Bahan bacaan penunjang kuliah

APLIKASI MINITAB DALAM PERANCANGAN

PERCOBAAN DI BIDANG AGRONOMI

Oleh:
I. Marzuki

FAKULTAS PERTANIAN

UNIVERSITAS PATTIMURA
AMBON
2005
Kata Pengantar

Kami memanjatkan puji dan syukur ke hadirat Allah SWT atas selesainya penulisan
buku ini.
Buku ini dimaksudkan untuk memberikan pengetahuan praktis bagi mahasiswa
Pertanian (Agronomi) mengenai aplikasi Minitab dalam analisis data percobaan. Agar
dapat memahami dengan baik buku ini, mahasiswa perlu memiliki pengetahunan yang
cukup tentang statistika parametrik dan Perancangan Percobaan. Di samping itu,
mahasiswa juga harus sudah tidak asing dengan program-program komputer aplikasi
seperti misalnya Excel.
Materi yang disusun dalam buku ini dipersiapkan sebagai bahan penunjang kuliah
Perancangan Percobaan. Bagi mahasiswa tingkat akhir yang sedang mempersiapkan
rencana penelitian, buku ini dapat membantu dimana di dalamnya terdapat contoh-contoh
hasil percobaan berikut analisis data dan interpretasinya.
Agar program Minitab dapat dipraktikkan secara langsung oleh mahasiswa maka di
dalam buku ini disertakan CD program berikut beberapa contoh file data.
Semoga buku ini memberikan manfaat.
Terima kasih.
MAr

A. PENGANTAR MINITAB
Minitab adalah program komputer untuk manajemen data dan analisis statistik.
Minitab yang digunakan dalam tulisan ini adalah Minitab versi 13 yang bekerja di bawah
sistem operasi Windows.
Minitab memiliki tiga jendela atau window: Session, Project Manager, dan
Worksheet. Jendela Session berfungsi menuliskan perintah-perintah dan/atau melihat
hasil analisis. Jendela Project Manager mengatur jendela, grafik, worksheet, dokumen,
dan informasi lainnya. Sementara untuk mengentri dan manipulasi data dilakukan di
jendela Worksheet. Jendela ini mirip dengan worksheet program Excel.
Terdapat beberapa tipe file yang ditangani Minitab yaitu: Minitab saved worksheet
(MTW), Lotus 1-2-3 (WK?), Minitab portable worksheet (MTP), dBASE (DBF), Excel
(XLS), FoxPro (dBASE format), Quattro Pro (WB1,WQ1), dan Text file (TXT, DAT).
Untuk mempersiapkan data di luar sistem Minitab, pengguna dapat memilih progam
Excel atau Notepad.
Untuk keperluan perancangan percobaan, Minitab menyediakan fasilitas analisis
statistik antara lain Analisis Ragam (ANOVA), Analisis Peragam (ANCOVA), Uji
Pembandingan Rata-rata, Analisis Regresi dan Korelasi, dan Uji nonparametrik.

Gambar 1. Tampilan jendela Session dan Worksheet Minitab.

Gambar 2. Kotak prosedur ANOVA Rancangan Acak Kelompok.

Gambar 2 di atas memperlihatkan kotak Response, Row factor, dan Column faktor
ANOVA Rancangan Acak Kelompok. Kotak Response untuk variabel respon, kotak
Row factor untuk faktor perlakuan, dan kotak Column factor dengan faktor kelompok.
Kotak Display means diconteng bila ingin menampilkan nilai rata-rata respon menurut
perlakuan dan/atau kelompok.
Untuk melakukan analisis ragam beberapa variabel respon sekaligus digunakan
prosedur ANOVA GLM.

B. PRINSIP-PRINSIP PERANCANGAN PERCOBAAN

Secara umum dikenal dua tipe penelitian, penelitian eksperimen (experimental research)
dan penelitian survei (survay research). Penelitian eksperimen dapat berbentuk percobaan
laboratorium atau lapangan dan ujicoba (trial). Di bidang Agronomi tipe penelitian eksperimen
paling sering digunakan meskipun survei kadang-kadang diperlukan. Penelitian ujicoba umum di
bidang peternakan dan kedokteran hewan. Setiap penelitian, apapun bentuknya, selalu
menggunakan pendekatan atau prosedur ilmiah.
Percobaan Agronomi juga menggunakan prosedur ilmiah melalui perancangan percobaan
(experimental design). Pada dasarnya rancangan percobaan memiliki tiga unsur pokok: Ulangan,
Pengacakan, dan Pengendalian Lingkungan. Ulangan dan Pengacakan adalah dua unsur yang
harus ada dalam setiap percobaan. Pengendalian Lingkungan percobaan dapat dilakukan bila
diperlukan. Unsur ini bila dimasukkan dalam percobaan dapat meningkatkan ketelitian.
Setiap percobaan dicirikan oleh unsur-unsur berikut.
perlakuan (treatment)
ulangan (replication)
pengacakan (randomization)
pengelompokan (blocking)
satuan percobaan (experimental unit)
4

respon (response)

Perlakuan adalah sesuatu yang diberikan pada satuan percobaan yang hendak diukur
pengaruhnya. Perlakuan ini dapat berupa dosis pupuk, varietas tanaman, kondisi lingkungan, atau
kombinasinya. Kombinasi dua atau lebih perlakuan akan membentuk percobaan faktorial.
Bila perlakuan yang sama diberikan/diterapkan lebih dari sekali pada satuan percobaan
maka ulangan telah dilakukan. Setiap perlakuan sedikitnya memiliki dua ulangan. Dalam
percobaan agronomi ulangan biasanya tidak kurang dari tiga.
Dalam merancang suatu percobaan harus dipastikan setiap satuan percobaan memiliki
peluang yang sama untuk mendapatkan atau dikenai perlakuan tertentu. Prinsip ini
menggambarkan unsur pengacakan perlakuan. Kalau prinsip ini dilanggar penelitian tersebut
tidak sahih dan menghasilkan kesimpulan yang berbias.
Bila bahan percobaan (tanaman, tanah, atau bibit) memperlihatkan keragaman internal
yang nyata, sebaiknya bahan-bahan ini dikelompokkan ke dalam satuan-satuan yang lebih
homogen. Kaidah pengelompokan adalah memperkecil variasi dalam kelompok, dan
memperbesar variasi antar kelompok. Bahan-bahan percobaan dapat dikelompokkan ke dalam
satu arah, seperti pada Rancangan Acak Kelompok atau dua arah seperti pada Rancangan Bujur
Sangkar Latin. Pengelompokan bahan-bahan percobaan haruslah didasarkan pada suatu
karakteristik atau sifat yang secara nyata dapat diamati atau diukur. Misalnya pengelompokan
bahan tanaman berdasarkan umur, tinggi, sumber benih atau sifat-sifat bahan lainnya yang dapat
diamati.
Satuan percobaan adalah satuan bahan percobaan dimana perlakuan diterapkan atau
diberikan. Satuan percobaan dapat berupa beberapa rumpun tanaman dalam petakan, satu
tanaman dalam pot, atau hanya sehelai daun. Satuan percobaan ditetapkan berdasarkan tujuan
penelitian dan variabel respon yang diamati.
Respon adalah sifat atau karakteristik satuan percobaan yang diukur atau diamati sebagai
variabel tak bebas (dependent variable).
Pada dasarnya rancangan percobaan tersusun dari tiga bagian: rancangan perlakuan,
rancangan lingkungan, dan rancangan pengukuran. Rancangan perlakuan berkaitan dengan
bagaimana perlakuan-perlakuan dibentuk dan oleh karenanya dikenal percobaan satu-faktor dan
percobaan dua-faktor atau lebih. Percobaan yang melibatkan dua faktor atau lebih disebut
percobaan faktorial. Faktor-faktor ini satu sama lain dapat bersilang (crossed), tersarang (nested),
atau campuran (mixed). Satu faktor dalam percobaan dapat bersifat tetap (fixed model) atau acak
(random model). Percobaan yang melibatkan faktor bersilang dan tersarang membentuk
perlakuan model campuran (mixed model). Umumnya percobaan Agronomi faktor-faktornya
bersifat tetap, kecuali disebutkan lain.
Rancangan lingkungan menggambarkan bagaimana perlakuan ditempatkan dalam satuan
percobaan dan karenanya dikenal Rancangan Acak Lengkap (RAL), Rancangan Acak Kelompok
(RAK), Rancangan Busur Sangkar Latin (RBSL), Rancangan Petak Terbagi (RPT), Rancangan
Blok Terbagi (RBT), Rancangan Kisi (RK), dan rancangan turunan lainnya.
Rancangan pengukuran menentukan bagaimana respon diambil dan diamati.
Tahapan umum dalam melakukan percobaan adalah:
(1) Menetapkan masalah
(2) Menetapkan tujuan
(3) Memilih perlakuan
5

(4)
(5)
(6)
(7)
(8)
(9)

Memilih bahan percobaan

Memilih rancangan percobaan
Memilih satuan pengamatan dan jumlah ulangan
Melakukan percobaan
Analisis data dan interpretasi
Pembuatan laporan.

Hasil percobaan umumnya diarahkan pada prosedur analisis ragam atau ANOVA. Bila
mengikutkan variabel peragam dapat dilakukan analisis peragam ANCOVA. Hasil analisis
biasanya ditampilkan dalam bentuk tabel ANOVA. Dalam percobaan Agronomi selain analisis
ragam/peragam juga sering diperlukan analisis Regresi dan Korelasi untuk mengetahui bentuk
hubungan variabel.
Untuk mengetahui perlakuan mana saja yang berpengaruh terhadap respon dilakukan
pengujian lebih lanjut menggunakan uji Pembandingan Nilai Rata-Rata (mean comparison).

C. JENIS-JENIS RANCANGAN PERCOBAAN

1. Rancangan Acak Lengkap (RAL)
Rancangan ini tergolong yang paling sederhana, digunakan bila bahan-bahan
percobaan relatif seragam atau homogen. RAL sering dipakai dalam percobaan pada
lingkungan yang (relatif) terkendali seperti percobaan laboratorium atau rumahkaca.
Pengacakan dan Layout
Pengacakan perlakuan dilakukan hanya sekali untuk seluruh satuan percobaan.
Banyaknya ulangan dalam setiap perlakuan tidak mesti sama meskipun jumlah ulangan
yang sama lebih memudahkan dalam analisis data.

