ge
y | | o + + + =
- RMSPD1=
( ) ( ) ( ) ( )
b a
y y y y y y y y
b
e
.
1
2
.. 1 . 14
2
.. 1 . 13
2
.. 1 . 12
2
.. 1 . 11
=
+ + +
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
b a
y y y y y y y y
y y y y y y y y
.
2
.. 1 4 4 1 ... . 4 . . 14
2
.. 1 3 3 1 ... . 3 . . 13
2
.. 1 2 2 1 ... . 2 . . 12
2
.. 1 1 1 1 ... . 1 . . 11
+ + + + +
+ + + + + +
=
| |
| |
4 . 4
4 . 56 063557 , 0 . 9015405 , 0 . 763358467 , 7
48
2 . 188
12
7 . 56
3
1 . 16
4 . 56 824788 , 0 . 650046 , 0 . 763358467 , 7
48
2 . 188
12
7 . 32
3
3 . 7
4 . 56 479783 , 0 . 997332 , 0 . 763358467 , 7
48
2 . 188
12
4 . 62
3
4 . 17
4 . 56 368128 , 1 . 7458378 , 0 . 763358467 , 7
48
2 . 188
12
4 . 43
3
6 . 15
2
2
2
2
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
=
0723759 . 25 =
- RMSPD2=
( ) ( ) ( ) ( )
b a
y y y y y y y y
b
e
.
1
2
.. 2 . 24
2
.. 2 . 23
2
.. 2 . 22
2
.. 2 . 21
=
+ + +
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
b a
y y y y y y y y
y y y y y y y y
.
2
.. 2 4 4 4 2 ... . 4 . . 24
2
.. 2 3 3 2 ... . 3 . . 23
2
.. 2 2 2 2 ... . 2 . . 22
2
.. 2 1 1 2 ... . 1 . . 21
+ + + + +
+ + + + + +
=
| |
| |
4 . 4
8 . 42 063557 , 0 . 9015405 , 0 . 009581040 , 1
48
2 . 188
12
7 . 56
3
3 . 13
8 . 42 582144 , 0 . 5628453 , 0 . 009581040 , 1
48
2 . 188
12
7 . 32
3
9 . 9
8 . 42 8000581 , 0 . 495614 , 0 . 009581040 , 1
48
2 . 188
12
4 . 62
3
3 . 14
8 . 42 076931 , 0 . 4354744 , 0 . 009581040 , 1
48
2 . 188
12
4 . 43
3
3 . 5
2
2
2
2
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
=
4676503 . 19 =
- RMSPD3=
( ) ( ) ( ) ( )
b a
y y y y y y y y
b
e
.
1
2
.. 3 . 34
2
.. 3 . 33
2
.. 3 . 32
2
.. 3 . 31
=
+ + +
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
b a
y y y y y y y y
y y y y y y y y
.
2
.. 3 4 4 3 ... . 4 . . 34
2
.. 3 3 3 3 ... . 3 . . 33
2
.. 3 2 2 3 ... . 2 . . 32
2
.. 3 1 1 3 ... . 1 . . 31
+ + + + +
+ + + + + +
=
| |
| |
4 . 4
43 4077763 , 0 . 217212 , 0 . 052060544 , 0
48
2 . 188
12
7 . 56
3
3 . 12
43 196117 , 0 . 254134 , 0 . 052060544 , 0
48
2 . 188
12
7 . 32
3
5 . 7
43 083196 , 0 . 1841018 , 0 . 052060544 , 0
48
2 . 188
12
4 . 62
3
5 . 16
43 128463 , 0 . 2872442 , 0 . 052060544 , 0
48
2 . 188
12
4 . 43
3
7 . 6
2
2
2
2
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
=
66145482 . 19 =
- RMSPD4=
( ) ( ) ( ) ( )
b a
y y y y y y y y
b
e
.
1
2
.. 4 . 44
2
.. 4 . 43
2
.. 4 . 42
2
.. 4 . 41
=
+ + +
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
b a
y y y y y y y y
y y y y y y y y
.
2
.. 4 4 4 4 ... . 4 . . 44
2
.. 4 3 3 4 ... . 3 . . 43
2
.. 4 2 2 4 ... . 2 . . 42
2
.. 4 1 1 4 ... . 1 . . 41
+ + + + +
+ + + + + +
=
| |
| |
4 . 4
53 10 97 , 3 . 10 9695 , 3 . 10 x 9727809 . 3
48
2 . 188
12
7 . 56
3
15
53 10 97 , 3 . 10 9695 , 3 . 10 x 9727809 . 3
48
2 . 188
12
7 . 32
3
8
53 10 97 , 3 . 10 9695 , 3 . 10 x 9727809 . 3
48
2 . 188
12
4 . 62
3
2 . 14
53 10 97 , 3 . 10 9695 , 3 . 10 x 9727809 . 3
48
2 . 188
12
4 . 43
3
8 . 15
2
9 9 33
2
9 9 33
2
9 9 33
2
9 9 33
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
+
|
|
.
|
\
|
|
.
|
\
|
+ +
=
x x
x x
x x
x x
23598598 . 24 =
Tabel 3.8. Tabel Rata-rata Nilai RMS PD
Model RMSPD
AMMI 0 25.07237590
AMMI 1 19.46765030
AMMI 2 19.66145482
AMMI 3 24.23598598
3.2.3 Interpretasi AMMI
Alat yang digunakan untuk menginterpretasikan hasil dari metode AMMI adalah
biplot. Biplot adalah plot antara satu kolom G dengan kolom G yang lain yang
ditampilkan bersama-sama dengan plot kolom H dengan kolom H yang lain yang
bersesuaian dengan kolom G yang di plot (J oliffe, 1986). Biplot pada analisis AMMI
biasanya berupa biplot antara nilai komponen utama pertama dan rataan respon. Biplot
antara nilai komponen utama kedua dan nilai komponen pertama bisa ditambahkan jika
komponen utama kedua ini nyata.
Interpretasi biplot AMMI 1 dan rataan respon terutama adalah bagi titik-titik
yang sejenis. J arak titik-titik amatan berdasarkan sumbu datar menunjukkan perbedaan
pengaruh utama amatan-amatan tersebut. Sedangkan jarak titik-titik amatan berdasarkan
sumbu tegak menunjukkan perbedaan pengaruh interaksinya atau perbedaan
kesensitifannya terhadap lokasi. Titik-titik amatan yang mempunyai arah yang sama
berarti titik-titik tersebut berinteraksi positif (saling menunjang), sedangkan titik-titik
yang berbeda arah menunjukkan bahwa titik-titik tersebut berinteraksi negatif.
