LAPORAN PRAKTIKUM BIOMETRI

PERCOBAAN KE 8
SAS UJI BEDA NYATA
DUNCAN DAN LSD

Oleh :
Nama

: Ressi Domitila

Nim

: F1071131004

Kelompok

: 3 ( TIGA)

Hari /tanggal

: Kamis , 14 januari 2016

PROGRAM STUDI PENDIDIKAN BIOLOGI

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS TANJUNGPURA
2016

A.

PENDAHULUAN
Untuk merancang percobaan yang diperlukan maka unit eksperiment yang
akan kita lakukan harus homogen untuk memperkecil kesalahan error yang timbul
karena disebabkan variasi, dan setiap perlakuan dipberi perlakuan dan pengulangan
yang sama dan secara acak. Untuk rancangan acak lengkap bias dilakukan secara
manual namun seiring perkembangan zaman sehingga muncul program-program lain
yang berkembang, yang lebih praktis, efisien dan hasil nya akurat, salah atunya yaitu
program SAS.
Rancangan acak lengkap atau completely randomized design merupakan
salah satu model rancangan dalam rancangan percobaan. Rancangan acak lengkap ini
digunakan bila unit percobaan homogen.
Rancangan ini disebut rancangan

acak lengkap, karena pengacakan

perlakuan dilakukan pada seluruh unit percobaan. Rancangan ini dapat digunakan
untuk melakukan percobaan di di laboratorium atau di rumah kaca atau lapangan .
Rancangan acak lengkap digunakan bila faktor yang akan diteliti satu faktor atau
lebih dari satu faktor. Pada percobaan dengan menggunakan rancangan faktorial (lebih
dari satu faktor) rancangan acak lengkap menjadi rancangan lingkungan ( Syukri , M ,
Nur. 2005).

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 rumah kaca.
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

A2

B2

C1

D3

B3

C2

D2

E2

E3

C3

B4

E1

A4

D1

C4

A3

A1

D4

E4

(I.Marzuki. 2005)

Model linier yang tepat untuk rancangan acak lengkap adalah:

Yij(t) = + P(t) + (t)
dimana:
I

= 1, 2, ...n; dan t = 1, 2, ...n

Yij(t) = nilai pengamatan pada baris ke-i, kolom ke-j yang mendapat perlakuan
ke-t.

= nilai rata-rata umum

P(t)

= pengaruh perlakuan ke-t

e(t)

= pengaruh galat yang memperoleh perlakuan ke-t

Hipotesis
H0 : 1 = 2 = . . . = t = 0 atau tidak ada pengaruh perlakuan terhadap respons yang
diamati.
H1 : minimal ada satu i 0, untuk i = 1, 2, ,t atau paling sedikit ada sepasang i
yang tidak sama.
Rancangan acak lengkap berguna untuk melaksanakan percobaan bila unit
percobaan homogen. Pelaksanaan percobaan dengan menggunakan rancangan acak
lengkap dilaksanakan dengan langkah-langkah sebagai berikut :
1. Pengacakan, yaitu penempatan perlakuan pada unit percobaan dilakukan secara
acak, Analisis Ragam
2. 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
Derajat
keragaman (db)

bebas Jumlah Kuadrat Kuadrat

(JK)
Tengah (KT)

Fhitung

Perlakuan
(P)

t-1

JKP

KTP

KTP/KTG

Galat (G)

t (r-1)

JKG

KTG

Total (T)