Layout RAL 5 perlakuan (A, B, C, D, E) dan empat ulangan adalah seperti berikut.
B1
B3
C3
C4

A2
C2
B4
A3

B2
D2
E1
A1

C1
E2
A4
D4

D3
E3
D1
E4

Analisis Ragam
Terdapat dua sumber keragaman dalam RAL yaitu keragaman yang terjadi karena
perlakuan dan keragaman antar satuan percobaan yang mendapat perlakuan sama.
Keragaman yang kedua ini disebut galat percobaan (experimental error). Oleh karena itu,
tabel ANOVA RAL memiliki dua komponen keragaman, perlakuan dan galat. Tabel
analisis ragam RAL ulangan sama tampak seperti berikut.

Sumber
keragaman
Perlakuan (P)
Galat (G)
Total (T)

Derajat bebas
(db)
t-1
t (r-1)
tr -1

Jumlah Kuadrat
(JK)
JKP
JKG
JKT

Kuadrat Tengah
(KT)
KTP
KTG
-

Fhitung
KTP/KTG
-

t = banyaknya perlakuan (P); r = banyaknya ulangan.

2. Rancangan Acak Kelompok (RAK)

RAK merupakan pengembangan dari RAL dimana terdapat pengelompokan satuansatuan percobaan. RAK dimaksudkan untuk mengatasi kesulitan mendapatkan bahanbahan percobaan yang seragam dalam jumlah cukup besar.
Pengelompokan dalam RAK dilakukan dengan mengumpulkan satuan-satuan
percobaan ke dalam kelompok-kelompok yang (relatif) homogen. Dasar pengelompokan
adalah suatu sifat atau atribut seperti misalnya perbedaan umur tanaman, asal benih, atau
perbedaan kesuburan tanah.
Di lapangan, pengelompokan dapat berupa pembagian lahan ke dalam blok-blok
menurut perbedaan elevasi atau kemiringan lahan.
Pengacakan dan Layout
Setelah satuan-satuan percobaan dikelompokkan ke dalam kelompok yang
dikehendaki, perlakuan kemudian diterapkan secara acak pada setiap kelompok.
Pengacakan dilakukan sesuai banyaknya kelompok yang dibentuk.
Berikut adalah contoh layout RAK 6 perlakuan (T1 sampai T6) dan 3 ulangan.
Kelompok 1
Kelompok 2
Kelompok 3

T1
T2
T4

T6
T3
T2

T5
T1
T4

T2
T5
T3

T4
T3
T5

T3
T4
T1

Perhatikan layout di atas semua perlakuan ada di setiap kelompok.

Analisis Ragam
Dalam RAK terdapat tiga sumber keragaman: perlakuan, pengelompokan, dan galat.
Pengertian kelompok dalam RAK sama dengan ulangan. Tabel analisis ragam RAK
seperti berikut.
Sumber
keragaman
Perlakuan
Kelompok
Galat
Total

Derajat bebas
(db)
t-1
r-1

Jumlah Kuadrat
(JK)
JKP
JKK

Kuadrat Tengah
(KT)
KTP
KTK

(t-1) (r-1)
tr -1

JKG
JKT

KTG
-

Fhitung
KTP/KTG
KTK/KT
G
-

3. Rancangan Bujur Sangkar Latin (RBSL)

Rancangan ini merupakan pengembangan dari RAK dimaksudkan untuk mengatasi
kesulitan keragaman bahan atau kondisi percobaan yang disebabkan oleh dua arah
(sumber) sekaligus. Oleh karena itu, perlakuan dikelompokan dalam dua arah, baris dan
lajur. Pengelompokan dua arah ini juga didasarkan pada sifat bahan atau kondisi
lingkungan percobaan. Bila arah datangnya sinar matahari (timur dan barat) misalnya,
dianggap berpengaruh terhadap percobaan maka pengelompokan arah timur dan barat
dapat dipertimbangkan.
Dalam percobaan Agronomi, pengertian baris dapat berupa kemiringan lahan, dan
lajur dapat berarti arah datangnya angin.
Pada RBSL banyaknya perlakuan harus sama dengan banyaknya baris, lajur, dan
ulangan. Kemudian setiap perlakuan hanya boleh muncul sekali dalam setiap baris dan
lajur. Dengan persyaratan seperti ini RBSL menjadi tidak efisien bila banyaknya
perlakuan bertambah.
Pengacakan dan Layout
Pertama, perlakuan ditempatkan secara acak dalam arah baris dan kemudian dalam
arah lajur dengan tetap mengingat bahwa tidak boleh perlakuan yang sama berada dalam
baris atau lajur yang sama. Untuk memudahkan pengacakan pada RBSL dapat
menggunakan bantuan tabel pengacakan yang biasanya terlampir dalam buku-buku
Rancangan Percobaan.
Berikut adalah contoh layout RBSL 4 perlakuan (A, B, C, D).

Baris
Perhatikan tidak ada perlakuan yang sama dalam arah baris maupun lajur.
Analisis Ragam
Terdapat empat sumber keragaman pada RBSL: perlakuan, baris, lajur, dan galat.
Tabel analisis ragam RBSL adalah seperti berikut.
8

Sumber
keragaman
Perlakuan
Baris
Lajur
Galat
Total

Derajat bebas
(db)
r-1
r-1
r-1
(r-1) (r-2)
r2 -1

Jumlah Kuadrat
(JK)
JKP
JKB
JKL
JKG
JKT

Kuadrat Tengah
(KT)
KTP
KTB
KTL
KTG
-

Fhitung
KTP/KTG
KTB/KTG
KTL/KTG
-

4. Percobaan Faktorial
Percobaan faktorial merupakan percobaan yang melibatkan dua faktor atau lebih.
Setiap faktor minimal mempunyai dua taraf. Tujuan utama percobaan faktorial adalah
untuk mengetahui pengaruh satu faktor pada berbagai taraf faktor lainnya terhadap
respon. Bagian yang diutamakan dalam percobaan faktorial adalah pengaruh interaksi.
Misalkan faktor A terdiri atas tiga taraf (a1, a2, a3) dan faktor B dengan 2 taraf (b1,
b2) maka banyaknya kombinasi perlakuan faktorial yang dapat disusun adalah 3x2 = 6.

Respon

Respon
b1

b1
b2

b2

a1

a2

a3

a1

(1)

a2

a3

(2)

Gambar (1) menunjukkan faktor A dan B yang tidak berinteraksi; Gambar (2)
memperlihatkan A dan B beinteraksi.
Kelebihan percobaan faktorial adalah kemampuannya mendeteksi respon dari taraf
masing-masing faktor (pengaruh utama) dan interaksi antara dua faktor (pengaruh
sederhana). Dua faktor atau lebih juga dapat menghasilkan formasi faktorial dalam
bentuk RPT dan RBT.

4.1. Percobaan faktorial RAL dua faktor

Percobaan faktorial dua faktor yang menggunakan rancangan lingkungan RAL
menghendaki satuan-satuan percobaan yang (relatif) homogen seperti halnya pada RAL
satu faktor.
Pengacakan dan Layout
Setelah semua kombinasi taraf dari faktor dibentuk, kemudian pengacakan dilakukan
dengan prosedur yang sama seperti pengacakan percobaan RAL satu faktor. Untuk
9

10

percobaan dua faktor misalkan, A dan B, dimana keduanya memiliki tiga taraf (a1, a2, a3
dan b1, b2, b3) maka banyaknya kombinasi perlakuan yang dapat dibentuk adalah
sembilan.
(a1b1) (a1b2) (a1b3)
(a2b1) (a2b2) (a2b3)
(a3b1) (a3b2) (a3b3)
Pengacakan dan layout semua kombinasi perlakuan di atas dengan tiga ulangan dapat
disusun sebagai berikut. Subskrip menunjukkan nomor ulangan.
(a1b2)1 (a2b3)1 (a3b2)2 (a1b1)1 (a1b3)1 (a3b2)2 (a1b3)2 (a2b1)3 (a3b3)2
(a2b2)1 (a1b2)2 (a2b3)2 (a3b1)3 (a2b1)2 (a3b3)1 (a2b3)3 (a3b1)2 (a3b1)1
(a2b2)2 (a2b2)3 (a1b1)2 (a2b1)1 (a1b1)3 (a3b2)3 (a1b3)3 (a1b2)3 (a3b3)3

Analisis Ragam
Terdapat empat sumber keragaman pada percobaan faktorial RAL dua faktor yaitu:
faktor A, faktor B, interaksi AB, dan galat. Untuk percobaan faktorial dimana kedua
faktornya tetap (fixed), tabel ANOVA-nya adalah sebagai berikut.
Sumber
keragaman
A
B
AB
Galat
Total

Derajat bebas
(db)
a-1
b-1
(a-1) (b-1)

Jumlah Kuadrat
(JK)
JKA
JKB
JKAB

Kuadrat Tengah
(KT)
KTA
KTB
KTAB

ab (r-1)
abr -1

JKG
JKT

KTG
-

Fhitung
KTA/KTG
KTB/KTG
KTAB/KT
G
-

Adalah penting untuk diperhatikan apakah suatu faktor (perlakuan) bersifat tetap atau
acak karena akan menentukan nilai harapan kuadrat tengah. Hal ini penting misalnya
dalam menghitung nilai komponen ragam dari faktor acak.
4.2. Percobaan faktorial RAK dua faktor
Prinsip percobaan faktorial RAK dua faktor sama dengan RAK faktor tunggal dalam
hal pengacakan dan layout, kecuali terdapat kombinasi perlakuan. Setelah satuan-satuan
percobaan dikelompokkan ke dalam sejumlah kelompok, kombinasi perlakuan kemudian
diberikan secara acak ke dalam satuan-satuan percobaan di setiap kelompok.
Pengacakan dan Layout
Untuk percobaan faktorial dua faktor, A dan B, yang masing-masing mempunyai tiga
taraf akan membentuk sembilan kombinasi perlakuan.
10

11

(a1b1)
(a2b1)
(a3b1)

(a1b2)
(a2b2)
(a3b2)

