7

BAB 2

LANDASAN TEORI



2.1 Rancangan Percobaan

Rancangan percobaan merupakan suatu uji dalam atau deretan uji baik menggunakan
statistika deskripsi maupun statistika inferensia, yang bertujuan untuk mengubah
peubah input menjadi suatu output yang merupakan respon dari percobaan tersebut
(Mattjik & Sumertajaya).
Dalam suatu rancangan percobaan, data yang dianalisis dikatakan sah jika data
tersebut memenuhi tiga prinsip dasar berikut, yaitu:
1. Ulangan, yaitu melokalisasi sutu perlakua tertentu terhadap beberapa unit
percobaan pada kondisi seragam.
2. Pengacakan, yaitu setiap unit percobaan harus memiliki peluang yang sama
untuk diberikan suatu perlakuan tertentu.
3. Pengendalian lingkungan, yaitu usaha untuk mengendalikan keragaman yang
muncul akibat keheterogenan kondisi lingkungan.

Istilah-istilah dalam rancangan percobaan yang biasa dikenal adalah perlakuan
yaitu suatu prosedur atau metode yang diterapkan pada unit percobaan, unit percobaan
yaitu unit terkecil dari suatu percobaan yang diberikan suatu percobaan, dan satuan
amatan yaitu anak gugus dari unit percobaan tempat dimana respon perlakuan diukur.

Rangkaian kegiatan untuk mengamati pengaruh peubah X atau variabel bebas
(dependent variable) terhadap Y peragam tak bebas (independent variable), maka X
disebut dengan faktor perlakuan dan Y faktor pengamatan.



8
2.2 Rancangan Acak Kelompok

Rancangan acak kelompok merupakan salah satu rancangan yang telah digunakan
secara meluas dalam berbagai penyelidikan pertanian, industri, dan sebagainya.
Rancangan ini dicirikan dengan adanya kelompok dalam jumlah yang sama, dengan
setiap kelompok dikenakan perlakuan-perlakuan. Melalui pengelompokan yang tetap
atau efektif maka rancangan ini dapat mengurangi galat percobaan.

Rancangan acak kelompok memiliki kondisi di lapangan yang tidak homogen,
selalu mengalami perubahan kondisi (misalnya air, temperatur, dan lain-lain).

Kondisi yang dianggap sebagai kelompok antara lain:
1. Areal lahan (daratan, perairan, laut)
2. Waktu pengamatan (siang, malam)
3. Alat percobaan (mesin berbeda merek)
4. Tenaga kerja (wanita, anak, tenaga terlatih, kurang pengalaman, dan lain-lain)
5. Dan sebagainya

Rancangan acak kelompok lebih efisien dan akurat dibandingkan dengan
rancangan acak lengkap karena pengelompokan yang efektif akan menurunkan jumlah
kuadrat galat, sehingga akan meningkatkan ketepatan atau dapat mengurangi jumlah
ulangan. Dengan banyaknya perlakuan, ulangan/ kelompok serta tidak semua
kelompok memerlukan satuan percobaan yang sama menjadikan rancangan acak
kelompok lebih fleksibel sehingga dalam penarikan kesimpulan dari suatu percobaan
rancangan acak kelompok dapet terlihat jelas perbedaan antara kelompok.

Secara umum model linier dari rancangan acak kelompok:



i = 1, 2, ..., a
j = 1, 2, , b

9


Tabel 2.1 Kuadrat Terkecil Bagi Parameter
Parameter Penduga



j

ij


Refresentasi data dari model linier adalah sebagai berikut:


Analisis ragam diperoleh dari pemisahan jumlah kuadrat total terkoreksi (JKT)


Sehingga secara definisi tampak JKT = JKP + JKK + JK

Tabel 2.2 Randomisasi dan Bagan Percobaan
Perlakuan kelompok Jumlah Rerataan
1 2 i k (TP)
1 Y
11
Y
21
Y
31
Y
k1
TP
1
2 Y
11
Y
22
Y
32
Y
k2
TP
2
j Y
1j
Y
1j
Y
3j
Y
kj
TP
j


t Y
1t
Y
2t
Y
it
Y
kt
TP
t
Jumlah (TK) TK
1
TK
2
TK
i
TK
k
T
ij









10
Untuk mencari keragaman masing-masing dirumuskan sebagai berikut:
Faktor Koreksi (FK) = nilai untuk mengkoreksi


Dengan:
t : jumlah perlakuan
r : jumlah lokasi
Jumlah Kuadrat Total



Jumlah Kuadrat Kelompok



Jumlah Kuadrat Perlakuan



Jumlah Kuadrat Galat


Tabel 2.3 Analisis Ragam (analysis of variance) RAK
Sumber
keragaman
Db JK KT Fhitung Ftabel
Kelompok v1=k-1 JKK JKK/v1 KTK/KTG (v1, v3)
Perlakuan v2=t-1 JKP JKP/v2 KTP/KTG (v2, v3)
Galat JKG JKG/v3
Total kt-1=v1 JKT