Biplot AMMI 1 juga menunjukkan bahwa genotif dikatakan mempunyai daya
adaptasi baik pada suatu lingkungan jika genotip tersebut memiliki rataan hasil yang
tinggi dan skor interaksi genotif dan lingkungan bertanda sama (berinteraksi positif).
I AKU1
-0. 6
-0. 5
-0. 4
-0. 3
-0. 2
-0. 1
0. 0
0. 1
0. 2
0. 3
0. 4
0. 5
0. 6
0. 7
0. 8
0. 9
RATAAN
-1 0 1 2
Gambar 3.1. Biplot AMMI
Dari gambar 1 menunjukkan biplot antara komponen 1 dengan rataan. Biplot antara
rataan produksi padi dengan interaksi analisis komponen utama satu (IAKU1) pada
gambar 1, menjelaskan bahwa genotip T2, T3 dan T4 memiliki pengaruh utama
yang relatif sama karena genotip-genotip tersebut masing-masing terletak dalam
satu garis vertikal dan dapat dikatakan bahwa genotip-genotip di atas memiliki
pengaruh interaksi yang berbeda. Sedangkan genotip T1 ada kecendrungan memiliki
pengaruh utama yang berbeda karena genotip tersebut terletak dalam garis
horizontal.
Pada lahan 1 dan lahan 4 mempunyai pengaruh utama yang relatif sama namun
pengaruh interaksinya berbeda. Hal yang sama berlaku juga untuk lahan 3 dan lahan
2. Sebaliknya lahan 2 dan lahan 4 mempunyai pengaruh interaksi yang relatif sama
namun pengaruh utama berbeda. Hal yang sama berlaku juga untuk lahan 3 dan
lahan 1.
BAB IV
KESIMPULAN
Berdasarkan pembahasan dari bab-bab sebelumnya dapat disimpulkan sebagai
berikut :
1. Percobaan faktorial adalah suatu percobaan dimana dalam satu keadaan (unit
percobaan) dicobakan secara bersamaan dari beberapa (2 atau lebih) percobaan-
percobaan tunggal. Dari percobaan faktorial, selain dapat diketahui pengaruh-
pengaruh tunggal faktor yang diujikan, dapat diketahui pula pengaruh gabungan
(interaksi) dari masing-masing faktor yang diujikan. Percobaan faktorial
dicirikan dengan perlakuan yang merupakan kombinasi dari semua
kemungkinan kombinasi dari taraf-taraf faktor yang dicobakan.
2. Akar ciri dan vektor ciri setiap faktor pada sebuah rancangan percobaan dapat
diketahui bila matriks data adalah matriks orthogonal, hal ini dapat digunakan
untuk menentukan nilai komponen utama dari faktor yang berpengaruh terhadap
respon yang diamati.
3. Analisis AMMI merupakan gabungan dari analisis ragam pada pengaruh aditif
dengan analisis komponen utama pada pengaruh multiplikatif.
DAFTAR PUSTAKA
Anton, H 1988. Aljabar Linier Elementer. Edisi Ketiga. Erlangga. J akarta.
Crossa, J 1990. Statistical Analysis of Multilocation Trials. Adv. In Agron.
Daniel, W 1989. Statistika Non Parametrik Terapan. Alih Bahasa : Alex Tri Kantjono.
PT Gramedia. J akarta.
Futuhul, A 2006. Model AMMI Terampat Untuk Data Berdistribusi Bukan Normal.
Tesis, Institut Pertanian Bogor.
Futuhul, A dan Sadiyah, H 2004. Model AMMI Untuk Analisis Interaksi Genotipe
Lokasi. J urnal Ilmu Dasar Vol. 5 No. 1: 33-41
Gomez, Kwanchai. A dan Gomez, Arturo. A 1995. Prosedur Statistik untuk Penelitian
Edisi Kedua. UI Press. J akarta
Haryatmi, S 1998. Metode Statistika Multivariat.Karunia. J akarta
J ohnson, R. and Wichern, D 2007. Applied Multivariate Statistical Analysis. Sixth
Edition.Pearson Education
J olliffe and Rowlings 1986. Principal Component Analysis. New York: Spinger Verlag.
Mattjik, A dan Sumertajaya, I 2000. Perancangan Percobaan Dengan Aplikasi SAS dan
Minitab, J ilid 1. IPB Press. Bogor
Montgomery, D 2005. Design And Analysis Of Experiment 6
th
edition. J ohn Willey and
Sons. New York.
Sartono, dkk 2003. Analisis Peubah Ganda. Jurusan Statistika FMIPA IPB, Bogor.
Sichah, I dan Safitri, D 2005. Buku Ajar Statistika Multivariat. J urusan Matematika
FMIPA UNDIP. Semarang.
Steel, R and Torrie, J 1991. Prinsip Dan Prosedur Statistika Suatu Pendekatan
Biometrik. PT. Gramedia Pustaka Utama. J akarta.
Sumertajaya, I 1998. Perbandingan Model AMMI dan Regresi Linier Untuk
Menerangkan Pengaruh Interaksi Percobaan Lokasi Ganda. Tesis, Institut
Pertanian Bogor.
Widiharih, T 2007. Buku Ajar Perancangan Percobaan. Program Studi Statistika
J urusan Matematika FMIPA UNDIP. Semarang.