(a1b3)
(a2b3)
(a3b3)

Bila setiap kombinasi perlakuan diulang tiga kali (kelompok) maka pengacakan dan
layout akan tampak seperti berikut.
Kelompok 1
Kelompok 2
Kelompok 3

a1b2 a2b2
a2b2 a1b2
a1b3 a2b3

a1b1 a3b2 a3b3 a2b2 a3b1

a1b1 a3b3 a2b2 a3b2 a1b3
a1b2 a2b3 a1b1 a1b2 a2b3

a1b3
a2b3
a3b3

a2b3
a2b3
a2b3

Analisis Ragam
Terdapat lima sumber keragaman dalam percobaan jenis ini yaitu: kelompok, faktor
A,B, AB, dan galat. Tabel ANOVA percobaan faktorial RAK dimana A dan B keduanya
faktor tetap adalah sebagai berikut.
Sumber
keragaman
A
B
AB
Kelompok
Galat
Total

Derajat bebas
(db)
a-1
b-1
(a-1) (b-1)
r-1
(ab-1) (r-1)
abr -1

Jumlah Kuadrat
(JK)
JKA
JKB
JKAB
JKK
JKG
JKT

Kuadrat Tengah
(KT)
KTA
KTB
KTAB
KTK
KTG
-

Fhitung
KTA/KTG
KTB/KTG
KTAB/KTG
-

4.3. Percobaan Rancangan Petak Terpisah (RPT)

RPT adalah bentuk khusus rancangan percobaan faktorial dimana kombinasi perlakuan
tidak diacak secara sempurna terhadap satuan-satuan percobaan. Faktor atau perlakuan
ditempatkan ke dalam petak utama (main plot) dan anak petak (sub plot). Faktor yang
lebih diutamakan adanya di petak utama, dan faktor kedua ditempatkan di anak petak.
Setiap petak utama dibagi menjadi beberapa anak petak.
Tipe percobaan ini seringkali tidak luwes karena membutuhkan lahan percobaan yang
realtif luas, seperti misalnya percobaan pemupukan padi sawah.
Pengacakan dan Layout
Pengacakan percobaan RPT dilakukan dua tahap. Pertama, pengacakan penempatan
perlakuan pada petak utama kemudian pengacakan pada anak petak.
Misalkan faktor pertama dosis N (N0, N1, N2); faktor kedua adalah varietas (V1, V2,
V3). Misalkan pada percobaan ini varietas adalah faktor yang ingin diteliti lebih dalam
11

12

maka penempatannya ada di anak petak. Pengacakan dan layout percobaan RPT dua
faktor tiga ulangan adalah sebagai berikut.

Layout RPT menggunakan RAL:

N0
V1
V2
V3

N1
V2
V3
V1

N0
V2
V1
V3

N2
V1
V2
V3

N1
V2
V3
V1

N1
V1
V3
V2

N2
V3
V2
V1

N0
V2
V1
V3

N2
V3
V1
V2

Layout RPT menggunakan RAK:

Kelompok I
V1
V2
V3
N1

V3
V1
V2
N0

Kelompok II
V3
V2
V1
N2

V3
V1
V2
N2

V2
V3
V1
N1

Kelompok III
V3
V2
V1
N0

V1
V3
V2
N2

V1
V2
V3
N0

V3
V1
V2
N1

Analisis Ragam
Percobaan dua faktor, misalnya N dan V, pada RPT menggunakan RAL memiliki lima
sumber keragaman: faktor N, galat (a), faktor V, interaksi NV, dan galat (b). Bila kedua
faktor sifatnya tetap, susunan tabel ANOVA nya adalah sebagai berikut.
Sumber
keragaman
N
Galat (a)
V
NV

Derajat bebas
(db)
n-1
n (r-1)
(v-1)
(n-1) (v-1)

Jumlah Kuadrat
(JK)
JKN
JKGa
JKV
JKNV

Kuadrat Tengah
(KT)
KTN
KTGa
KTV
KTNV

KTN/KTGa
KTV/KTGb
KTNV/KTG

n (v-1) (r-1)
nvr -1

JKGb
JKT

KTGb
-

Fhitung

Galat (b)
Total

Bila menggunakan lingkungan RAK, tabel ANOVA RPT dua faktor, N dan V, menjadi
seperti berikut.
Sumber
keragaman
Kelompok
N
Galat (a)
V
NV
Galat (b)

Derajat bebas
(db)
r-1
n-1
(n-1) (r-1)
v-1
(n-1) (v-1)
n (v-1) (r-1)

Jumlah Kuadrat
(JK)
JKK
JKN
JKGa
JKV
JKNV
JKGb
12

Kuadrat Tengah
(KT)
KTK
KTN
KTGa
KTV
KTNV
KTGb

Fhitung
KTK/KTGa
KTN/KTGa
KTV/KTGb
KTNV/KTGb
-

13

Total

nvr -1

JKT

4.4. Percobaan Rancangan Blok Terpisah (RBT)

Percobaan ini merupakan variasi dari RPT dimana kedua faktornya merupakan petak
utama. Yang ditekankan dalam RBT adalah pengaruh interaksi. Penempatan taraf-taraf
kedua faktor dilakukan saling bersilangan (crossed). RBT dapat diterapkan pada RAK
tetapi tidak pada RAL.
Pengacakan dan Layout
Pengacakan pada RBT dilakukan dua tahap. Pertama, setelah kelompok satuan
percobaan dipilih, taraf-taraf faktor pertama (A) ditempatkan secara acak di setiap
kelompok mengikuti plot lajur. Kedua, menempatkan secara acak taraf-taraf faktor kedua
(B) di setiap kelompok mengikuti plot baris. Layoutnya dapat digambarkan sebagai
berikut.
Arah plot
A1

A3

A2

A2

A1

A3

B1

A1B1

A3B1

A2B1

B2

A2B2

A1B2

A3B2

B2

A1B2

A3B2

A2B2

B3

A2B3

A1B3

A3B3

B3

A1B3

A3B3

A2B3

B1

A2B1

A1B1

A3B1

Taraf faktor sama

Arah plot taraf faktor sama

Analisis Ragam
Percobaan dengan RBT dalam RAK mempunyai tujuh sumber keragaman: kelompok,
faktor A, galat (a), faktor B, galat (b), interaksi AB, dan galat (c). Tabel ANOVA tampak
seperti berikut.
Sumber
keragaman
Kelompok
A
Galat (a)
B
Galat (b)
AB
Galat (c)

Derajat bebas
(db)
r-1
a-1
(a-1) (r-1)
b-1
(n-1) (v-1)
(a-1) (b-1)
(a-1) (b-1) (r-1)

Jumlah Kuadrat
(JK)
JKK
JKA
JKGa
JKB
JKGb
JKAB
JKGc
13

Kuadrat Tengah
(KT)
KTK
KTA
KTGa
KTB
KTGb
KTAB
KTGc

Fhitung
KTK/KTGa
KTA/KTGa
KTB/KTGb
-

KTAB/KTGc
-

14

Total

nvr -1

JKT

14

15

PEMBANDINGAN NILAI RATA-RATA

Pembandingan nilai rata-rata perlakuan dilakukan untuk menjawab pertanyaan:
Perlakuan yang mana yang memberikan pengaruh secara signifikan. Untuk dapat
melakukan pembandingan maka peluang nyata nilai F tabel ANOVA harus signifikan.
Ada tiga metode pembandingan yang umum dilakukan: (1) pembandingan
berpasangan, (2) pembandingan kelompok, dan (3) pembandingan arah.
Pembandingan berpasangan membandingkan semua kemungkinan pasangan perlakuan
atau hanya membandingkan setiap perlakuan dengan kontrolnya. Perlakuan kontrol yang
kuantitatif tidak mesti nilai tarafnya sama dengan nol.
Prosedur untuk membandingkan semua kemungkinan pasangan perlakuan biasanya
menggunakan uji Beda Nyata Jujur (BNJ) Tukey yang juga dikenal sebagai uji HSD
(Honestly Significant Differnece). Bila setiap perlakuan dibandingakan terhadap
kontrolnya maka diggunakan uji Beda Nyata Terkecil (BNT) Dunnett yang dikenal
sebagai uji LSD (Least Significant Difference). Di samping uji BNT dan BNJ terdapat uji
pembandingan lainnya seperti misalnya uji Jarak Berganda Duncan (Duncan's Multiple
Range Test, DMRT).
Nilai kritik yang dipakai oleh uji BNT dalam membandingkan dua perlakuan adalah:
1
1
BNT = t KTG ( + )
r1
r2

dimana, t adalah nilai tabel BNT pada taraf nyata ; r1 dan r2 adalah banaknya ulangan
perlakuan pertama dan kedua.
Sementara nilai kritik bagi uji BNJ adalah sebagai berikut.
KTG
BNJ = Q;p;dbgalat
r
dimana, Q;p;dbgalat adalah nilai tabel Q BNJ dengan taraf nyata pada p perlakuan dengan
db galat.
Untuk uji Duncan menggunakan nilai kritik sebagai berikut.