tr -1

JKT

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

Menghitung RAL dapat menggunakan program SAS. SAS menggunakan

bahasa pemograman, dan memungkinkan programmer melakukan entri data, analisis
statistik, peramalan untuk mendukung keputusan riset operasi, peningkatan kualitas
pengembangan aplikasi data dan lain sebagainya. Pemograman dalam SAS
dikategorikan dalam 2 jenis, yaitu data step untuk membuat, membaca atau pun
memanipulasi data, dan proc step (procedure step) digunakan untuk menganalisa,
meringkas atau pun membuat tabulasi dari sebuah data. SAS dibangun sejak versi 6.0
hingga versi 9.2. Baik tahapan data maupun tahapan prosedur diawali dengan kata
data atau proc, dan diakhiri dengan kata run.( Kismiantini, 2010).
Analisis data yang telah dilakukan akan menghasilkan kesimpulan apakah Ho
atau H1 yang diterima setelah dilakukan uji F, untuk mengetahui apakah terdapat
perbedaan perlakuan yang dicobakan.
H0 : 1 = 2 = 3 = 4 .= n
H1 : 1 2 3 4 . n
Jika Ho diterima berarti semua perlakuan yang dicobakan memberikan
pengaruh yang sama, tetapi jika H1 yang diterima berarti paling sedikit terdapat
sepasang nilai tengah perlakuan yang berbeda. Untuk mengetahui pasangan perlakuan
mana yang mempunyai nilai tengah yang berbeda tersebut, maka perlu dilakukan
pengujian lanjutan untuk mengetahui perbedaan diantara nilai tengah perlakuan
tersebut. Pengujian tersebut diistilahkan dengan uji lanjutan atau biasa juga disebut uji
pembanding berganda.
Untuk melakukan uji lanjutan, digunakan beberapa jenis uji lanjutan. Setiap
jenis uji lanjutan memerlukan kriteria-kriteria tertentu yang harus dipenuhi sehingga
pengunaannya tidak boleh sembarang. Penggunaan uji lanjutan digunakan untuk
mengetahui pasangan perlakuan mana yang mempunyai nilai tengah yang berbeda.
Untuk menentukan jenis uji lanjutan yang sesuai maka harus diperhatikan apakah uji
yang akan digunakan adalah untuk perbandingan yang bersifat terencana atau tidak.
Perbandingan terencana adalah perbandingan yang memang direncanakan sebelum
data suatu percobaan diperoleh atau sebelum percobaan dilakukan, sedangkan
perbandingan tidak terencana adalah perbandingan yang dilakukan setelah data
diperoleh.

Berbagai macam jenis uji lanjut diantaranya adalah Uji duncan dan Uji BNt
(Beda Nyata terkecil) atau yang lebih dikenal sebagai uji LSD (Least Significance
Different.
Uji Ducan adalah prosedur perbandingan dari nilai tengah perlakuan (rata-rata
perlakuan) untuk semua pasangan perlakuan yang ada. Uji lanjut ini menggunakan
nilai pembanding sebagai alat uji sesuai dengan jumlah nilai tengah atau rataan yang
ada diwilayah dua perlakuan yang dibandingkan.
Uji jarak ganda Duncan atau Uji DMRT ( Duncan Multiple Range Test) untuk
mengetahui jenis terbaik berdasarkan rankingnya. Uji ini dilakukan kareana adanya
perbedaan nyata pada hasil analisis varians. Uji ini juga dilakukan untuk mengetahui
adanya perbedaan dari pemberian perlakuan yang dilakukan uji F.
Uji Duncan juga digunakan untuk melihat adanya pengaruh antar perlakuan
yang diuji Uji Duncan atau juga dikenal dengan istilah Duncan Multiple Range Test
(DMRT) memiliki nilai kritis yang tidak tunggak tetapi mengikuti urutan rata rata
yang dibandingkan. Nilai kritis uji Duncan dinyatakan dalam nilai least significant
range:

Di mana :
Rp : wilayah nyata terkecil Duncan
q : sebaran wilayah di student kan untuk uij Duncan pada , p dan dbf
p : nomor urutan rata rata dari nilai terkecil (p= 2,3,4...,t)

Untuk menggunakan uji ini, atribut yang perlukan adalah:

1.

data rata-rata perlakuan

2.

taraf nyata

3.

jumlah perlakuan

4.

derajad bebas (db) galat

5.

tabel Duncan untuk menentukan nilai kritis uji perbandingan.

Uji DMRT ini dilakukan hanya apabila hasil analisis ragam minimal

berpengaruh nyata.
Uji

BNT

atau

LSD-test juga

dikenal

dengan

Uji

berganda

atau multiple t test, uji ini akan bekerja secara lebih efektif (lebih teliti) apabila
perlakuan yang akan diperbandingkan sebelumnya telah direncanakan, sehingga
sering juga dikenal sebagai perbandingan terencana.