LAMPIRAN
LAMPIRAN 1
UJI NORMALITAS, HOMOGENITAS DAN INDEPENDENSI VARIAN
a. Asumsi Normalitas
Approximate P-Value: 0.144
D+: 0.111 D-: 0.080 D : 0.111
Kolmogorov-SmirnovNormalityTest
N: 48
StDev: 0.607051
Average: 0.0000000
2 1 0 -1
.999
.99
.95
.80
.50
.20
.05
.01
.001
P
r
o
b
a
b
i
l
i
t
y
RESI1
Normal Probability Plot
b.Asumsi Homogenitas Varian
50 40 30 20 10 0
95% Confidence Intervals for Sigmas
P-Value : 0.277
Test Statistic: 1.268
Levene's Test
P-Value : 0.051
Test Statistic: 24.928
Bartlett's Test
Factor Levels
4
3
2
1
4
3
2
1
4
3
2
1
4
3
2
1
4
4
4
4
3
3
3
3
2
2
2
2
1
1
1
1
Test for Equal Variances for RESI1
c. Asumsi Independensi
45 40 35 30 25 20 15 10 5
2
1
0
-1
-2
Observation Order
R
e
s
i
d
u
a
l
Residuals Versus the Order of the Data
(response is hasil)
LAMPIRAN 2
LISTING PROGRAM ANALISIS VARIANSI UNTUK RANCANGAN
FAKTORIAL DALAM RAL
nodat e nonumber ;
dat a padi ;
i nput pr l akuan l ahan ul angan $ has i l @@;
c ar ds ;
1 1 1 5. 5
1 1 2 4. 8
1 1 3 5. 3
1 2 1 1. 6
1 2 2 2. 5
1 2 3 1. 2
1 3 1 2. 2
1 3 2 2. 1
1 3 3 2. 4
1 4 1 5. 7
1 4 2 5. 2
1 4 3 4. 9
2 1 1 5. 6
2 1 2 5. 8
2 1 3 6. 0
2 2 1 6. 8
2 2 2 3. 1
2 2 3 4. 4
2 3 1 5. 7
2 3 2 5. 7
2 3 3 5. 1
2 4 1 5. 4
2 4 2 4. 8
2 4 3 4. 0
3 1 1 1. 8
3 1 2 2. 4
3 1 3 3. 1
3 2 1 3. 3
3 2 2 3. 7
3 2 3 2. 9
3 3 1 2. 1
3 3 2 3. 0
3 3 3 2. 4
3 4 1 2. 9
3 4 2 1. 1
3 4 3 4. 0
4 1 1 5. 1
4 1 2 5. 4
4 1 3 5. 6
4 2 1 3. 7
4 2 2 4. 6
4 2 3 5. 0
4 3 1 3. 6
4 3 2 4. 2
4 3 3 4. 5
4 4 1 5. 1
4 4 2 4. 7
4 4 3 5. 2
;
pr oc gl m dat a=padi ;
c l as s pr l akuan l ahan ul angan;
model has i l =pr l akuan l ahan pr l akuan*l ahan/s s 3;
means pr l akuan l ahan/dunc an;
l s means pr l akuan*l ahan/pdi f f s t de r r ;
out put out =ab r =r e s wak p=f i t wak;
r un;
pr oc uni v ar i at e dat a=ab pl ot nor mal ;
v ar r es wak;
r un;
LAMPIRAN 3
OUTPUT PROGRAM ANALISIS VARIANSI UNTUK RANCANGAN
FAKTORIAL DALAM RAL
The SAS System 1
General Linear Models Procedure
Class Level Information
Cl as s Le ve l s Val ue s
PRLAKUAN 4 1 2 3 4
LAHAN 4 1 2 3 4
ULANGAN 3 1 2 3
Number of obs er v at i ons i n dat a s e t = 48
The SAS System 2
General Linear Models Procedure
De pende nt Var i abl e : HASI L
Sour c e DF Sum of Squar e s Me an Squar e F Val ue Pr > F
Model 15 83. 20666667 5. 54711111 10. 25 0. 0001
Er r or 32 17. 32000000 0. 54125000
Cor r e c t e d Tot al 47 100. 52666667
R- Squar e C. V. Root MSE HASI L Me an
0. 827707 18. 09091 0. 73569695 4. 06666667
Sour c e DF Ty pe I I I SS Me an Squar e F Val ue Pr > F
PRLAKUAN 3 44. 64500000 14. 88166667 27. 49 0. 0001
LAHAN 3 12. 08666667 4. 02888889 7. 44 0. 0006
PRLAKUAN*LAHAN 9 26. 47500000 2. 94166667 5. 43 0. 0002
The SAS System 3
General Linear Models Procedure
Duncan' s Mul t i pl e Range Te s t f or v ar i abl e : HASI L
NOTE: Thi s t e s t cont r ol s t he t ype I c ompar i s onwi s e e r r or r at e , not t he
e x per i me nt wi s e e r r or r at e
Al pha= 0. 05 df = 32 MSE= 0. 54125
Numbe r of Me ans 2 3 4
Cr i t i c al Range . 6118 . 6430 . 6633
Me a ns wi t h t he s ame l e t t e r ar e not s i gni f i c ant l y di f f e r e nt .
Dunc an Gr oupi ng Me an N PRLAKUAN
A 5. 2000 12 2
A
A 4. 7250 12 4
B 3. 6167 12 1
C 2. 7250 12 3
The SAS System 4
General Linear Models Procedure
Duncan' s Mul t i pl e Range Te s t f or v ar i abl e : HASI L
NOTE: Thi s t e s t cont r ol s t he t ype I c ompar i s onwi s e e r r or r at e , not t he
e x per i me nt wi s e e r r or r at e
Al pha= 0. 05 df = 32 MSE= 0. 54125
Numbe r of Me ans 2 3 4
Cr i t i c al Range . 6118 . 6430 . 6633
Me a ns wi t h t he s ame l e t t e r ar e not s i gni f i c ant l y di f f e r e nt .