KTG
D = R;p;dbgalat
r

15

16

dimana, R;p;dbgalat adalah nilai tabel Duncan dengan taraf nyata pada p perlakuan dengan
db galat.
Pembandingan kelompok adalah prosedur pembandingan lainnya yang dapat
digunakan bila di dalam perlakuan itu sendiri mencerminkan kelompok. Sebagai contoh,
misalnya perlakuan pemupukan yang terdiri atas enam jenis: satu pupuk kandang, dua
jenis pupuk N, dan tiga jenis pupuk P. Pada contoh ini perlakuan pupuk mencerminkan
adanya 3 kelompok (pupuk kandang, pupuk N, dan pupuk P).
Prosedur pembandingan kelompok menggunakan koefisien ortogonal. Koefisien
ortogonal biasanya dijumpai pada bagian lampiran dari buku-buku perancangan
percobaan.
Untuk memutuskan apakah dua (kelompok) perlakuan yang diperbandingkan berbeda
secara signifikan atau tidak ditentukan oleh nilai peluang nyata (nilai-P) pembandingan
tersebut. Bila nilai-p lebih kecil dari taraf nyata yang digunakan, 5% atau 1%, maka
perbandingan dimaksud berbeda nyata. Begipula sebaliknya.
Untuk pembandingan arah, perlakuan haruslah bersifat kuantitatif dan terdiri atas
beberapa taraf. Taraf dari perlakuan dapat berjarak sama atau berbeda. Sebagai contoh,
perlakuan pemupukan N dengan lima taraf: 0, 25, 50, 75, dan 100 kg N/ha. Taraf
perlakuan demikian dikatakan berjarak sama karena selisih setiap taraf tetap, yaitu 25.
Pembandingan arah menggunakan prosedur kontras polinomial berderajat bebas 1.
Dengan prosedur ini dapat diketahui arah atau kecendrungan pengaruh suatu perlakuan
(faktor) terhadap respon apakah linier, kuadratik, kubik, atau bentuk polinomial lainnya.
Dalam percobaan Agronomi, pembandingan arah umumnya diteliti hingga derajat
polinomial kubik.
Analisis Korelasi
Korelasi menggambarkan hubungan linear dua variabel atu lebih. Korelasi digunakan
untuk menjawab dua pertanyaan: Seberapa dekatkah dua variabel berhubungan ? dan
Apakah hubungan itu signifikan atau hanya kebetulan ? Untuk menjawab pertanyaan
pertama siperlukan suatu ukuran keeratan hubungan yang disebut koefisien korelasi
Pearson yang dilambangkan dengan r. Jawaban bagi pertanyaan kedua adalah dengan
mengacu pada nilai peluang nyata dari r.
cov xy
Koefisien korelasi x dan y hitung sebagai r =
(var x)(var y)
dimana cov xy adalah peragam x dan y; var x dan var y adalah ragam x dan ragam y.
Nilai r adalah +1 sampai -1.
Dalam bidang Agronomi, analisis korelasi dapat digunakan secara khusus dalam sidik
lintas (path
(path analysis). Sidik lintas adalah metode korelasi yang digunakan dalam
pendugaan hubungan langsung dan tak langsung antarvariabel. Analisis ini sangat
16

17

berguna bagi pemulia tanaman karena dapat membantu proses seleksi tak langsung hasil
tanaman.
Dua unsur utama pada sidik lintas, koefisien korelasi (r) dan koefisien lintas (L).
Kemudian untuk dapat mengaplikasikan sidik lintas perlu pengetahuan mengenai
komponen hasil (yield
(yield components)
components) tanaman yang berkontribusi langsung atau tidak
langsung terhadap pembentukan hasil (yield).
yield).
Misalkan hasil, Y, adalah fungsi dari beberapa komponen hasil, misalkan x 1, x2, dan x3
maka Y = x1 + x2 + x3 + R, dimana R adalah residual atau faktor yang belum
didefinisikan. Untuk ketiga komponen di atas dapat dibentuk persamaan sebagai berikut.
r (x1,Y) = a + r (x1,x2) b + r (x1,x3) c
r (x2,Y) = r (x2,x1) a + b + r (x2,x3) c
r (x3,Y) = r (x3,x1) a + r (x3,x2) b + c
r (R,Y) = h
Korelasi antara X1 dan Y dilambangkan dengan r (x1,Y). Pada persamaan ini a adalah
koefisien lintas dari X1 ke Y; b adalah koefisien lintas dari X2 ke Y; begitu pula c, dan h.
Koefisien lintas didefinisikan sebagai rasio simpangan baku X terhadap simpangan
baku Y dimana Y adalah akibat dan x adalah sebab. Jadi, koefisien lintas bagi lintasan A
Untuk memutuskan suatu komponen hasil (X) adalah penting, digunakan kaidah berikut.
1. korelasinya dengan Y positif;
2. pengaruh langsung X terhadap Y positif dan besar;
3. pengaruh tak langsung X terhadap Y melalui kompoen hasil lainnya negatif kecil
4. pengaruh tak langsung X positif melalui komnponen hasil lainnya.

ASUMSI DALAM ANALISIS RAGAM

Dalam melakukan percobaan seringkali terlupakan bahwa analisis ragam pada
prinsipnya baru dapat dikatakan sah bila memenuhi asumsi ANOVA. Ada empat asumsi
mengenai analisis ragam yaitu:
1.
2.
3.
4.

Galat percobaan menyebar normal, bebas, dan acak.

Ragam perlakuan homogen
Ragam dan rata-rata bebas satu sama lain
Pengaruh perlakuan bersifat aditif.

Sebelum dilakukan analisis lebih lanjut, sangat dianjurkan melakukan uji homogenitas
ragam. Tujuannya adalah untuk memastikan apakah data sudah memenuhi atau tidak
asumsi tentang kesamaan (homogenitas) ragam. Untuk melakukan ini dapat
17

18

menggunakan uji Bartlett. Nilai P uji Bartlett yang melebihi 5% menandakan bahwa
data memenuhi asumsi kehomogenan ragam. Jika tidak, lakukan transformasi data.
Pemenuhan asumsi ANOVA lainnya dapat diperiksa dengan melihat bentuk distribusi
data melalui plot.
TRANSFORMASI DATA
Bila data percobaan tidak memenuhi satu atau beberapa asumsi ANOVA dianjurkan
melakukan transformasi data. Kalau upaya transformasi juga tidak memberikan perbaikan
yang berarti maka data sebaiknya diarahpan ke analisis statistika nonparametrik.
Data yang menunjukkan pola multiplikatif (yang seharusnya aditif) atau simpangan
bakunya proporsional dengan rata-ratanya disarankan ditransformasi logaritma (Log X).
Data hitungan (count) atau kejadian yang jarang atau nilainya sangat kecil seringkali
ragamnya proporsional dengan rata-ratanya sehingga untuk menangani penyimpangan
seperti ini diperlukan transformasi akar kuadrat X atau X + 1/2 bila terdapat data nol.
Transformasi akar kuadrat juga cocok untuk data proporsi atau persentase yang
menunjukkan kisaran 0 - 30% atau 70 - 100 % tetapi tidak keduanya.

18

19

C. APLIKASI MINITAB DALAM PERCOBAAN AGRONOMI

1. Percobaan Satu Faktor: Rancangan Acak Lengkap, Ulangan Sama
Contoh kasus 1:
Sebuah percobaan dilakukan untuk mengetahui efektivitas inokulasi dalam
pembentukan bintil akar kedelai varietas Wilis yang ditumbuhkan pada kondisi tanah
masam (pH sekitar 5,5). Lima dosis inokulum Rhizobium (g/100 g benih) diberikan pada
benih kedelai yang ditanam di dalam polibag. Setiap perlakuan diulang empat kali.
Setelah dua bulan, jumlah bintil akar dihitung. Hasilnya adalah seperti berikut.
Dosis
inokulum
0 (kontrol)
1
2
3
4
5

Jumlah bintil akar

25
31
50
75
65
60

34
35
54
78
61
55

31
38
51
80
52
58

29
36
52
77
53
57

Entri Data
Masukkan variabel jumlah Bintil akar pada kolom C1, variabel Dosis inokulum pada
kolom C2.
Analisis Statistik dan Output
Yang perlu diperiksa sebelum analisis ragam dilakukan adalah apakah asumsi tentang
kehomogenan ragam, sebagai syarat sahnya ANOVA, terpenuhi. Untuk itu diperlukan uji
Bartlett.
Pada jendela Session klik Stat ANOVA Test for Equal Variances. Pada
kotak Response isi variabel Bintil akar, dan variabel Dosis inokulum pada kotak Factor.
Hasil uji Bartlett seperti berikut.
Test for Equal Variances
Response
Factors
ConfLvl

Bintil akar
Dosis inokulum
95.0000

Bonferroni confidence intervals for standard deviations

Lower
1.79765
1.40192
0.81328

Sigma
3.77492
2.94392
1.70783

Upper
25.9655
20.2495
11.7471

N
4
4
4
19

Factor Levels
0
1
2

20

0.99131
2.99608
0.99131

2.08167
6.29153
2.08167

14.3186
43.2758
14.3186

4
4
4

3
4
5

Bartlett's Test (normal distribution)

Test Statistic: 6.859
P-Value
: 0.231

Hasil uji di atas menampilkan nama variabel respon, faktor atau perlakuan, dan
taraf kepercayaan. Uji Bartlett menghasilkan tabel selang kepercayaan Benforroni bagi
simpangan baku, statistik Bartlett, dan nilai-P.
Uji ini menunjukkan bahwa ragam variabel Bintil akar adalah homogen.
Kesimpulan ini didasarkan pada nilai-P 0,231 yang lebih besar dari taraf nyata 5 % (jika
p-Value < 5%, ragamnya tidak homogen sehingga diperluakan transformasi data).
Dengan demikian analisis dapat dilanjutkan ke ANOVA.
Untuk analisis ragam, pada jendela Session klik menu Stat ANOVA Oneway. Kemudian pada kotak Response masukkan variabel Bintil akar; dan pada kotak
Factor dengan variabel Dosis inokulum lalu OK. Hasil analisis dengan prosedur
ANOVA satu-arah adalah berupa tabel ANOVA dan tabel selang kepercayaan 95 % bagi
nilai rata-rata jumlah Bintil akar.
One-way ANOVA ulangan sama: Bintil akar versus Dosis inokulum

Analysis of Variance for jumlah Bintil akar

Source
Dosis
Error
Total

Level
0
1
2
3
4
5

DF
5
18
23

N
4
4
4
4
4
4

Mean
29.750
35.000
51.750
77.500
57.750
57.500

SS
5985.7
222.3
6208.0

StDev
3.775
2.944
1.708
2.082
6.292
2.082

MS
1197.1
12.3

F
96.96

P
0.000

Individual 95% CIs For Mean

Based on Pooled StDev
---+---------+---------+---------+--(--*-)
(-*--)
(--*-)
(--*-)
(--*-)
(-*--)
---+---------+---------+---------+--30
45
60
75

Pooled StDev = 3.514

Ket.: Df = derajat bebas; SS = Jumlah Kuadrat; MS = Kuadrat Tengah; Mean = rata-rata P = peluang nyata;
Level = taraf faktor ; Stdev = simpangan baku; CI = selang kepercayaan.

