Anda di halaman 1dari 15

Pemodelan Linier menggunakan SPPS pada Penelitian

Ilmu-Ilmu Pertanian
Saiful Bahri

INTISARI
Banyak perangkat lunak komputer menyediakan fasilitas analisis statistik dengan
menggunakan pemodelan linier untuk menguji berbagai macam data untuk penelitian
dibidang ilmu ilmu pertanian maupun ilmu ilmu sosial, seperti SPSS, SAS maupun
SYSTAT. Sementara itu, pembelajaran ilmu statistika jarang yang menekankan pada
pemodelan linier sehingga tidak jarang dijumpai peneliti tidak mampu membaca atau
menterjemahkan hasil analisis data menggunakan perangkat lunak tersebut. Tulisan ini
bermaksud memberikan pemahaman tentang pemodelan linier bagi para peneliti ilmu
ilmu pertanian yang sering kali menggunakan model linier seperti Analisis of Variance
untuk Rancangan Acak Lengkap maupun Rancangan Acak Kelompok Lengkap, sehingga
peneliti dapat membuat pemodelan linier lainnya untuk memecahkan masalah
penelitiannya dengan bantuan perangkat lunak komputer yang tersedia.
Kata kunci : model linier
ABSTRACT

Thera are many computer software for statistic analysis using linier model to test a
result of an agriculture or a sosial research, such a SPSS, SAS or SYSTAT. While, in
fact, Application for statistic analysis do not cover detail the linier model, so that, a
researcher can not read and can not take a representation of the analysis result used the
software. This article is intend to describe statistical procedures for making the linier
model for agriculture researcher whom using the analysis of variance for completely
randomized design or completely randomized block desgin. We hope that the researcher
may make the other linier model for solving research using the available computer
software.
Keyword : linier model

A. Pengantar
Ilmu statistik dalam penerapannya berperan dalam metodologi penelitian.
Namun sering, para peneliti khususnya mahasiswa baik strata S1, S2 seringkali
mengabaikan kaidah kaidah statistika sehingga ‘terepotkan’ oleh statistika. Statistika
sebagai salah satu alat, ‘tool’ untuk membantu peneliti memecahkan
permasalahannya acapkali hanya digunakan sebagai pelengkap penderita oleh banyak
peneliti. Peran statistika menjadi terabaikan.
Peranan statistika tidak akan merepotkan para peneliti kalau kaidah kaidah
statistika diikuti dengan baik dan benar dalam metodologi penelitian. Oleh karena itu,
peran para ahli statistika dalam penyusunan proposal penelitian perlu
dipertimbangkan dengan baik oleh para peneliti. Walaupun hanya sekedar alat dalam
penelitian, apa jadinya andaikan kaidah statistika tidak ‘pas’ diterapkan, hal ini akan

1
berakibat cukup serius dalam pengambilan keputusan dalam penelitian. Yang sering
terjadi, ‘alat’nya yang dicari-cari agar ‘pas’ dengan maksud dan tujuan peneliti dan
memuaskan seperti apa yang peneliti bayangkan sebelumnya atau hasil penelitian
sesuai dengan pesanan. Belum lagi, para peneliti tidak memahami makna ‘alat’ yang
digunakan. Sungguh telah terjadi ‘pelacuran’ karya ilmiah.
Demikian juga yang terjadi pada penelitian di bidang ilmu pertanian. Pada
umumnya dalam penelitian penelitian pertanian menggunakan percobaan. Dalam
percobaan, terdapat dua perancangan, yaitu perancangan perlakuan, dan perancangan
lingkungan. Perancangan perlakuan berkaitan pengaturan, penyusunan macam, jenis
dan aras perlakuan yang menjadi topik penelitian dan berkaitan dengan maksud serta
tujuan penelitian. Hal ini penting dilakukan agar penentuan hipotesis penelitian
dilakukan dengan benar, sehingga maksud dan tujuan penelitian dicapai dengan baik
dan benar. Sedangkan perancangan lingkungan berkaitan penyusunan, pengaturan dan
penempatan satuan percobaan seperti perlakuan dan ulangan pada tempat atau
lingkungan yang sedemikian rupa sehingga pengaruh lingkungan mendekati nol
terhadap perlakuan. Perancangan percobaan yang umum meliputi perancangan
Rancangan Acak Lengkap, Rancangan Acak Kelompok Lengkap, dan Rancangan
Bujur Sangkar Latin.
Untuk mengembangkan ilmu pertanian, tidak hanya berkutat penelitian dengan
percobaan seperti diatas, namun masih banyak model dan uji statistik lainnya yang
dapat diterapkan. Pemahaman tentang uji statistik sangat penting dimiliki oleh para
peneliti, sedangkan penyelesaian prosedurnya bisa minta bantuan pada mesin hitung
atau komputer. Dalam makalah ini, penulis akan menyajikan berbagai uji statistik
yang umum digunakan dalam penelitian pertanian dengan menggunakan bantuan
perangkat lunak komputer SPSS.