11

Dengan:





2.3 Matriks dan Vektor

Matriks didefinisikan sebagai suatu objek variabel-variabel atau operator-operator dan
sebagainya yang disusun secara teratur memuat baris dan kolom membentuk suatu
persegi panjang dan dibatasi tanda kurung siku atau kurung biasa.

Jika A sebuah matriks, maka digunakan untuk menyatakan entri yang terdapat
di dalam baris i dan kolom j dari A, i = 1, 2,,m; j = 1, 2,,n. Jadi matriks m n
secara umum dapat ditulis sebagai berikut:


Suatu matriks yang hanya memuat satu baris atau satu kolom disebut vektor.
Dalam hal ini matriks yang memuat hanya satu baris disebut vektor baris sedangkan
yang hanya memuat satu kolom disebut vektor kolom.

2.3.1 Matriks Identitas

Matriks identitas merupakan matriks bujur sangkar dengan semua elemen diagonal
utama mempunyai nilai 1 (satu) dan elemen lainnya merupakan nilai 0 (nol), sehingga
untuk matriks untuk i = j maka a
ij
= 1







12
Sebagai contoh untuk matriks identitas berordo 2, yaitu:


Untuk matriks identitas berordo 3, yaitu:


2.3.2 Matriks Transfose

Jika A adalah sembarang matriks , maka transpose A dinyatakan dengan
A
T
dan didefinisikan dengan matriks yang didapat dengan mempertukarkan
baris-baris dan kolom-kolom dari A. Sehingga kolom pertama dati A
T
adalah baris
pertama dari matriks A, kolom kedua dari A
T
adalah baris kedua dari matriks A,
demikian seterusnya.





2.3.3 Matriks Diagonal

A dapat dikatakan suatu matriks diagonal, jika elemen-elemen selain elemen pada
diagonal utamanya adalah 0 (nol).






13

2.3.4 Trace Matriks

Jika A adalah sebuah matriks bujursangkar, maka trace dari A dinyatakan sebagai
TR(A), didefinisikan sebagai jumlah entri-entri pada diagonal utama A. Trace dari A
tidak dapat didefinisikan jika A bukan matriks bujursangkar.

2.3.5 Nilai Eigen dan Vektor Eigen

Persamaannya berbentuk,

Dengan:
A : matriks bujur sangkar
: bilangan skalar yang disebut akar ciri (nilai eigen) dari A
x : vektor ciri yang bersesuaian dengan
Untuk penyelesaian non-trivial yakni x 0, nilai disebut nilai eigen atau nilai
karakteristik atau nilai laten dari matriks A.

Dari persamaan diatas diperoleh,

Sehingga terbentuk,




Dengan memindahkan suku-suku disisi kanan ke sisi kiri, persamaan diatas diatas
dapat disederhanakan menjadi





14
Sehingga

Dari bentuk matriks diatas diperoleh persamaan,
( ) A. x = x A. x - x = 0 A - I x = 0

Agar diperoleh penyelesaian non-trivial maka harus nol.




2.4 Analisis Komponen Utama

Analisis komponen utama merupakan teknik statistik yang digunakan untuk
menjelaskan sturktur variansi-kovariansi dari sekumpulan variabel melalui beberapa
variabel baru ini saling bebas, dan merupakan kombinasi linier dari variabel asal.
Selanjutnya variabel baru ini dinamakan komponen utama (principal component).

Secara umum tujuan analisis komponen utama adalah menjelaskan sebanyak
mungkin jumlah varian data asli dengan sedikit mungkin konfonen utama yang
disebut faktor. Banyaknya faktor (komponen) yang bisa diekstrak dari data awal/ asli
ialah sebanyak variabel yang ada. Katakan ada m komponen (faktor) yang bisa
diekstrak dari p variabel asli, maka paling banyak m=p, artinya banyaknya komponen
atau faktor yang harus dipertahankan harus sedikit mungkin akan tetapi sudah
mencakup sebagian besar informasi yang terkandung di dalam data asli.