Duncan Gr oupi ng Me an N LAHAN
A 4. 7000 12 1
A
A 4. 4167 12 4
B 3. 5833 12 3
B
B 3. 5667 12 2
The SAS System 5
General Linear Models Procedure
Least Squares Means
PRLAKUAN LAHAN HASI L St d Er r Pr > | T| LSMEAN
LSMEAN LSMEAN H0: LSMEAN=0 Numbe r
1 1 5. 20000000 0. 42475483 0. 0001 1
1 2 1. 76666667 0. 42475483 0. 0002 2
1 3 2. 23333333 0. 42475483 0. 0001 3
1 4 5. 26666667 0. 42475483 0. 0001 4
2 1 5. 80000000 0. 42475483 0. 0001 5
2 2 4. 76666667 0. 42475483 0. 0001 6
2 3 5. 50000000 0. 42475483 0. 0001 7
2 4 4. 73333333 0. 42475483 0. 0001 8
3 1 2. 43333333 0. 42475483 0. 0001 9
3 2 3. 30000000 0. 42475483 0. 0001 10
3 3 2. 50000000 0. 42475483 0. 0001 11
3 4 2. 66666667 0. 42475483 0. 0001 12
4 1 5. 36666667 0. 42475483 0. 0001 13
4 2 4. 43333333 0. 42475483 0. 0001 14
4 3 4. 10000000 0. 42475483 0. 0001 15
4 4 5. 00000000 0. 42475483 0. 0001 16
Pr > | T| H0: LSMEAN( i ) =LSMEAN( j )
i /j 1 2 3 4 5 6 7 8 9 10 11
1 . 0. 0001 0. 0001 0. 9123 0. 3254 0. 4759 0. 6209 0. 4429 0. 0001 0. 0034 0. 0001
2 0. 0001 . 0. 4429 0. 0001 0. 0001 0. 0001 0. 0001 0. 0001 0. 2753 0. 0157 0. 2311
3 0. 0001 0. 4429 . 0. 0001 0. 0001 0. 0002 0. 0001 0. 0002 0. 7413 0. 0853 0. 6601
4 0. 9123 0. 0001 0. 0001 . 0. 3812 0. 4114 0. 7003 0. 3812 0. 0001 0. 0025 0. 0001 5
0. 3254 0. 0001 0. 0001 0. 3812 . 0. 0950 0. 6209 0. 0853 0. 0001 0. 0002 0. 0001
6 0. 4759 0. 0001 0. 0002 0. 4114 0. 0950 . 0. 2311 0. 9561 0. 0005 0. 0203 0. 0007
7 0. 6209 0. 0001 0. 0001 0. 7003 0. 6209 0. 2311 . 0. 2110 0. 0001 0. 0009 0. 0001
8 0. 4429 0. 0001 0. 0002 0. 3812 0. 0853 0. 9561 0. 2110 . 0. 0006 0. 0231 0. 0008
9 0. 0001 0. 2753 0. 7413 0. 0001 0. 0001 0. 0005 0. 0001 0. 0006 . 0. 1588 0. 9123
10 0. 0034 0. 0157 0. 0853 0. 0025 0. 0002 0. 0203 0. 0009 0. 0231 0. 1588 . 0. 1923
11 0. 0001 0. 2311 0. 6601 0. 0001 0. 0001 0. 0007 0. 0001 0. 0008 0. 9123 0. 1923 .
12 0. 0002 0. 1439 0. 4759 0. 0001 0. 0001 0. 0014 0. 0001 0. 0016 0. 7003 0. 2996 0. 7832 13
0. 7832 0. 0001 0. 0001 0. 8688 0. 4759 0. 3254 0. 8258 0. 2996 0. 0001 0. 0016 0. 0001
14 0. 2110 0. 0001 0. 0009 0. 1749 0. 0297 0. 5828 0. 0853 0. 6209 0. 0022 0. 0683 0. 0029
15 0. 0764 0. 0005 0. 0039 0. 0610 0. 0080 0. 2753 0. 0262 0. 2996 0. 0092 0. 1923 0. 0120
16 0. 7413 0. 0001 0. 0001 0. 6601 0. 1923 0. 7003 0. 4114 0. 6601 0. 0002 0. 0080 0. 0002
Pr > | T| H0: LSMEAN( i ) =LSMEAN( j )
i /j 12 13 14 15 16
1 0. 0002 0. 7832 0. 2110 0. 0764 0. 7413
2 0. 1439 0. 0001 0. 0001 0. 0005 0. 0001
3 0. 4759 0. 0001 0. 0009 0. 0039 0. 0001
4 0. 0001 0. 8688 0. 1749 0. 0610 0. 6601
5 0. 0001 0. 4759 0. 0297 0. 0080 0. 1923
6 0. 0014 0. 3254 0. 5828 0. 2753 0. 7003
7 0. 0001 0. 8258 0. 0853 0. 0262 0. 4114
The SAS System 6
General Linear Models Procedure
Least Squares Means
Le as t Squar e s Me ans f or e f f e c t PRLAKUAN*LAHAN
Pr > | T| H0: LSMEAN( i ) =LSMEAN( j )
De pende nt Var i abl e : HASI L
i /j 12 13 14 15 16
8 0. 0016 0. 2996 0. 6209 0. 2996 0. 6601
9 0. 7003 0. 0001 0. 0022 0. 0092 0. 0002
10 0. 2996 0. 0016 0. 0683 0. 1923 0. 0080
11 0. 7832 0. 0001 0. 0029 0. 0120 0. 0002
12 . 0. 0001 0. 0060 0. 0231 0. 0005
13 0. 0001 . 0. 1301 0. 0429 0. 5459
14 0. 0060 0. 1301 . 0. 5828 0. 3526
15 0. 0231 0. 0429 0. 5828 . 0. 1439
16 0. 0005 0. 5459 0. 3526 0. 1439 .
The SAS System 7
Univariate Procedure
Var i abl e =RESWAK
Mome nt s Quant i l e s ( Def =5)
N 48 Sum Wgt s 48 100% Ma x 2. 033333 99% 2. 033333
Me an 0 Sum 0 75% Q3 0. 233333 95% 0. 733333
St d De v 0. 607051 Var i anc e 0. 368511 50% Me d 0. 016667 90% 0. 666667
Skewne s s 0. 211966 Kur t os i s 3. 209506 25% Q1 - 0. 36667 10% - 0. 63333
USS 17. 32 CSS 17. 32 0% Mi n - 1. 66667 5% - 0. 73333
CV . St d Me an 0. 08762 1% - 1. 66667
T: Me an=0 0 Pr >| T| 1. 0000 Range 3. 7
Num ^= 0 48 Num > 0 26 Q3- Q1 0. 6
M( Si gn) 2 Pr >=| M| 0. 6655 Mode 0. 2
Sgn Rank 6 Pr >=| S| 0. 9517
W: Nor mal 0. 940347 Pr <W 0. 0249
Ex t r e me s
Lowe s t Obs Hi ghe s t Obs
- 1. 66667( 17) 0. 666667( 22)
- 1. 56667( 35) 0. 666667( 27)
- 0. 73333( 24) 0. 733333( 5)
- 0. 73333( 40) 1. 333333( 36)