20

21

Interpretasi Hasil dan Kesimpulan

Nilai F = 96,96 perlakuan dosis inokulum berbeda sangat signifikan sebagaimana
ditunjukkan oleh taraf nyata (P = 0,000) yang jauh lebih kecil dari 1%. Selang
kepercayaan 95% bagi rata-rata jumlah Bintil akar kedelai diperlihatkan pada bagian
sebelah kanan. Pada tabel di atas tampak dosis inokulum 3 g/100 g menghasilkan jumlah
Bintil akar tertinggi 77,5. Sementara terendah 29,75 pada perlakuan tanpa inokulum
(kontrol).
Selang kepercayaan 95% bagi nilai rata-rata jumlah Bintil akar pada setiap dosis
inokulum diperlihatkan dengan (--*-). Tanda * adalah nilai rata-rata. Selang
kepercayaan ini dibuat berdasarkan simpangan baku gabungan (pooled StDev = 3,514).

Pembandingan Nilai Rata-rata

Karena hasil analisis ragam perlakuan dosis inokulum berbeda signifikan terhadap
pembentukan bintil akar maka perlu dilanjutkan uji pembandingan. Tujuannya adalah
untuk menentukan dosis yang mana yang pengaruhnya berbeda.
Pada contoh ini dosis inokulum bersifat kuantitatif dengan jarak taraf yang sama (0, 1,
2, 3, 4, dan 5) dengan demikian metode pembandingan yang sesuai adalah pembandingan
kontras polinomial derajat bebas 1. Untuk melakukan pembandingan polinomial terlebih
dahulu dibuat tabel hasil rata-rata berdasarkan taraf dosis perlakuan.
Dosis inokulasi

Hasil (ton/ha)

0
1
2
3
4
5

29.750
35.000
62.120
77.500
50.750
30.200

Bentuk hubungan dosis dengan hasil memperlihatkan pola kuadratik yang signifikan
(P= 0,046), sedangkan pola linier dan kubik tidak signifikan (nilai P > 5%). Melalui
prosedur Stat Regression Fitted line plot diperoleh model regresi kuadratik yaitu
Hasil1 = 22.4143 + 33.5966 Dosis - 6.36571 Dosis 2. (Catatan: Nilai P 0,207 bagi model
regresi tersebut tidak signifikan yang berarti hubungan antara dosis dan hasil adalah
nonlinier).

21

22

Hasil pembandingan kontras polinomial adalah:

Analysis of Variance
Source
Regression
Error
Total
Source
Linear
Quadratic
Cubic

DF
3
2
5
DF
1
1
1

SS
1705.38
284.41
1989.79

Seq SS
54.70
1512.83
137.85

MS
568.461
142.205

F
0.1131
10.7482
0.9694

F
3.99748

P
0.207

P
0.754
0.046
0.429

Untuk melakukan uji pembandingan, masuk ke menu Stat ANOVA One-way.

Kemudian klik Comparisons, pilih Tukey's, family error rate: 5 bila ingin
membandingkan seluruh kemungkinan pasangan dosis, atau pilih Dunnett's family error
rate: 5 bila ingin membandingkan setiap dosis dengan kontrolnya (perlakuan tanda
inokulum). Jangan menggunakan dua jenis pembandingan sekaligus, pilih salah satu.
Dengan menggunakan prosedur pembandingan Dunnett diperoleh hasil sebagai
berikut.

Dunnett's comparisons with a control

Family error rate = 0.0500
Individual error rate = 0.0129
Critical value = 2.76
Control = level (0) of Dosis
Intervals for treatment mean minus control mean
Level
1
2
3
4
5

Lower
-1.611
15.139
40.889
21.139
20.889

Center
5.250
22.000
47.750
28.000
27.750

Upper --+---------+---------+---------+----12.111 (----*---)

28.861
(----*---)
54.611
(----*---)
34.861
(----*---)
34.611
(----*---)
--+---------+---------+---------+----0
15
30
45

Nilai kritik uji Dunnett adalah 2,76 dengan tingkat kesalahan umum 5%, dan
kesalahan per pasangan adalah 0,0129. Untuk mengetahui perbedaan pengaruh dosis
inokulum, setiap respon perlakuan dikurangkan dengan respon kontrolnya. Misalnya
22

23

selisih antara perlakuan dosis 1 dengan kontrol adalah 5,25. Selisih ini dibandingkan
dengan nilai kritik Dunnett dan karena selisihnya lebih besar dari 5,25 maka dinyatakan
berbeda nyata.
Dapat disimpulkan bahwa pemberian inokulum pada kisaran 1 sampai 5 g/100 g
menghasilkan jumlah bintil akar kedelai yang lebih banyak dibandingkan dengan tanpa
inokulum.

2. Percobaan Satu Faktor: Rancangan Acak Lengkap, Ulangan Tidak Sama

Contoh kasus 2:
Kasusnya sama dengan kasus 1 di atas hanya saja dua pengamatan hilang karena rusak
sehingga datanya tidak tersedia (ditandai dengan -). Dengan demikian data Jumlah bintil
akar menjadi seperti berikut.
Dosis
inokulum
0 (kontrol)
1
2
3
4
5

Jumlah bintil akar

25
31
50
75
65
60

34
35
54
78
61
55

31
51
80
52
58

29
36
52
77
57

Entri Data
Masukkan data variabel jumlah Bintil akar di kolom C1 dan variabel Dosis inokulum
di kolom C2. Pengamatan yang hilang diganti dengan tanda asterik (*).
Analisis Statistik dan Output
Prosedur analisis percobaan ulangan tidak sama yang digunakan sama dengan
prosedur percobaan ulangan sama. Hasil analisis adalah sebagai berikut.

One-way ANOVA ulangan tidak sama: Bintil akar versus Dosis inokulum
Analysis of Variance for jumlah Bintil akar
Source
Dosis
Error
Total

DF
5
16
21

SS
5835.7
180.2
6015.8

MS
1167.1
11.3

23

F
103.65

P
0.000

24

Level
0
1
2
3
4
5

N
4
3
4
4
3
4

Mean
29.750
34.000
51.750
77.500
59.333
57.500

StDev
3.775
2.646
1.708
2.082
6.658
2.082

Pooled StDev = 3.356

Individual 95% CIs For Mean

Based on Pooled StDev
---+---------+---------+---------+--(--*-)
(--*-)
(--*-)
(--*-)
(--*-)
(-*--)
---+---------+---------+---------+--30
45
60
75

Interpretasi dan Kesimpulan

Perhatikan N pada tabel selang kepercayaan dimana terdapat nilai 3 dan 4 yang
menunjukkan tiga dan empat ulangan.
Analisis ragam Dosis inokulum pada tabel ANOVA di atas menghasilkan nilai F
103,63 yang sangat signifikan. Dosis inokulum 3 g/100 g benih menghasilkan jumlah
bintil akar tertinggi 77,5. Sedangkan kontrol menghasilkan jumlah bintil akar terendah
yaitu 29,75.
Pada tabel kedua diperlihatkan selang kepercayaan 95% bagi jumlah Bintil akar dari
setiap perlakuan inokulasi. Selang ini dibuat berdasarkan simpangan baku gabungan
(pooled StDev = 3,356). Berdasarkan hasil di ata disimpulkan sedikitnya ada satu dosis
inokulum yang berbeda dari dosis lainnya dalam mempengaruhi jumlah bintil akar
kedelai varietas Willis.
Pembandingan Nilai Rata-rata
Karena ANOVA perlakuan dosis inokulum berbeda signifikan (P = 0,000) terhadap
pembentukan bintil akar maka perlu dilanjutkan ke uji pembandingan. Untuk
membandingkan nilai rata-rata setiap perlakuan dosis terhadap kontrol dilakukan uji
pembandingan seperti pada kasus 1 menggunakan prosedur Dunnett. Dengan prosedur
Dunnett diperoleh hasil sebagai berikut.
Dunnett's comparisons with a control
Family error rate = 0.0500
Individual error rate = 0.0127
Critical value = 2.81
Control = level (0) of Dosis
Intervals for treatment mean minus control mean

Level

Lower

Center

Upper --+---------+---------+---------+----24

25

1
2
3
4
5

-2.942
15.342
41.092
22.391
21.092

4.250
22.000
47.750
29.583
27.750

11.442 (----*---)
28.658
(---*---)
54.408
(---*---)
36.775
(---*----)
34.408
(---*----)
--+---------+---------+---------+----0
16
32
48

Nilai kritik Dunnett yang dipakai sebagai pembanding adalah 2,81. Setiap selisih
antara perlakuan dosis dengan kontrolnya dibandingkan dengan nilai kritik Dunnett. Dari
hasil analisis diketahui bahwa semua selisih nilainya lebih besar dari 2,81 artinya
pemberian inokulum pada dosis 1 sampai 5 g/100 g menghasilkan bintil akar yang lebih
banyak dibandingkan tanpa inokulum.
3. Percobaan Satu Faktor: Rancangan Acak Kelompok
Contoh kasus 3:
Suatu percobaan lapangan dilakukan untuk mengetahui perbedaan daya hasil enam
varietas alfalfa (A, B, C, D, E, dan F) yang ditanam di empat lahan tadah hujan yang
berbeda (Kelompok). Setelah panen, hasilnya dicatat dalam ton/ha seperti tampak
berikut.
Varietas

Kel. I

Kel. II

Kel. III

Kel. IV

A
B
C
D
E
F

3.22
3.04
3.06
2.64
3.19
2.49

3.31
2.99
3.17
2.75
3.40
2.37

3.26
3.27
2.93
2.59
3.11
2.38

3.25
3.20
3.09
2.62
3.23
2.37

Entri Data
Pada kolom C1 tuliskan variabel Hasil; kolom C2 dengan variabel Varietas; dan
kolom ketiga variabel Kelompok.
Analisis Statistik dan Output
Seperti halnya pada Contoh kasus 1, sebelum ANOVA dilakukan pemeriksaan
tentang homogenitas ragam perlu dilakukan. Pada jendela Session klik Stat ANOVA
Test for Equal Variances. Pada kotak Response isi variabel Hasil dan variabel
Varietas pada kotak Factor. Hasilnya uji seperti berikut.