Pengujian dilakukan

berdasarkan dua nilai baku () pembanding terhadap perbedaan rata-rata, yaitu

LSD(=5%) dan LSD(=1%), yang diperoleh dengan mengalikan nilai t-sudent dengan
nilai galat baku rerata deviasi (S). Berdasarkan contoh soal, maka bentuk BNT yang
digunakan adalah unutk RAL dengan ulangan yang sama, maka nilai BNT, diperoleh
melalui persamaan berikut:

Selanjutnya perhatikan tabel distribusi t-studen yang dapat diperoleh pada

lampiran buku-buku statistik atau buku-buku rancangan percobaan.

pada selisih nilai tengah yang lebih kecil dengan nilai BNT5%. Dari tabel
terlihat bahwa, perbandingan antara P1 (0%) dengan P2 (1%) dan antara P3 (2%)

dengan P4 (3%) menunjukkan nilai selisih nilai tengah 0,052 dan 0,059 lebih kecil
dari nilai BNT5%. Hal ini berati bahwa tidak terdapat perbedaan yag nyata (P>0,05)
diantara perlakuan-perlakuan tersebut, beri pangkat ns. Selanjutnya perhatikan nilainilai dengan selisih nilai tengah > dari nilai BNT5% dan 1%. Beri pangkat (*)
apabila selisih nilai tengah > dibandingkan dengan nilai BNT5% dan beri pangkat
(**) apabila selisih nilai lebih besar dari nilai BNT 1%.

( Mawardi , 2013)

B. HASIL PENGAMATAN
Hasil Analisis Varietas-RAL
16:07 Monday, May 5, 1997
OBS
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

TREAT
R0
R0
R0
R0
R0
R0
R0
R0
R0
R0
R1
R1
R1
R1
R1
R1
R1
R1
R1
R1
R2
R2
R2
R2
R2
R2
R2

1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7

KONS

6.6
6.4
5.9
6.6
6.2
6.7
6.3
6.5
6.5
6.8
5.6
5.2
5.3
5.1
5.7
5.6
5.6
6.3
5.0
5.4
6.9
7.1
6.4
6.7
6.5
6.6
6.6

28
29
30

R2
R2
R2

8
9
10

6.6
6.8
6.8
Hasil Analisis Varietas-RAL

General Linear Models Procedure

Class Level Information
Class

Levels

TREAT

Values
R0 R1 R2

Number of observations in data set = 30

General Linear Models Procedure

Dependent Variable: KONS
Sum of
Source
DF
Squares
Model
Error

8.30600000

4.15300000

27

2.26100000

0.08374074

Corrected Total

29

C.V.

0.786032

TREAT

2
M

OBS
1
2
3
4
5
6
7
8
9
10
11
12

Root MSE

4.659902

DF

Type I SS

0.289380

49.59

0.0001

TREAT
1
2
3
4
5
6
7
8
9
10
1
2

KONS Mean
6.210000

Mean Square F Value

8.30600000
0.0001

R0
R0
R0
R0
R0
R0
R0
R0
R0
R0
R1
R1

Pr > F

10.56700000

R-Square

Source

Mean
Square F Value

4.15300000

KONS

6.6
6.4
5.9
6.6
6.2
6.7
6.3
6.5
6.5
6.8
5.6
5.2

49.59

Pr > F
0.0001

13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

R1
R1
R1
R1
R1
R1
R1
R1
R2
R2
R2
R2
R2
R2
R2
R2
R2
R2

3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10

5.3
5.1
5.7
5.6
5.6
6.3
5.0
5.4
6.9
7.1
6.4
6.7
6.5
6.6
6.6
6.6
6.8
6.8

HASIL ANALISIS VARIETAS-RAL

5
16:07 Monday, May 5, 1997

General Linear Models Procedure

Class Level Information
Class
TREAT

Levels
3

Values
R0 R1 R2

Number of observations in data set = 30

HASIL ANALISIS VARIETAS-RAL

General Linear Models Procedure

Dependent Variable: KONS
Sum of
Source
DF
Squares
Model
Error

Mean
Square F Value

8.30600000

4.15300000

27

2.26100000

0.08374074

Corrected Total

29

Pr > F

49.59

0.0001

10.56700000

R-Square

C.V.