- 0. 63333( 25) 2. 033333( 16)
St e m Le af # Box pl ot
20 3 1 0
18
16
14
12 3 1 0
10
8
6 773 3 |
4 00307 5 |
2 0000330 7 +- - - - - +
0 003700077 9 *- - +- - *
- 0 730733 6 | |
- 2 77070 5 +- - - - - +
- 4 700000 6 |
- 6 333 3 |
- 8
- 10
- 12
- 14 7 1 0
- 16 7 1 0
- - - - +- - - - +- - - - +- - - - +
Mul t i pl y St e m. Le af by 10**- 1
The SAS System 8
Univariate Procedure
Var i abl e =RESWAK
Nor mal Pr obabi l i t y Pl ot
2. 1+ *
|
|
| ++
| * ++++
| +++
| +++
| +++** *
| +*****
| *****
| *****
| *****
| ******+
| ** +++
| * **+++
| +++
| +++
| ++++
| ++ *
- 1. 7+ *
+- - - - +- - - - +- - - - +- - - - +- - - - +- - - - +- - - - +- - - - +- - - - +- - - - +
- 2 - 1 0 +1 +2
LAMPIRAN 4
INPUT PROGRAM UNTUK PENGURAIAN PENGARUH INTERAKSI
DENGAN ANALISIS AMMI
dat a dt 1; ;
i nput pr l akuan l ahan ul angan $ has i l @@;
c ar ds ;
1 1 1 5. 5
1 1 2 4. 8
1 1 3 5. 3
1 2 1 1. 6
1 2 2 2. 5
1 2 3 1. 2
1 3 1 2. 2
1 3 2 2. 1
1 3 3 2. 4
1 4 1 5. 7
1 4 2 5. 2
1 4 3 4. 9
2 1 1 5. 6
2 1 2 5. 8
2 1 3 6. 0
2 2 1 6. 8
2 2 2 3. 1
2 2 3 4. 4
2 3 1 5. 7
2 3 2 5. 7
2 3 3 5. 1
2 4 1 5. 4
2 4 2 4. 8
2 4 3 4. 0
3 1 1 1. 8
3 1 2 2. 4
3 1 3 3. 1
3 2 1 3. 3
3 2 2 3. 7
3 2 3 2. 9
3 3 1 2. 1
3 3 2 3. 0
3 3 3 2. 4
3 4 1 2. 9
3 4 2 1. 1
3 4 3 4. 0
4 1 1 5. 1
4 1 2 5. 4
4 1 3 5. 6
4 2 1 3. 7
4 2 2 4. 6
4 2 3 5. 0
4 3 1 3. 6
4 3 2 4. 2
4 3 3 4. 5
4 4 1 5. 1
4 4 2 4. 7
4 4 3 5. 2
;
PROC I ML;
CREATE COBA VAR {K1 K2 K3 K4};
I NFI LE ' D: TA. t x t ' ;
DO DATA;
I NPUT K1 K2 K3 K4;
APPEND;
END;
READ ALL I NTO ZEG;
CLOSE COBA;
PRI NT ZEG;
/*PENYUSUNAN MATRI K GEI */
RG=ZEG[ +, ] /4;
RE=ZEG[ , +] /4;
R=ZEG[ +, +] /16;
ZRG=REPEAT ( RG, 4, 1) ;
ZRE=REPEAT ( RE, 1, 4) ;
ZR=REPEAT ( R, 4, 4) ;
ZPEG=ZEG- ZRE- ZRG+ZR;
/****SVD****/
CALL SVD ( U, SI NGULAR, VEKTOR, ZPEG) ;
PRI NT U;
PRI NT SI NGULAR;
PRI NT VEKTOR;
/***PENDUGAAN SKOR KOMPONEN***/
AKAR =SQRT( DI AG( SI NGULAR) ) ;
SKUE=U*SI NGULAR;
SKUG=VEKTOR*SI NGULAR;
PRI NT SKUE;
PRI NT SKUG;
LAMPIRAN 5
OUTPUT PROGRAM UNTUK PENGURAIAN PENGARUH INTERAKSI
DENGAN ANALISIS AMMI
The SAS System
ZEG
0. 8041667 - 0. 179167 - 1. 070833 - 0. 1375
- 1. 495833 - 0. 079167 0. 9291667 0. 0625
- 1. 045833 0. 6375 0. 1125 - 0. 2875
1. 1541667 - 0. 9625 - 0. 554167 - 0. 220833
U
0. 4468194 0. 4344375 0. 6013456 0. 5
- 0. 597485 - 0. 494434 0. 3854169 0. 5
- 0. 389432 0. 5615052 - 0. 532029 0. 5
0. 5400983 - 0. 501509 - 0. 454734 0. 5
SINGULAR
2. 7862804
1. 0047791
0. 2281678
6. 303E- 17
VEKTOR
0. 8196234 - 0. 076747 - 0. 268938 - 0. 5
- 0. 28743 0. 7981531 - 0. 17417 - 0. 5
- 0. 494117 - 0. 580758 - 0. 410572 - 0. 5
- 0. 038076 - 0. 140648 0. 8536793 - 0. 5
SKUE
0. 7458378 0. 4354744 0. 2872442 3. 9695E- 9
- 0. 997332 - 0. 495614 0. 1841018 3. 9695E- 9
- 0. 650046 0. 5628453 - 0. 254134 3. 9695E- 9
0. 9015405 - 0. 502706 - 0. 217212 3. 9695E- 9
SKUG
1. 368128 - 0. 076931 - 0. 128463 - 3. 97E- 9
- 0. 479783 0. 8000581 - 0. 083196 - 3. 97E- 9
- 0. 824788 - 0. 582144 - 0. 196117 - 3. 97E- 9
- 0. 063557 - 0. 140984 0. 4077763 - 3. 97E- 9
LAMPIRAN 6
INPUT PROGRAM MAKRO SAS-BIPLOT
/*- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - *
* Name : BI PLOT. SAS *
* Ti t l e : Cons t r uc t a bi pl ot of obs e r v at i ons and var i abl e s *
*- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - *
* Aut hor : DWI RETNO SULI STYANI NGSI H *
* NI M : J2A605037 *
* Jur us an : Mat e ma t i ka Eks t e ns i *
*- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - */
%macr o BI PLOT(
dat a=_LAST_, /* Dat a s e t f or bi pl ot */
var =_NUM_, /* Var i abl e s f or bi pl ot */
i d =I D, /* Obs er v at i on I D v ar i abl e */
di m =2, /* Numbe r of bi pl ot di me ns i ons */
f ac t y pe =SYM, /* Bi pl ot f ac t or t y pe : GH, SYM, or JK */
s c al e =1, /* Sc al e f ac t or f or var i abl e v ec t or s */
powe r =1, /* Power t r ans f or m of r e s pons e */
out =BI PLOT, /* Out put dat as et : bi pl ot c oor di nat es */
anno=BI ANNO, /* Out put dat as et : annot at e l abe l s */
xanno=di m1,
yanno=di m2,
zanno=di m3,
s t d=MEAN, /* How t o s t andar di z e c ol umns : NONE| MEAN| STD*/