15

2.4.1 Komponen Utama yang Dibentuk Berdasarkan Matriks Kovarian
(Matriks Koragam)

Misalnya merupakan suatu matriks kovariansi dari vektor acak
dengan pasangan nilai eigen dan vektor eigen adalah (
1
, e
1
),
(
2
, e
2
),, (
p
, e
p
), dimana
1

2

p
0, maka komponen utama ke i
didefinisikan sebagai berikut:

Keterangan:
W
1
: komponen pertama yang memenuhi maksimum nilai e
1
e
1
=
1
W
2
: komponen kedua yang memenuhi sisa keragaman selain komponen
pertama meaksimumkan nilai e
2
e
2
=
2.
W
p
: komponen ke- p yang memenuhi sisa keragaman selain dari W
1
, W
2
,
, W
p-1
dengan memaksimuman nilai e
p
e
p
=
p.


Urutan W
1
, W
2
,, W
p
harus memenuhi syarat
1

2

p
. Sementara itu,
proporsi total variansi yang dijelaskan komponen utama ke k adalah:



2.4.2 Komponen Utama yang Dibentuk Berdasarkan Matriks Korelasi

Selain berdasarkan matriks kovariansi, komponen utama juga dapat dibentuk
berdasarkan matriks korelasi. Hal ini dilakukan jika variabel-variabel bebas yang
diamati mempunyai perbedaan range yang besar.

Komponen utama ke- i ; W
i
yang dibentuk berdasarkan variabel-variabel yang
telah dibakukan dengan didefinisikan sebagai
berikut:


16
Sementara itu, proporsi total variansi yang dapat dijelaskan oleh oleh
komponen utama kevariabel bebas yang telah dibakukan didefinisikan sebagai
berikut:





2.5 Pengaruh Utama Aditif dengan Interaksi Ganda (UAIG) atau Aditif Main
Effects and Multiplicative Interaction (AMMI)

Bentuk liniernya dapat ditulis secara lengkap sebagai berikut:


Untuk mengkaji pengaruh utama genotipe pada berbagai lingkungan dapat
dilakukan melalui uji multilokasi. Uji ini dapat dilakukan dengan melibatkan
berbagai genotipe pada berbagai kondisi lingkungan, yang meliputi tempat, tahun
tanam dan berbagai perlakuan agronomi lainnya. Uji ini dilakukan sebagai mana
halnya dalam rancangan percobaan biasa, hanya saja blok atau kelompok disarangkan
ke dalam lingkungan. Analisis multilokasi biasa disebut analisis ragam gabungan
(Composite Analysis of Variance).

Permasalahan selanjutnya yang sering dihadapi adalah bagaimana
menguraikan pengaruh interaksi genotipe dengan lingkungan secara efektif. Berbagai
metode telah dikembangkan oleh berbagai tokoh statistika seperti Eberthart Russel,
Finlay Wilkinson, dan Tukey. Metode yang dikemukaan oleh ketiga tokoh besar
tersebut cukup efektif dalam memilah genotipe-genotipe yang stabil dan spesifik.
Namun pendekatan ini masih meninggalkan keragaman yang cukup besar, karena
pendekatan ini hanya menjelaskan komponen linier dari pengaruh interaksi sehingga
apabila pola interaksi genotipenya terhadap lingkungan tidak linier akan menyisakan
keragaman yang cukup besar.





17

Kelemahan ini memicu berkembangnya metode UAIG (Pengaruh Utama Aditif
dengan Interaksi Ganda) atau dikenal juga dengan metode AMMI (Additive Main
Effects and Multiplication Interaction) UAIG sangat efektif menjelaskan interaksi
genotipe dengan lingkungan. Penguraian pengaruh interaksi dilakukan dengan model
bilinier, sehingga kesesuaian tempat tumbuh bagi genotipe akan dapat dipetakan
secara jelas.

Perkembangan metode UAIG sampai saat ini sudah diterapkan untuk model
tetap (AMMI) yaitu jika perlakuan dan lingkungan ditentukan secara subjektif oleh
peneliti dan kesimpulan yang diharapkan hanya terbatas pada perlakuan dan
lingkungan yang dicobakan saja. Model campuran (Mixed AMMI) yaitu yang salah
satu dari perlakuan atau lingkungan bersifat acak dan kesimpulan untuk factor acak
berlaku untuk populasi taraf dari faktor acak. Metode kategorik (Generalized Linier
Model AMMI) yaitu jika respon yang diamati bersifat kategorik seperti tingkat
serangan hama (ringan, sedang, dan berat). Expectation Maximatation AMMI yaitu
metode yang digunakan dalam menangani data hilang.