Test for Equal Variances

25

26

Response
Factors
ConfLvl

Hasil
Varietas
95.0000

Bonferroni confidence intervals for standard deviations

Lower
1.78E-02
6.28E-02
4.75E-02
3.32E-02
5.82E-02
2.79E-02

Sigma
0.037417
0.131783
0.099791
0.069761
0.122304
0.058523

Upper
0.257367
0.906456
0.686407
0.479849
0.841260
0.402549

N
4
4
4
4
4
4

Factor Levels
A
B
C
D
E
F

Bartlett's Test (normal distribution)

Test Statistic: 5.168
P-Value
: 0.396

Nilai statistik Bartlett 5,168 dengan taraf nyata 0,395 (lebih besar dari 5%) adalah
dasar yang sahih untuk menyatakan bahwa ragam bersifat homogen sehingga analisis
ANOVA dapat dilanjutkan.
Pada jendela Session klik menu Stat ANOVA Two-way. Kemudian pada
kotak Response masukkan variabel Hasil; kotak Row factor dengan Varietas dan pilih
Display means; dan pada kotak Column factor dengan Kelompok.
Hasil analisis dengan prosedur ANOVA dua-arah (Varietas dan Kelompok) adalah
berupa tabel ANOVA dan tabel selang kepercayaan 95 % bagi nilai rata-rata hasil alfalfa.

Two-way ANOVA: Hasil versus Varietas; Kelompok

Analysis of Variance for Hasil

Source
Varietas
Kelompok
Error
Total

Varietas
A
B
C
D
E
F

DF
5
3
15
23

Mean
3.260
3.125
3.063
2.650
3.233
2.403

SS
2.43507
0.01878
0.13715
2.59100

MS
0.48701
0.00626
0.00914

F
53.27
0.68

P
0.000
0.575

Individual 95% CI
----+---------+---------+---------+------(---*--)
(--*---)
(--*--)
(--*---)
(---*--)
(--*--)
26

27

----+---------+---------+---------+------2.400
2.700
3.000
3.300

Interpretasi dan Kesimpulan

Berdasarkan tabel ANOVA diketahui bahwa terdapat perbedaan daya hasil varietas
alfalfa yang diuji sebagaimana ditunjukkan oleh nilai F (53,27) yang sangat signifikan
(nilai P = 0,000 jauh lebih kecil dari 1%). Pada tabel ANOVA juga diketahui bahwa
pengelompokan lahan tidak berpengaruh signifikan terhadap hasil alfalfa. Pada tabel
kedua diperlihatkan selang kepercayaan 95% bagi nilai rata-rata hasil alfalfa setiap
varietas. Tampak varietas A memberikan hasil yang tertinggi yaitu 3,26 ton/ha; dan
varietas F yang terendah dengan hasil 2,403 ton/ha.
Disimpulkan bahwa sedikitnya ada satu varietas alfalfa yang hasilnya berbeda dari
varietas lainnya. Untuk mengetahui varietas yang mana berbeda perlu dilakukan analisis
lanjutan menggunakan uji pembandingan nilai rata-rata.
Pembandingan Nilai Rata-rata
Karena hasil analisis ragam Varietas berbeda sangat signifikan (P = 0,000) terhadap
hasil alfalfa maka perlu dilanjutkan ke uji pembandingan nilai rata-rata. Untuk kasus ini
digunakan uji Tukey.
Masuk ke menu Stat ANOVA General Linear Model. Pada kotak Responses
isi variabel Hasil; dan kotak Model dengan variabel Kelompok dan Varietas. Klik
Comparison lalu pilih Pairwise comparisons dan metode Tukey pada confidence level
95. Pada kotak Terms isi variabel Varietas. Hasil pembandingan adalah seperti berikut.

Tukey Simultaneous Tests

Response Variable Hasil
All Pairwise Comparisons among Levels of Varietas
Varietas = A subtracted from:
Level
Varietas
B
C
D
E
F

Difference
of Means
-0.1350
-0.1975
-0.6100
-0.0275
-0.8575

SE of
Difference
0.06761
0.06761
0.06761
0.06761
0.06761

T-Value
-2.00
-2.92
-9.02
-0.41
-12.68

Adjusted
P-Value
0.3880
0.0906
0.0000
0.9983
0.0000

T-Value
-0.92

Adjusted
P-Value
0.9340

Varietas = B subtracted from:

Level
Varietas
C

Difference
of Means
-0.0625

SE of
Difference
0.06761
27

28

D
E
F

-0.4750
0.1075
-0.7225

0.06761
0.06761
0.06761

-7.03
1.59
-10.69

0.0001
0.6166
0.0000

T-Value
-6.101
2.514
-9.761

Adjusted
P-Value
0.0003
0.1809
0.0000

T-Value
8.615
-3.661

Adjusted
P-Value
0.0000
0.0231

T-Value
-12.28

Adjusted
P-Value
0.0000

Varietas = C subtracted from:

Level
Varietas
D
E
F

Difference
of Means
-0.4125
0.1700
-0.6600

SE of
Difference
0.06761
0.06761
0.06761

Varietas = D subtracted from:

Level
Varietas
E
F

Difference
of Means
0.5825
-0.2475

SE of
Difference
0.06761
0.06761

Varietas = E subtracted from:

Level
Varietas
F

Difference
of Means
-0.8300

SE of
Difference
0.06761

Perbandingan di atas menunjukkan bahwa varietas A berbeda signifikan dengan

varietas D dan F (nilai P keduanya < 5%). Pasangan AB, AC, dan AE tidak berbeda
signifikan terhadap hasil alfalfa (nilai P >5%).
Jika Varietas B sebagai patokan seperti pada tabel kedua maka dengan
menggunakan kaidah yang sama disimpulkan bahwa Varietas B berbeda dari D dan F.
Perbandingan pasangan lainnya dapat dilihat pada tabel-tabel berikutnya.

4. Percobaan Satu Faktor: Rancangan Bujur Sangkar Latin

Contoh kasus 4:
Lima jenis pupuk N (A, B, C, D, E, dan F) diuji pengaruhnya terhadap hasil tanaman.
Karena tingkat kesuburan lahan menunjukkan dua arah (baris dan lajur) maka diputuskan
menggunakan Rancangan Bujur Sangkar Latin. Hasil tanaman dicatat sebagai berikut.

Baris

Lajur
1

4
28

29

1
2
3
4
5
6

28.2 (F)
31.0 (E)
30.6 (D)
33.1 (C)
29.9 (B)
30.8 (A)

29.1 (D)
29.5 (B)
28.8 (E)
30.4 (A)
25.8 (F)
29.7 (C)

32.1 (A)
29.8 (C)
21.7 (F)
28.8 (B)
30.3 (E)
27.4 (D)

33.1 (B)
24.8 (F)
30.8 (C)
31.4 (D)
30.3 (A)
29.1 (E)

31.1 (E)
33.0 (D)
31.9 (A)
26.7 (F)
33.5 (C)
30.7 (B)

32.4 (C)
30.6 (A)
30.1 (B)
31.9 (E)
32.3 (D)
21.4 (F)

Entri Data
Faktor Baris, Lajur, Pupuk, dan Hasil tanaman dientri pada kolom data yang masingmasing terpisah seperti tampak pada tampilan berikut.

Gambar 2. Tampilan data RBSL pada worksheet Minitab.

Analisis Statistik dan Output

Pada jendela Session klik Stat ANOVA General Linear Model. Pada kotak
Responses isi variabel Hasil; pada kotak Model isi dengan variabel Baris, Lajur, dan
Pupuk. Klik Comparison, pilih Pairwise comparisons dan metode Tukey pada
confidence level 95. Pada kotak Terms isi variabel Pupuk.

General Linear Model: Hasil versus Baris; Lajur; Pupuk

Factor
Baris
Lajur
Pupuk

Type
fixed
fixed
fixed

Levels
6
6
6

Values
B1 B2 B3 B4 B5 B6
L1 L2 L3 L4 L5 L6
A B C D E F

Analysis of Variance for Hasil, using Adjusted SS for Tests

29

30

Source
Baris
Lajur
Pupuk
Error
Total

DF
5
5
5
20
35

Seq SS
32.188
33.668
185.765
30.256
281.876

Adj SS
32.188
33.668
185.765
30.256

Adj MS
6.438
6.734
37.153
1.513

F
4.26
4.45
24.56

Tukey Simultaneous Tests

Response Variable Hasil
All Pairwise Comparisons among Levels of Pupuk
Pupuk = A subtracted from:
Level
Pupuk
B
C
D
E
F

Difference
of Means
-0.667
0.467
-0.383
-0.650
-6.250

SE of
Difference
0.7101
0.7101
0.7101
0.7101
0.7101

T-Value
-0.939
0.657
-0.540
-0.915
-8.801

Adjusted
P-Value
0.9314
0.9847
0.9937
0.9380
0.0000

T-Value
1.596
0.399
0.023
-7.863

Adjusted
P-Value
0.6103
0.9985
1.0000
0.0000

T-Value
-1.197
-1.573
-9.459

Adjusted
P-Value
0.8331
0.6245
0.0000

T-Value
-0.376
-8.262

Adjusted
P-Value
0.9989
0.0000

Pupuk = B subtracted from:

Level
Pupuk
C
D
E
F

Difference
of Means
1.133
0.283
0.017
-5.583

SE of
Difference
0.7101
0.7101
0.7101
0.7101

Pupuk = C subtracted from:

Level
Pupuk
D
E
F

Difference
of Means
-0.850
-1.117
-6.717

SE of
Difference
0.7101
0.7101
0.7101

Pupuk = D subtracted from:

Level
Pupuk
E
F

Difference
of Means
-0.267
-5.867

SE of
Difference
0.7101
0.7101

Pupuk = E subtracted from:

30

P
0.008
0.007
0.000

31

Level
Pupuk
F

Difference
of Means
-5.600

SE of
Difference
0.7101

T-Value
-7.886

Adjusted
P-Value
0.0000

Interpretasi dan Kesimpulan

Analisis GLM menghasilkan tabel deskripsi, tabel ANOVA, dan pembandingan nilai
rata-rata. Pada tabel deskripsi ditampilkan nama-nama faktor (variabel Baris, Lajur, dan
Pupuk), jenis, taraf beserta nilainya.
Tabel ANOVA menunjukkan pengelompokan satuan percobaan ke dalam dua arah
(baris dan lajur) berpengaruh sangat signifikan yang ditunjukkan dari nilai P-nya yang
lebih kecil dari 1%. Hal yang sama dengan perlakuan pupuk N (P = 0,000).
Uji pembandingan nilai rata-rata Tukey menunjukkan pupuk N jenis A berbeda
pengaruhnya dengan pupuk F (T = -8,801; P = 0,000). Tetapi tidak dengan jenis pupuk
lainnya (karena nilai P melebihi 5%). Untuk pembandingan pasangan perlakuan
lainnya dapat dilihat pada tabel hasil pembandingan.
Berdasarkan hasil analisis GLM disimpulkan paling sedikit satu jenis pupuk N yang
berbeda dari jenis lainnya terhadap hasil tanaman.
5. Percobaan Dua Faktor: Rancangan Acak Lengkap Faktorial
Contoh kasus:
Lima konsentrasi fungisida metil bromida (0, 16, 32, 48, 62 g/m 3) diberikan dalam dua
periode waktu perendaman (2, 4 jam) pada benih tomat varietas Intan untuk menekan
perkembangan cendawan. Percobaan dilakukan di rumahkaca menggunakan RAL tiga
ulangan. Data daya kecambah (%) benih dicatat sebagai berikut.