col or s =BLUE RED, /* Col or s f or OBS and VARS */
s y mbol s =none none , /* Sy mbol s f or OBS and VARS */
i nt e r p=none v e c , /* Mar ke r s /i nt e r pol at i on f or OBS and VARS */
ppl ot =NO, /* Pr oduc e pr i nt e r pl ot ? */
gpl ot =YES,
hax i s =, /* AXI S s t at e me nt f or hor i z ont al ax i s */
vax i s =, /* and f or v e r t i c al ax i s - us e t o e quat e ax e s */
name =bi pl ot ) ;
%l e t s t d=%upc as e ( &s t d) ;
%l e t f ac t y pe =%upc as e ( &f ac t y pe) ;
%i f &f act y pe =GH %t he n %l e t p=0;
%e l s e %i f &f act y pe =SYM %t he n %l e t p=. 5;
%e l s e %i f &f act y pe =JK %t he n %l e t p=1;
%e l s e %do;
%put BI PLOT: FACTYPE mus t be GH, SYM, or JK. "&f act y pe " i s not v al i d. ;
%got o done ;
%e nd;
%i f %upc as e ( "&v ar ") ^= "_NUM_" %t he n %l e t var ={&v ar };
%i f &dat a=_LAST_ %t he n %l e t dat a=&s y s l as t ;
pr oc i ml ;
s t ar t bi pl ot ( y, i d, var s , out , g, s c al e ) ;
N = nr ow( Y) ;
P = ncol ( Y) ;
%i f &s t d = NONE
%t he n Y = Y - Y[ : ] %s t r ( ; ) ; /* r e mov e gr and me an */
%el s e Y = Y - J ( N, 1, 1) *Y[ : , ] %s t r ( ; ) ; /* r e mov e col umn me ans */
%i f &s t d = STD %t he n %do;
S = s qr t ( Y[ ##, ] / ( N- 1) ) ;
Y = Y * di ag ( 1 / S ) ;
%e nd;
*- - Si ngul ar v al ue dec ompos i t i on:
Y i s ex pr e s s e d as U di ag( Q) V pr i me
Q c ont ai ns s i ngul ar val ue s , i n de s ce ndi ng or de r ;
cal l s v d( u, q, v , y) ;
r e s e t f w=8 noname ;
pe r c e nt = 100*q##2 / q[ ##] ;
cum = c us um( pe r ce nt ) ;
c1={' Si ngul ar Val ue s ' };
c2={' Pe r c e nt ' };
c3={' Cum % ' };
Pr i nt "Si ngul ar v al ues and v ar i anc e ac c ount e d f or ", ,
q [ col name =c 1 f or mat =9. 4 ]
pe r c ent [ col name =c 2 f or mat =8. 2 ]
c um [ col name =c 3 f or mat =8. 2 ] ;
d = &di m ;
*- - As s i gn mac r o v ar i abl e s f or di mens i on l a bel s ;
l ab = ' %l e t p' + c har ( t ( 1: d) , 1) + ' =' + l e f t ( c har ( pe r c ent [ t ( 1: d) ] , 8, 1) ) + ' ; ' ;
cal l ex e c ut e ( l ab) ;
/*
cal l ex e c ut e ( ' %l e t p1=' , char ( pe r c ent [ 1] , 8, 1) , ' ; ' ) ;
cal l ex e c ut e ( ' %l e t p2=' , char ( pe r c ent [ 2] , 8, 1) , ' ; ' ) ;
i f d > 2 t he n
cal l ex e c ut e ( ' %l e t p3=' , char ( pe r c ent [ 3] , 8, 1) , ' ; ' ) ;
*/
*- - Ext r ac t f i r s t d c ol umns of U & V, and f i r s t d el e me nt s of Q;
U = U[ , 1: d] ;
V = V[ , 1: d] ;
Q = Q[ 1: d] ;
*- - Scal e t he v ec t or s by QL, QR;
* Sc al e f act or ' s c a l e' al l ows ex pandi ng or c ont r act i ng t he var i abl e
v e c t or s t o pl ot i n t he s ame s pac e as t he obs e r v at i ons ;
QL= di ag( Q ## g ) ;
QR= di ag( Q ## ( 1- g) ) ;
A = U * QL;
B = V * QR;
r at i o = max( s qr t ( A[ , ##] ) ) / max ( s qr t ( B[ , ##] ) ) ;
pr i nt ' OBS / VARS r at i o: ' r at i o ' Scal e : ' s c al e ;
i f s c al e =0 t he n s c al e=r at i o;
B = B # s c al e ;
OUT=A // B;
*- - Cr e at e obs e r v at i on l abe l s ;
i d = i d // v ar s `;
t y pe = r e peat ( {"OBS "}, n, 1) // r e pe at ( {"VAR "}, p, 1) ;
i d = c onc at ( t y pe , i d) ;
f ac t y pe = {"GH" "Sy mme t r i c" "JK"}[ 1 + 2#g] ;
pr i nt "Bi pl ot Fac t or Ty pe ", f act y pe ;
cv ar = c oncat ( s hape ( {"DI M"}, 1, d) , c har ( 1: d, 1. ) ) ;
pr i nt "Bi pl ot c oor di nat e s ",
out [ r owname =i d c ol name =c var f =9. 4] ;
%i f &ppl ot = YES %t hen %do;
cal l pgr af ( out [ , {1 2}] , s ubs t r ( i d, 5) , ' Di me ns i on 1' , ' Di me ns i on 2' , ' Bi pl ot ' ) ;
%e nd;
cr e at e &out f r om out [ r owname =i d c ol name=c v ar ] ;
appe nd f r om out [ r owname =i d] ;
f i ni s h;
s t ar t powe r ( x , pow) ;
i f pow=1 t he n r e t ur n( x ) ;
i f any ( x <= 0) t hen x = x + c e i l ( mi n( x ) +. 5) ;
i f abs ( pow) <. 001 t he n x t = l og( x ) ;
e l s e x t = ( ( x ##pow) - 1) / pow;
r e t ur n ( x t ) ;
f i ni s h;
/*- - - Mai n r out i ne */
us e &dat a;
r e ad al l v ar &v ar i nt o y [ c =v ar s ] ;
%i f &i d = %s t r ( ) %t hen %do;
i d=c ompr e s s ( char ( 1: nr ow( x y ) , 4) ) `;
%e nd;