0.786032

Root MSE

4.659902

KONS Mean

0.289380

Source

DF

Type I SS

TREAT

8.30600000

Source

DF

TREAT

6.210000

Mean Square F Value

Type III SS

4.15300000

49.59

Mean Square F Value

8.30600000

4.15300000

Pr > F
0.0001
Pr > F

49.59

General Linear Models Procedure

Level of
TREAT
R0
R1
R2

N
10
10
10

-------------KONS-----------Mean
SD
6.45000000
5.48000000
6.70000000

0.26352314
0.37357135
0.20548047

General Linear Models Procedure

Duncan's Multiple Range Test for variable: KONS
NOTE: This test controls the type I comparisonwise error rate, not
the experimentwise error rate
Alpha= 0.05 df= 27 MSE= 0.083741
Number of Means
2
3
Critical Range .2655 .2790
Means with the same letter are not significantly different.
Duncan Grouping

Mean

A
A
A

6.7000

10 R2

6.4500

10 R0

5.4800

10 R1

N TREAT

0.0001

HASIL ANALISIS VARIETAS-RAL

16:07 Monday, May 5, 1997

General Linear Models Procedure

T tests (LSD) for variable: KONS
NOTE: This test controls the type I comparisonwise error rate not
the experimentwise error rate.
Alpha= 0.05 df= 27 MSE= 0.083741
Critical Value of T= 2.05
Least Significant Difference= 0.2655
Means with the same letter are not significantly different.
T Grouping

Mean

N TREAT

A
A
A

6.7000

10 R2

6.4500

10 R0

5.4800

10 R1

C. PEMBAHASAN
Pada bagian options1s=78, angka 78 ini merupakan angka yang akan
digunakan sebanyak mana barisan yang akan digunakan, Sebelum kita menulis
program SAS, kita harus menentukan dulu nama pada setiap peubah. Kita lakukan ini
agar kita bisa membedakan peubah yang satu dengan peubah yang lain ketika
melakukan komputasi atau ketika meminta statistiknya. Nama peubah SAS harus
sesuai dengan beberapa aturan yang sederhana, Misalnya data zaitun bisa diganti
dengan data kelompok atau nama sendiri namun tidak boleh melebihi 8 karakter hal
ini dikarenakan SAS membatasi hanya sampai 8 digit keluaran nya, apabila lebih dari
itu SAS tidak dapat memunculkan datanya, Hal ini sesuai dengan pendapat SAS
Sumatera Utara (2015) yang menyatakan Pada SAS MMDDYY8. hasil keluarannya
hanya 8 digit.
Ada beberapa jenis pernyataan SAS, tetapi umumnya di-pakai bersamasama yang diakhiri dengan titik koma. Titik koma dalam program SAS seperti sebuah
titik dalam bahasa inggris. Kemungkinan terbanyak ditemukannya error dalam
program SAS adalah hilangnya tanda titik koma. Hilangnya disebabkan komputer
membaca dua pernyataan sebagai suatu pernyataan yang berlanjut dan tetap menjadi
suatu hal yang salah.

Perlu diingat bahwa semua command atau perintah SAS harus diakhiri dengan
semicolon (;) sebagai command terminator dalam SAS untuk menandai akhir suatu
command. Jika tidak ada (;) maka SAS akan menggabungkan syntax baris berikutnya
dengan syntax baris sebelumnya sebagai satu command. Hal ini merupakan sumber
kesalahan yang sering terjadi dalam pemrograman SAS.
Tanda dolar ($) setelah variabel nama dan gander menunjukkan bahwa tipe
data ialah text, sedanngkan pada umur tinggi dan berat diakhirnya tidak dilambangkan
dengan dolar hal ini dikarena variabelnya berupa angka.
Pada awal saat memasukan data Rancangan Acak Lengkap , maka dengan
mengetik data dt1; input treats$ r kons dan kemudian cards, r yang dimaksud dari data
adalah replikasi dan cards adalah perintah untuk menolah data, maka setelah kita
mengetik itu dan proc prit; run; maka pada output SAS muncul data seperti berikut :
R0
R0
R0
R0
R0
R0
R0
R0
R0
R0
R1
R1
R1
R1
R1
R1
R1
R1
R1
R1
R2
R2
R2
R2
R2
R2
R2
R2
R2
R2