Waktu
2
4

Ulangan
1
2
3
1
2
3

0
96
98
94
90
94
92

16
92
88
90
88
92
94

6. Percobaan Dengan Faktor Tersarang

Contoh kasus:
31

Dosis funisida
32
92
94
84
78
82
74

48
74
74
68
0
0
0

64
50
50
54
0
0
0

32

Untuk mendapatkan varietas ubikayu lokal yang berkadar sianida (HCN) rendah
dilakukan survei tanaman di Irian Jaya. Dari 100 jenis yang diperoleh dipilih secara acak
empat, kemudian dari jenis terpilih diambil masing-masing emat helai daun. Untuk
pemeriksaan kadar HCN diampil tiga sampel daun dengan ukuran masing-masing 1 gr.
Kadar HCN (ppm) daun adalah sebagai berikut.
Jenis
Ubikay
u
1

Daun

Sampel
2

1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

35
35
37
38
112
125
111
124
85
91
92
99
56
55
58
59

32
34
35
37
113
130
109
20
88
91
93
98
58
65
57
57

25
38
41
35
124
110
108
130
89
9
94
97
61
63
58
58

Entri Data

32

33

Gambar 3. Tampilan data percobaan faktor tersarang pada worksheet Minitab.

Analisis Statistik dan Output

Nested ANOVA: HCN versus Jenis; Daun; Sampel
Analysis of Variance for HCN
Source
Jenis
Daun
Sampel
Total

DF
3
12
32
47

SS
37595.8958
3759.5833
12612.0000
53967.4792

MS
12531.9653
313.2986
394.1250

F
40.000
0.795

Variance Components
Source
Jenis
Daun
Sampel
Total

Var Comp.
1018.222
-26.942*
394.125
1412.347

% of Total
72.09
0.00
27.91

StDev
31.910
0.000
19.853
37.581

* Value is negative, and is estimated by zero.

Expected Mean Squares

33

P
0.000
0.652

34

1 Jenis
2 Daun
3 Sampel

1.00(3) +
1.00(3) +
1.00(3)

3.00(2) + 12.00(1)
3.00(2)

7. Percobaan Dengan Pengamatan Berulang

Pengambilan data suatu variabel respon beberapa kali dalam interval waktu tertentu
(per minggu, per bulan atau per enam bulan) dinamakan pengamatan berulang.
Pengamatan berulang sering dilakukan terhadap hasil produksi yang dipanen beberapa
kali dalam satu musim. Pengamatan berulang dapat diterapkan pada semua jenis
rancangan percobaan.
Contoh kasus 7:
Percobaan lapangan dilakukan untuk mengetahui pengaruh lima dosis pupuk K
terhadap hasil pala. Panen dilakukan tiga kali dalam setahun pada empat blok pohon pala
(kelompok). Percobaan menggunakan RAK. Hasil pala (buah/pohon) dicatat sebagai
berikut.
Dosis K
(kg/ha)
0 (kontrol)
200
300
400
500
0 (kontrol)
200
300
400
500
0 (kontrol)
200
300
400
500

Penen
ke1
1
1
1
1
2
2
2
2
2
3
3
3
3
3

Kel. I

Kel. II

Kel. III

Kel. IV

450
480
512
540
580
650
712
852
958
987
856
865
1100
997
1200

485
520
524
557
590
657
741
845
867
975
855
875
1250
996
1250

510
506
562
564
574
687
725
867
941
1012
871
845
1089
985
1360

498
507
543
549
581
687
732
957
900
1003
841
905
115
956
115

34

35

Jika analisis ragam dilakukan per panen, outputnya adalah sebagai berikut.
ANOVA: Panen1; Panen2; Panen3 versus Blok; Pupuk K

Factor
Kelompok
Pupuk K

Type Levels Values

fixed
4
1
fixed
5
0

2
200

3
300

4
400

500

Analysis of Variance for Panen1

Source
Kelompok
Pupuk K
Error
Total

DF
3
4
12
19

SS
155397
744482
662122
1562000

MS
51799
186120
55177

F
0.94
3.37

P
0.452
0.045

F
0.24
205.04

P
0.869
0.000

F
0.90
1.99

P
0.469
0.160

Analysis of Variance for Panen2

Source
Kelompok
Pupuk K
Error
Total

DF
3
4
12
19

SS
594
685797
10034
696425

MS
198
171449
836

Analysis of Variance for Panen3

Source
Kelompok
Pupuk K
Error
Total

DF
3
4
12
19

SS
188065
553960
835363
1577389

MS
62688
138490
69614

Perhatikan hasil analisis ragam berikut ini jika ketiga panen digabung.
Analysis of Variance for Hasil
Source

DF

SS

MS

Kelompok
pupuk K
Panen
K*Panen
Error
Total

3
4
2
8
42
59

215108
279949
42872
1704290
1636467
3878686

71703
69987
21436
213036
38963

1.84
1.80
0.55
5.47

0.155
0.148
0.581
0.000

35

36

Means
K
0
200
300
400
500

N
12
12
12
12
12

Hasil
670.58
701.08
768.00
817.50
852.25

Panen
1
2
3

N
20
20
20

Hasil
729.70
760.80
795.15

Interpretasi dan Kesimpulan

Pemupukan K memberikan pengaruh berbeda terhadap panen hasil pala.

36

37

8. Percobaan Multilokasi
Contoh kasus:
Dilakukan suatu percobaan multilokasi untuk mengetahui pengaruh pupuk N terhadap
hasil jagung hibrida C1 di lima lokasi transmigrasi yang dipilih secara acak. Pupuk N
diberikan pada takaran 0, 25, 50, 75 kg/ha. Percobaan menggunakan RAK empat
ulangan. Hasil jagung (ton/ha) adalah sebagai berikut.

Lokasi

Dosis N

0
25
50
75
0
25
50
75
0
25
50
75
0
25
50
75
0
25
50
75

Kelompok
II
III
2.2
2.3
3.4
3.3
3.4
3.4
3.7
3.6
2.1
2.0
2.3
2.5
2.5
2.4
3.2
3.1
2.5
2.3
3.3
3.3
3.5
3.7
3.6
3.8
2.0
1.9
2.3
2.4
2.3
2.3
2.5
2.6
2.7
2.7
2.9
3.0
3.1
3.1
3.6
3.5

I
2.1
3.2
3.5
3.6
2.0
2.4
2.4
3.1
2.6
3.2
3.5
3.6
2.1
2.2
2.4
2.4
2.6
2.8
3.2
3.6

IV
2.2
3.1
3.3
3.7
2.0
2.3
2.2
3.2
2.5
3.4
3.6
3.6
1.8
2.5
2.2
2.4
2.8
3.1
3.2
3.6

Entri Data
Analisis Statistik dan Output
Jika ANOVA hasil jagung dilakukan secara terpisah untuk setiap lokasi, outputnya adalah
sebagai berikut.
ANOVA: Hasil_1; Hasil_2; Hasil_3; Hasil_4; Hasil_5 versus Kel; N

Factor
Kelompok
Dosis N

Type Levels Values

fixed
4
1
fixed
4
0

2
25

3
50

Analysis of Variance for Hasil Lokasi_1

Source
DF
SS
MS
F
Kelompok
3
0.02500
0.00833
1.00
Dosis N
3
4.89000
1.63000 195.60
Error
9
0.07500
0.00833

4
75

37

P
0.436
0.000

38

Total
15
4.99000
Analysis of Variance for Hasil Lokasi_2
Source
Kelompok
Dosis N
Error
Total

DF
3
3
9
15

SS
0.02187
2.71188
0.07063
2.80438

MS
0.00729
0.90396
0.00785

F
0.93
115.19

P
0.466
0.000

Analysis of Variance for Hasil Lokasi_3

Source
Kelompok
Dosis N
Error
Total

DF
3
3
9
15

SS
0.01000
3.47500
0.11500
3.60000

MS
0.00333
1.15833
0.01278

F
0.26
90.65

P
0.852
0.000

Analysis of Variance for Hasil Lokasi_4

Source
Kelompok
Dosis N
Error
Total

DF
3
3
9
15

SS
0.01187
0.60687
0.13563
0.75437

MS
0.00396
0.20229
0.01507

F
0.26
13.42

P
0.851
0.001

Analysis of Variance for Hasil Lokasi_5

Source
Kelompok
Dosis N
Error
Total

DF
3
3
9
15

SS
0.03687
1.64188
0.05062
1.72938

MS
0.01229
0.54729
0.00562

F
2.19
97.30

P
0.159
0.000

Means
N
0
25
50
75

N
4
4
4
4

Hasil_1
2.2000
3.2500
3.4000
3.6500

Hasil_2
2.0250
2.3750
2.3750
3.1500

Hasil_3
2.4750
3.3000
3.5750
3.6500

Hasil_4
1.9500
2.3500
2.3000
2.4750

Hasil_5
2.7000
2.9500
3.1500
3.5750

Berikut ini ANOVA hasil jagung gabungan dari lima lokasi. Perhatikan perbedaannya
dengan ANOVA individual di atas.