%e l s e %do;
r e ad al l v ar {&i d} i nt o i d;
%e nd;
* r e ad al l var &var i nt o y [ c ol name =v ar s r owname =&i d] ;
%i f &powe r ^= 1 %t he n %do;
y = power ( y , &power ) ;
%e nd;
s c al e = &s cal e ;
r un bi pl ot ( y , i d, v a r s , out , &p, s c al e ) ;
qui t ;
/*- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - *
| Spl i t I D i nt o _TYPE_ and _NAME_ |
*- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - */
dat a &out ;
s e t &out ;
dr op i d;
l e ngt h _t y pe _ $3 _name _ $16;
_t y pe _ = s ubs t r ( i d, 1, 3) ;
_name _ = s ubs t r ( i d, 5) ;
l abe l
%do i =1 %t o &di m;
di m&i = "Di me ns i on &i ( &&p&i %s t r ( %%) ) "
%end;
;
/*- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - *
| Annot at e obs e r vat i on l abel s and v ar i abl e v e ct or s |
*- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - */
%*- - As s i gn c ol or s and s y mbol s ;
%l e t c1= %s c an( &c ol or s , 1) ;
%l e t c2= %s c an( &c ol or s , 2) ;
%i f &c2=%s t r ( ) %t he n %l e t c 2=&c 1;
%l e t v1= %upc a s e( %s c an( &s ymbol s , 1) ) ;
%l e t v2= %upc a s e( %s c an( &s ymbol s , 2) ) ;
%i f &v2=%s t r ( ) %t he n %l e t v 2=&v 1;
%l e t i 1= %upc a s e( %s c an( &i nt e r p, 1) ) ;
%l e t i 2= %upc a s e( %s c an( &i nt e r p, 2) ) ;
%i f &i 2=%s t r ( ) %t he n %l e t i 2=&i 1;
dat a &anno;
s e t &out ;
l e ngt h f unct i on c ol or $8 t e x t $16;
xs y s =' 2' ; ys y s =' 2' ; %i f &di m > 2 %t he n %s t r ( zs y s =' 2' ; ) ;
t e x t = _name _;
i f _t ype _ = ' OBS' t hen do; /* Labe l obs e r vat i ons ( r ow poi nt s ) */
c ol or ="&c 1";
i f "&i 1" = ' VEC' t he n l i nk v e c ;
x = &x anno; y = &yanno;
%i f &di m > 2 %t he n %s t r ( z = &z anno; ) ;
%i f &v 1=NONE %t he n
%s t r ( pos i t i on=' 5' ; ) ;
%e l s e %do;
i f di m1 >=0
t he n pos i t i on=' >' ; /* r t j us t i f y */
e l s e pos i t i on=' <' ; /* l t j us t i f y */
%e nd;
f unc t i on=' LABEL ' ; out put ;
e nd;
i f _t ype _ = ' VAR' t hen do; /* Labe l v a r i abl e s ( c ol poi nt s ) */
c ol or ="&c 2";
i f "&i 2" = ' VEC' t he n l i nk v e c ;
x = &x anno; y = &yanno;
i f di m1 >=0
t he n pos i t i on=' 6' ; /* down j us t i f y */
e l s e pos i t i on=' 2' ; /* up j us t i f y */
f unc t i on=' LABEL ' ; out put ; /* v ar i abl e name */
e nd;
r e t ur n;
v e c : /* Dr aw l i ne f r om t he or i gi n t o poi nt */
x = 0; y = 0;
%i f &di m > 2 %t he n %s t r ( z = 0; ) ;
f unc t i on=' MOVE' ; out put ;
x = &x anno; y = &yanno;
%i f &di m > 2 %t he n %s t r ( z = &z anno; ) ;
f unc t i on=' DRAW' ; out put ;
r e t ur n;
%i f &gpl ot = YES %t he n %do;
%i f &i 1=VEC %t hen %l et i 1=NONE;
%i f &i 2=VEC %t hen %l et i 2=NONE;
%l e t l e ge nd=nol ege nd;
%l e t war n=0;
%i f %l e ngt h( &haxi s ) =0 %t hen %do;
%l et war n=1;
ax i s 2 of f s e t =( 1, 5) ;
%l et haxi s =axi s 2;
%e nd;
%i f %l e ngt h( &v axi s ) =0 %t hen %do;
%l et war n=1;
ax i s 1 of f s e t =( 1, 5) l abe l =( a=90 r =0) ;
%l et v axi s =axi s 1;
%e nd;
pr oc gpl ot dat a=&out &GOUT;
pl ot di m2 * di m1 = _t y pe _/
anno=&anno f r ame &l e ge nd
hr e f =0 v r ef =0 l v r e f =3 l hr e f =3
v ax i s =&v axi s hax i s =&hax i s
v mi nor =1 hmi nor =1
name ="&name " de s ="Bi pl ot of &dat a";
s y mbol 1 v =&v 1 c =&c1 i =&i 1;
s y mbol 2 v =&v 2 c =&c2 i =&i 2;
r un; qui t ;
%i f &war n %t he n %do;
%put WARNI NG: No VAXI S= or HAXI S= par ame t e r was s pec i f i e d, s o t he
bi pl ot axe s hav e not ;
%put WARNI NG: be en e quat e d. Thi s may l e ad t o i nc or r e c t i nt e r pr e t at i on
of di s t anc e and;
%put WARNI NG: angl e s . Se e t he doc ume nt at i on. ;
%e nd;
gopt i ons r es e t =s y mbol ;
%e nd; /* %i f &gpl ot =YES */
%done :
%me nd BI PLOT;
dat a bi pl ot ;
I NPUT i d$ T1 T2 T3 T4;
CARDS;
Lahan1 0. 804166666 - 0. 179166666 - 1. 070833333 - 0. 1375
Lahan2 - 1. 495833333 - 0. 079166666 0. 929166666 0. 062499999
Lahan3 - 1. 045833333 0. 6375 0. 1125 - 0. 2875
Lahan4 1. 154166667 - 0. 9625 - 0. 554166666 - 0. 220833333
;
%bi pl ot ;
r un;
LAMPIRAN 7