1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10

6.6
6.4
5.9
6.6
6.2
6.7
6.3
6.5
6.5
6.8
5.6
5.2
5.3
5.1
5.7
5.6
5.6
6.3
5.0
5.4
6.9
7.1
6.4
6.7
6.5
6.6
6.6
6.6
6.8
6.8

Dan setelah itu dilanjutkan dengan mengetik titile hasil analisis ragam RAL , proc
glm data=dt1; class treat, model kons=treats ; run; , Pada General Linear Models
Procedure adanya perintah Proc GLM, dimana Proc GLM merupakan suatu program
statistika yang bertujuan untuk menganalisa data yang berdasarkan pada penelitian
percobaan baik di lapangan maupun di laboratorium . GLM atau General Linear
Model (Model Linear Umum) dibuat olehSAS In. sebagai salah satu bagian dari

program SAS disamping program-program lainnya, maka pada output SAS nya akan
muncul data seperti berikut :
OBS
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

TREAT
R KONS
R0
1
6.6
R0
2
6.4
R0
3
5.9
R0
4
6.6
R0
5
6.2
R0
6
6.7
R0
7
6.3
R0
8
6.5
R0
9
6.5
R0
10
6.8
R1
1
5.6
R1
2
5.2
R1
3
5.3
R1
4
5.1
R1
5
5.7
R1
6
5.6
R1
7
5.6
R1
8
6.3
R1
9
5.0
R1
10
5.4
R2
1
6.9
R2
2
7.1
R2
3
6.4
R2
4
6.7
R2
5
6.5
R2
6
6.6
R2
7
6.6
R2
8
6.6
R2
9
6.8
R2
10
6.8

Pada data analisis varietas

Dapat dilihat pada hasil data tersebut diperoleh Df

treatment nya 2 dan df error 27, dan total nya 29, dan diperoleh SS pada treatment
sebesar 8,36 dan means squarenya 4,15300000 dan pada experimental errornya
diperoleh sum of squaresnya 2,26100000 dan means squarenya sekitar 0.8374074. dan
dari data ini diperoleh F valuenya sebesar 49,59 , jika dibandingkan dengan cara
manual maka F kalkulasinya diperoleh 46,11 , sedikit ada perbedaan besarnya. Pada
SAS Untuk mencari kesimpulannya maka dengan membandingkan f value dengan pr
> F dan pada data di peroleh pr > F nya sebesar 0,0001, sedangkan secara manual
dengan cara membandingkan F kalkuasi atau F hitung dengan F tabel.
Berdasarkan r-square dari data diatas menunjukan keakuratan suatu data,
semakin besar nilainya maka datanya semakin akurat. Dapat dilihat keakuratan