ANOVA: Hasil versus Lokasi; Dosis; Kelompok

Factor
Lokasi

Type Levels
random
5

Values
1
2
38

39

Kelompok(Lokasi) random
Dosis
fixed

4
4

1
0

2
25

3
50

4
75

Analysis of Variance for Hasil

Source
Lokasi
Kelompok(Lokasi)
Dosis
Lokasi*Dosis
Error
Total
Means
Lokasi
1
2
3
4
5
Dosis
0
25
50
75

N
16
16
16
16
16
N
20
20
20
20

DF
4
15
3
12
45
79

SS
12.29875
0.10563
11.01737
2.30825
0.44687
26.17688

MS
3.07469
0.00704
3.67246
0.19235
0.00993

F
436.64
0.71
19.09
19.37

P
0.000
0.762
0.000
0.000

Hasil
3.1250
2.4813
3.2500
2.2688
3.0938
Hasil
2.2700
2.8450
2.9600
3.3000

Interpretasi dan Kesimpulan

9. Percobaan Multilokasi dengan Pengamatan Berulang

10. Anova Untuk Analisis Heritabilitas
Heritabilitas (h2) dalam arti luas adalah rasio keragaman genotipe (2g) terhadap
keragaman fenotipe(2p). Keragaman fenotipe adalah 2g plus keragaman lingkungan
(2e).
2g
h2 = ---2p

Contoh kasus 13:

39

40

Delapan varietas barli dipilih untuk diuji daya hasilnya dalam suatu percobaan
rumahkaca. Percobaan menggunakan RAK empat ulangan. Pengamatan bobot 100
biji (g) dicatat sebagai berikut.
Varietas
1
2
3
4
5
6
7
8

ulangan 1
3.9
3.7
4.5
4.3
4.1
4.2
4.3
4.2

ulangan 2
4.0
3.6
4.6
4.4
4.0
4.5
4.3
4.0

ulangan 3
3.8
3.6
4.6
4.2
4.2
4.3
4.2
4.3

Entri Data

Analisis Statistik dan Output

ANOVA: 100-g versus Ulangan; Varietas
Factor
Ulangan
Varietas

Type
fixed
random

Levels Values
4
1 2 3
8
1 2 3

4
4

Analysis of Variance for bobot 100-g

Source
Ulangan

DF
3

SS
0.01375

MS
0.00458
40

F
0.48

P
0.701

ulangan 4
3.9
3.7
4.7
4.3
4.1
4.5
4.3
4.1

41

Varietas
Error
Total

7
21
31

Source
1 Ulangan
2 Varietas
3 Error

2.41375
0.20125
2.62875

0.34482
0.00958

35.98

0.000

Variance Error Expected Mean Square for Each Term

comp.
term (using unrestricted model)
3
(3) + Q[1]
0.08381
3
(3) + 4(2)
0.00958
(3)

Means
Varietas

bobot 100-g

1
2
3
4
5
6
7
8
Grand Mean

4
4
4
4
4
4
4
4

3.9000
3.6500
4.6000
4.3000
4.1000
4.3750
4.2750
4.1500
4.1687

Dari tabel di atas diketahui 2g = 0,08381; 2e = 0,00958. Dengan demikian 2p = 2g +

2e sama dengan 0,09329. Selanjutnya KK genotipe dan fenotipe dihitung seperti
berikut.
0.34482
KK genotipe =

x 100 %
4.1687

= 14,09 %

0,09329
KK fenotipe =

x 100 %
4.1687

= 7,33 %

Selanjutnya heritabilitas (dalam arti luas) dihitung sebagai berikut.

41

42

0,08381
h =
2

= 0.898.
0,09329

Interpretasi dan Kesimpulan

Pada tabel ANOVA ditampilkan deskripsi: faktor, tipe, banyaknya taraf, dan nilai
setiap taraf. ANOVA menunjukkan varietas berpengaruh sangat signifikan terhadap
bobot 100 g barli dengan peluang nyata, P = 0,000.
Berikutnya diperlihatkan komponen ragam varietas (genotipe) dan galat (lingkungan)
dengan nilai berturut-turut 0,08381 dan 0,00958. Selanjutnya secara manual, komponen
ragam fenotipe dihitung dan diperoleh 0,09329.
Dengan diketahuinya nilai dari ketiga komponen ragam, 2g = 0,08381; 2e = 0,00958;
dan 2p = 0,09329, heritabilitas dengan mudah dapat dhitung.
KK genotipe 14,09 % berarti sekitar 14 % keragaman bobot 100 g hasil barli
disebabkan karena perbedaan diantara delapan varietas. Hal yang sama bagi KK fenotipe
7,33 % yang artinya 7,33 % variasi bobot 100 g hasil diakibatkan oleh interaksi faktor
lingkungan dan genotipe barli.
Berdasarkan nilai heritabilitas disimpulkan sifat bobot 100 g tanaman barli sangat
ditentukan oleh faktor genetik. (semakin dekat nilai h2 ke 1, semakin kuat faktor genetik
berperan).

Regresi Dan Korelasi

Contoh kasus:
Dilakukan 15 pengamatan tiga komponen tanaman padi sawah hasil suatu percobaan.
Untuk menduga model hubungan antara variabel hasil dengan variabel tinggi dan jumlah
anakan dilakukan analisis regresi. Data percobaan sebagai berikut.

Pengamatan
Hasil
Tinggi
Anakan

10

11

12

13

14

15

5.75 5.94 6.01 6.54 6.73 6.75 6.9 7.86 6.56 6.4 7.92 5.6 5.81 6.33 6.95
110.5 105.4 118.1 104.5 93.6 84.1 77.8 75.6 96.2 92.6 76.4 112.1 109.5 89.8 78.3
14
16
15
18
15
18
18
19
17
14
19
13
14
17
18

Entri Data

Analisis Statistik dan Output

42

43

Regression Analysis: Hasil versus Tinggi; Anakan

The regression equation is
Hasil = 6.97 - 0.0275 Tinggi + 0.134 Anakan
Predictor
Constant
Tinggi
Anakan

Coef
6.969
-0.027513
0.13352

S = 0.3170

SE Coef
1.844
0.009236
0.06599

R-Sq = 82.2%

T
3.78
-2.98
2.02

P
0.003
0.012
0.066

R-Sq(adj) = 79.2%

Analysis of Variance
Source
Regression
Residual Error
Total

DF
2
12
14

SS
5.5641
1.2061
6.7701

MS
2.7820
0.1005

F
27.68

P
0.000

Interpretasi dan Kesimpulan

11. Aplikasi Analisis Korelasi dalam Sidik Lintas

Contoh kasus:
Sebuah percobaan dilakukan untuk mengetahui performa sebuah varietas kacang hijau
pada lahan kering yang diberi pupuk empat jenis mulsa (jerami, serbuk gergaji, plastik,
ela sagu). Petak-petak percobaan ditata menurut RAK tiga ulangan. Karakter tanaman
yang dicatat adalah: tinggi tanaman, jumlah daun, jumlah cabang produktif, banyaknya
polong per cabang, banyaknya biji per polong, dan bobot 1000 biji. Hasil pengamatan
adalah sebagai berikut.

Karakter
Tinggi tanaman (cm)
Jumlah daun
Cabang produktif
Polong per cabang
Jumlah biji per polong

Ulangan
1
2
3
1
2
3
1
2
3
1
2
3
1

Jerami
56.8
52.3
50.0
98
112
103
9
10
11
35
29
38
8
43

S. gergaji
60.1
62.3
60.0
88
98
97
12
12
11
40
40
4
9

Plastik
65.3
66.4
66.4
100
103
124
13
14
15
42
46
50
10

E. sagu
55.6
53.2
50.1
97
99
86
10
10
13
41
39
42
9

44

Bobot 1000 biji (g)

2
3
1
2
3

9
10
31
32
29

11
8
33
32
30

13
12
41
39
42

9
10
35
33
31

Perhatikan kasus di atas bobot 1000 biji adalah hasil,

hasil, sementara lima karakter lainnya
adalah komponen hasil.
hasil.
Entri data

Koefisien korelasi (r) dan nilai-p enam karekater kacang hijau adalah:
Correlations: Tinggi; Daun; Cabang; Polong; Biji; Bobot

Tinggi
0.325
0.303

Daun

Cabang

0.633
0.027

0.277
0.384

Polong

0.198
0.536

0.173
0.591

Daun

Cabang

0.468
0.125

44

Polong

Biji

45

Biji

0.545
0.067

0.415
0.180

0.826
0.001

0.640
0.025

Bobot

0.763
0.004

0.505
0.094

0.687
0.014

0.558
0.060

0.630
0.028

MENAMPILKAN HASIL ANALISIS

Hasil analisis statistik yang seperti ANOVA, pembandingan nilai rata-rata, regresi dan
korelasi, dan statistik lainnya biasanya diorganisir dalam bentuk tabel hasil.
Untuk analisis ragam, hasilnya ditampilkan dalam bentuk tabel ANOVA. Satu tabel
ANOVA untuk satu variabel respon. Di bawah tabel biasanya dicantumkan koefisien
keragaman (KK), tanda * atau ** yang menyatakan taraf nyata 5% atau 1%; dan
kadang juga peluang nyata F.
Berikut bentuk tabel untuk hasil analisis Contoh kasus 1.
Tabel Anova Jumlah Bintil Akar Kedelai Varietas Willis Dengan Perlakuan Inokulum
Sumber Keragaman
Dosis inokulum
Galat
Total

Derajat
Bebas
5
18
23

Jumlah
Kuadrat
5985,7
222,3
6208,0

Kuadrat
Tengah
1197,1
12,3

KK = .....%
** berbeda nyata pada 1%.

Tabel

Rata-rata Jumlah Bintil Akar Kedelai Varietas Willis

Dengan Enam Dosis Inokulum

Dosis
(g/100 g)
0
1
2
3
4
5

I
25
31
50
75
65
60

Ulangan
II
III
34
31
35
38
54
51
78
80
61
52
55
58

Rata-rata
IV
29
36
52
77
53
57

29,75
35,00
51,75
77,50
57,75
57,50

Angka rata-rata dengan superskrip yang tidak sama berbeda nyata pada 1%.

45

F hitung
96,96**

F tabel
5% 1%