OUTPUT NILAI SINGULAR BIPLOT AMMI
The SAS System
Si ngul ar v al ue s and v ar i anc e ac c ount e d f or
Si ngul ar Val ue s Pe r c e nt Cum %
2. 7863 87. 97 87. 97
1. 0048 11. 44 99. 41
0. 2282 0. 59 100. 00
0. 0000 0. 00 100. 00
OBS / VARS r at i o: 0. 81274 Sc al e :
Bi pl ot Fac t or Ty pe
Sy mme t r i c
Bi pl ot coor di nat e s
DI M1 DI M2
OBS Lahan1 0. 7458 0. 4355
OBS Lahan2 - 0. 9973 - 0. 4956
OBS Lahan3 - 0. 6500 0. 5628
OBS Lahan4 0. 9015 - 0. 5027
VAR T1 1. 3681 - 0. 0769
VAR T2 - 0. 4798 0. 8001
VAR T3 - 0. 8248 - 0. 5821
VAR T4 - 0. 0636 - 0. 1410
LAMPIRAN 8
INPUT PROGRAM SAS UNTUK GRAFIK BIPLOT
dat a bi pl ot ;
i nput t ype $ name $ Rat aan I AKU1 ;
c ar ds ;
ge n Lahan1 0. 7458 0. 4355
ge n Lahan2 - 0. 9973 - 0. 4956
ge n Lahan3 - 0. 6500 0. 5628
ge n Lahan4 0. 9015 - 0. 5027
env T1 1. 3681 - 0. 0769
env T2 - 0. 4798 0. 8001
env T3 - 0. 8248 - 0. 5821
env T4 - 0. 0636 - 0. 1410
dat a l abel s ;
s e t bi pl ot ;
r e t ai n x s y s ' 2' y s ys ' 2' ;
l e ngt h f unc t i on t e xt $8 ;
t e x t = name ;
i f t y pe = ' ge n' t he n do ;
c ol or = ' r e d' ;
s i z e = 1. 0 ;
s t y l e = ' hwc gm001' ;
x = Rat aan ;
y = I AKU1 ;
i f di m1 >=0
t hen pos i t i on = ' 5' ;
e l s e pos i t i on = ' 5' ;
f unc t i on = ' LABEL' ;
out put ;
e nd ;
i f t y pe = ' env ' t he n DO ;
c ol or = ' bl ac k' ;
s i z e = 1. 0 ;
s t y l e = ' hwc gm001' ;
x = 0. 0 ;
y = 0. 0 ;
f unct i on = ' MOVE' ;
out put ;
x = Rat aan;
y = I AKU1;
f unct i on = ' DRAW' ;
out put ;
i f di m1 >=0
t hen pos i t i on = ' 6' ;
e l s e pos i t i on = ' 4' ;
f unc t i on = ' LABEL' ;
out put ;
end ;
pr oc gpl ot dat a = bi pl ot ;
pl ot I AKU1*Rat aan / Annot at e =l abe l s f r ame
vr e f =0. 0 Hr e f = 0. 0
cv r e f =bl ac k c hr ef =bl ac k
l v r e f =3 l hr e f =3
vax i s =ax i s 2 ha x i s =ax i s 1
vmi nor =1 hmi nor =1 nol e ge nd;
s y mbol 1 v=none c =bl ac k h=0. 7 ;
s y mbol 2 v=none c =bl ac k h=0. 7 ;
ax i s 2
l e ngt h = 4. 8 i n
or de r = ( - 1. 0 t o 1. 0 by 0. 2)
l abe l =( f =hwc gm001 c =gr e e n h=1. 2 a=90 r =0 ' Rat aan' )
of f e s t = ( 3)
val ue =( h=1. 0)
of f s e t = ( 2)
mi nor =none ;
ax i s 1
l e ngt h = 7. 0 i n
or de r = ( - 1. 0 t o 1. 4 by 0. 2)
l abe l =( f =hwc gm001 c =gr e e n h=1. 2 ' I AKU 1' )
of f e s t = ( 3)
val ue =( h=1. 0)
of f s e t = ( 2)
mi nor =none ;
Ti t l e f =hwc gm001 c =gr e e n h=1. 0 ' Bi pl ot AMMI ' ;
r un;
LAMPIRAN 9
BIPLOT
I AKU1
-0. 6
-0. 5
-0. 4
-0. 3
-0. 2
-0. 1
0. 0
0. 1
0. 2
0. 3
0. 4
0. 5
0. 6
0. 7
0. 8
0. 9
RATAAN
-1 0 1 2
LAMPIRAN 10
Tabel Distribusi F ( = 0.05)
v1 v1
v2 1 2 3 4 5 6 7 8 9
1 161.4 199.5 215.7 224.6 230.2 234 236.8 238.9 240.5
2 18.51 19 19.16 19.25 19.3 19.33 19.35 19.37 19.38
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.1
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68
8 5.32 4.46 4.07 3.84 3.69 3.58 3.5 3.44 3.39
9 2.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18
10 4.96 4.1 3.71 3.48 3.33 3.22 3.14 3.07 3.02
11 4.84 3.98 3.59 3.36 3.2 3.09 3.01 2.95 2.9
12 4.75 3.89 3.49 3.26 3.11 3 2.91 2.85 2.8
13 4.67 3.81 3.41 3.18 3.03 2.92 2.93 2.77 2.71
14 4.6 3.74 3.34 3.11 2.96 2.85 2.76 2.7 2.65
15 4.54 3.68 3.29 3.06 2.9 2.79 2.71 2.64 2.59
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 259 2.54
17 4.45 3.59 3.2 2.96 2.81 2.7 2.61 2.55 2.49
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46
19 4.38 3.52 3.13 2.9 2.74 2.63 2.54 2.48 2.42
20 4.35 3.49 3.1 2.87 2.71 2.6 2.51 2.45 2.39
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37
22 4.3 3.44 3.05 2.82 2.66 2.55 2.46 2.4 2.34
23 4.28 3.42 3.03 2.8 2.64 2.53 2.44 2.37 2.32
24 4.26 3.4 3.01 2.78 2.62 2.51 2.42 2.36 2.3
25 4.24 3.39 2.99 2.76 2.6 2.49 2.4 2.34 2.28
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25
28 4.2 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24
29 4.18 3.33 2.93 2.7 2.55 2.43 2.35 2.28 2.22
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12
60 4 3.15 2.76 2.53 2.37 2.25 2.17 2.1 2.04
120 3.92 3.07 2.68 2.45 2.29 2.17 2.09 2.02 1.96
3.84 3 2.6 2.37 2.21 2.1 2.01 1.94 1.88