datanya yaitu 0,78 yang menunjukan data mendekati akurat. Type I SS harus sama
hasilnya dengan type III SS yang menunjukan bahwa perhitungan benar, selain itu
F value > F tabel maka Ho ditolak dan H1 diterima sehingga ada perbedaan yang
signifikan dari data tersebut.
Sehingga pada data dengan program SAS ini Pada data 1 mengenai Hasil
Analisis Ragam RAL 1 memiliki Hipotesis nol (H0) dan Hipotesis Alternatif (Ha).
H0 yaitu tidak ada pengaruh nyata (perbedaan) dari perlakuan terhadap hasil
pengamatan analisis Ragam RAL. Sedangkan Ha yaitu ada pengaruh nyata
(perbedaan) dari perlakuan terhadap hasil pengamatan analisis Ragam RAL. Dari data
1, diperoleh bahwa F kalkulasinya senilai 54.32. Untuk Ftabel pada 0,05 dari df
treatment= 6 dan df error= 28 adalah 2.44. Karena nilai F kalkulasi lebih besar F tabel,
maka H0 ditolak sedangkan Ha diterima, sehingga terdapat signifikan yaitu ada
pengaruh nyata (perbedaan) dari perlakuan terhadap hasil pengamatan analisis Ragam
RAL.
Pada data 2 mengenai Hasil Analisis Ragam RAL 2 memiliki Hipotesis nol
(H0) dan Hipotesis Alternatif (Ha). H0 yaitu tidak ada pengaruh nyata (perbedaan)
dari perlakuan terhadap hasil pengamatan analisis Ragam RAL. Sedangkan Ha yaitu
ada pengaruh nyata (perbedaan) dari perlakuan terhadap hasil pengamatan analisis
Ragam RAL. Dari data 2, diperoleh bahwa F valuenya senilai 49,59. Untuk pr > F
adalah 0,0001, sehingga Hasil analisis dapat disimpulkan sebagai berikut :
karena nilai pr > F < 0.05, maka H1 diterima dan H0 ditolak. Hal ini berarti, ada
perbedaan antara perlakuan yang dicobakan
Jika Ho diterima berarti semua perlakuan yang dicobakan memberikan
pengaruh yang sama, tetapi jika H1 yang diterima berarti paling sedikit terdapat
sepasang nilai tengah perlakuan yang berbeda. Untuk mengetahui pasangan perlakuan
mana yang mempunyai nilai tengah yang berbeda tersebut, maka perlu dilakukan
pengujian lanjutan untuk mengetahui perbedaan diantara nilai tengah perlakuan
tersebut. Pengujian tersebut diistilahkan dengan uji lanjutan atau biasa juga disebut uji
pembanding berganda.
Habis tabel anova diperoleh data signifikan H1 diterima dan Ho ditolak tetapi
kita belum tau faktor yang mana yang menyebabkan pengaruh perbedaan itu jadi perlu
di uji lanjutan di uji yaitu dengan uji duncan dan uji lsd.
Setelah didapatkan hasil RAL maka diuji dengan uji LSD, dimana Mean perlk;
mean perlk/ducan atau kita bisa mengunakan mean perlk/lsd; dan setelah itu run;

Dari data dengan uji ducan yang mana kita ketahui Uji ducan berfungsi untuk
mengetahui hasil uji beda nyata dengan metode Duncan pada RAL faktorial. Apabila
hasil yang diperoleh menunjukkan data signifikan H1 diterima dan H0 ditolak , maka
dapat dinyatakan data tersebut ke dalam uji beda nyata guna mengetahui lebih lanjut
letak perbedaan spesifik dari data. Untuk melihat output hasil tabel data RAL pada
program SAS klik input sampai pada proc print data ; run; dan dengan mengklik icon
seperti orang berlari pada program editor. Maka hasil output tabeL RAL faktorial akan
tampak, kemudian untuk melihat output table anova dalam RAL dengan mengklik
Proc glm ; Class A B; dan Model Y = A B A*B; run; maka output tabel anovanya
akan tampak. Untuk melihat hasil uji beda nyata itu sendiri yang signifikan atau tidak
yaitu dengan mengklik Mean A B ; Mean A B/DUNCAN; Run; maka data uji beda
nyata akan tampak.
Dari data yang diperoleh menunjukan data dari mean treat mengunakan alpa
0,05 dengan df yang bernilai sebesar 27 dan MSE (error) sebesar 0,083, dan selain itu
nilai tersebut dapat menunjukan apakah data tersebut

berbeda nyata atau tidak.

Berdasarkan uji ducan diperoleh ada duncan grouping yaitu A berjumlah 3 pada
replikasi 3 dan replikasi 1 sedangkan b nya ada satu pada replikasi kedua. Sehingga
dapat disimpulkan bahwa data R3 tidak berbeda nyata dengan R1 karena memiliki
nilai mean yang hampir sama dan pada R1 dan R3 berbeda nyata karena nilai nya
mean nya jauh berbeda.

Daftar pustaka
I.

Marzuki. 2005. Aplikasi Minitab Dalam Perancangan Percobaan Di Bidang

Agronomi. Ambon : Universitas Patimura.

Kismiantini.2010. SAS (Statistical Analysis System). UNY : Yogyakarta.

Mawardi . 2013. Uji Lanjut Perbandingan Berganda. Makasar
Syukri , M, Nur. 2005. Statiska Perancangan percobaan. Jakarta : PT Calprint
Indonesia.