Dalam mengkaji stabilitas dalam beberapa kasus tidak cukup hanya dilihat dari
satu sisi. Selama ini kajian stabilitas hanya melihat semata-mata berdasarkan
produktifitas tanaman, sehingga terkesan kajain stabilitas masih terfokus pada masa
kuantitas belum menyentuh aspek kualitas. Oleh karena itu perlu pendekatan yang
lebih perlu pendekatan yang lebih konfrehensif dalam melakukan kajian stabilitas
yaitu dengan melibatkan beberapa respon yang memasukkan unsur kualitas maupun
kuantitas.

Tahap-tahap penyusunan dengan UAIG atau AMMI adalah sebagai berikut:

1. Melihat pengaruh aditif perlakuan dan lokasi melalui analisis ragam yang
digunakan dalam penulisan ini menggunakan rancangan acak kelompok.
Pada pemodelan UAIG atau AMMI, jumlah kuadrat dihitung sebagaimana
umumnya pada analisis ragam. Namun untuk jumlah kuadrat pengaruh
interaksi komponen ke-n adalah akar ciri dari penguraian matriks koragam
(S) atau matriks korelasi (R).


18
Tabel 2. 4 Analisis Ragam untuk Model UAIG
Sumber
Keragaman
Derajat
Bebas
Jumlah Kuadrat Kuadrat Tengah
Kelompok b(n-1) JKK KTK
Perlakuan a-1 JKA KTA
Lokasi b-1 JKB KTB
Perlakuan*Lokasi (a-1) JK(A*B) KT(A*B)
IKU-1 a+b-1-2(1) JKKU1 KTKU1
IKU-2 a+b-1-2(1) JKKU2 KTKU2

Galat b(a-1)(n-1) JKG KTG
Total abn-1 JKT

2. Menyusun matriks pengaruh interaksi perlakuan (kolom) dengan lokasi
(baris) sehingga berukuran a b kemudian melakukan penguraian matriks
tersebut melalui analisis komponen utama.

2.6.1 Skor Komponen Utama Pertama

Untuk menyesaikan kasus dalam pengaruh utama aditif dengan interaksi ganda
(UAIG) dilakukan dengan pula mencari skor komponen utama pertama dari analisis
komponen utama terhadap data respon peubah asal.

Tahapan analisis yang dilakukan pada pendekatan ini adalah sebagai berikut:

1. Hitung matriks koragam (S) atau matriks korelasi (R)

Dengan:
, i=j

, ij

19


p
R
p

Dengan:


2. Cari vektor ciri (eigen vector) dan akar ciri (eigen
value) dari persamaan
atau
Dengan ketentuan sebagai berikut:
1. Gunakan matriks koragam (S) jika peubah-peubah
yang dianalisis memiliki satuan yang sama dan gunakan matriks korelasi
(R) jika peubah-peubah yang dianalisis memiliki satuan yang berbeda.
2. Tata vektor ciri (eigen vector) yang berpadan
dengan akar ciri (eigen value) .

2.6.2 Metode Pembobotan Berdasarkan Analisis Komponen Utama

Banyaknya komponen utama yang dipilih ditentukan berdasarkan persentase
keragaman kumulatif.
Persentase keragaman kumulatif dapat dihitung sebagai berikut:


Batas minimal persentase keragaman kumulatif yang digunakan adalah 75%.










20

2.6.3 Nilai Komponen UAIG (AMMI)

Nilai Analisis komponen utama direduksi dan dianalisis kebermaknaannya
berdasarkan prosedur Uji F. Gollob, yaitu sebagai berikut:

1. Bila komponen bermakna atau hasilnya berpengaruh secara signifikan terhadap
taraf hanya 0.05 atau 0.01 adalah IKU-1, maka model yang berlaku adalah
AMMI-1.

2. Bila kedua komponen IKU-1 dan IKU-2 bermakna atau berpengaruh secara
signifikan, maka model yang berlaku adalah AMMI-2.

3. Bila tak satupun komponen bermakna, maka model yang berlaku adalah
AMMI-0.

Tingkat stabilitas perlakuan dianalisis berdasarkan parameter stabilitas UAIG
yaitu AMMI Stability Value (ASV) dapat dihitung sebagai berikut:


Dengan:
ASV : AMMI Stability Value (Stabilitas Nilai UAIG)
IKU : Interaksi Komponen Utama
JK IKU1 : Jumlah Kudrat Interaksi Komponen Utama pertama
JK IKU2 : Jumlah Kuadrat Interaksi Komponen Utama kedua