B. Sekilas tentang Perancangan Percobaan dan Uji Perbandingan


Pada umumnya, penelitian dibidang ilmu ilmu pertanian menggunakan
‘percobaan’ yang dikenal dengan Perancangan Percobaan. Dalam perancangan
percobaan dibedakan atas perancangan lingkungan dan perancangan perlakuan.
Perancangan lingkungan dimaksudkan untuk mengatur, menyusun dan menata petak-
petak, plot-plot atau unit percobaan dalam satuan percoboaan sedemikian rupa
sehingga faktor lingkungan selain perlakuan mempunyai pengaruh yang relatif sangat
kecil terhadap pengaruh yang diamati dari pengaruh perlakuan itu sendiri. Untuk itu,
dikenal dengan berbagai rancangan, yaitu
• Rancangan Acak Lengkap (Completely Randomized Design),
• Rancangan Acak Kelompok Lengkap (Completely Randomized Block
Design),
• Rancangan Bujursangkar Latin (Latin Square Design), dan
• Rancangan Petak Terpisah (Split Plot Design) serta
• Rancangan Blok Terpisah (Strip Plot Design atau Split Block Design).
Rancangan tersebut secara matematis mengikuti model linear, dapat ditulis dengan
persamaan matematis sebagai berikut
• Rancangan Acak Lengkap :
Y = μ + ρ + εij

2
• Rancangan Acak Kelompok Lengkap
Y = μ + β + ρ + εij
• Rancangan Bujur Sangkar latin
Y = μ + β + κ + ρ + εij
• Rancangan Acak Kelompok Lengkap Faktorial (a dan b)
Y = μ + β + αi+ νj + (αi) (νj) + εij
• Rancangan Petak Terpisah (Split Plot Design)
Y = μ + β + αi+ мk+ νj + (αi) (νj) + εij
• Rancangan Blok Terpisah (Strip Plot Design)
Y = μ + β + αi+ мk+ νj + γn + (αi) (νj) + εij

Keterangan :
Y : peubah yang diukur, misal hasil
μ : pengaruh rerata
ρ : pengaruh perlakuan
β : pengaruh ulangan/blok
κ : pengaruh ulangan/kolom
α : pengaruh perlakuan faktor a
ν : pengaruh perlakuan faktor b
εij : pengaruh error (galat)
мk : pengaruh galat main plot
γn : pengaruh galat sub main plot

Komponen komponen pada persamaan model linier tersebut adalah komponen


pada sumber ragam dari analisis ragam (analysis of variance) rancangan tersebut.
Dengan memahami model linier tersebut, dengan mudah dapat menyusun analisis
ragam dari suatu perancangan dengan berbagai bantuan perangkat lunak komputer
yang ada.
Perancangan perlakuan dimasudkan menyusun sedemikian rupa sehingga
peubah-peubah (variable) yang mempengaruhi maupun peubah yang dipengaruhi
(hasil atau produksi tanaman yang diamati/diukur) sesuai dengan tujuan penelitian
(atas dasar hipotesis statistik yang disusun).
Pada perancangan perlakuan dikenal dengan percobaan yang hanya melibatkan
satu jenis perlakuan dikenal dengan percobaan faktor tunggal, dan percobaan dengan
melibatkan lebih dari satu perlakuan, dikenal dengan Percobaan Faktorial. Percobaan
faktorial menekankan pada uji pengaruh interaksi antar faktor, yaitu perubahan satu
faktor pada setiap level faktor yang lain, disamping itu, menguji pengaruh utamanya.
Pada hakekatnya, dalam perancangan tersebut, adalah menguji perbedaan antar
perlakuan atau efek perlakuan terhadap peubah yang diamati.
Dalam uji perbandingan antar perlakuan adalah sebagai berikut :
a. Uji Perbandingan antar Perlakuan, uji ini diterapkan pada perlakuan yang
bersifat kualitatif, seperti macam varietas
i. Uji dengan satu nilai kritis pembanding
ii. Uji dengan banyak nilai kritis pembanding (pairwise comparison)
iii. Uji kontras

3
b. Uji Regresi : uji polinomial, uji respon, uji ini diterapkan pada perlakuan
yang bersifat kuantitatif seperti dosis pupuk N, jumlah benih, jarak baris,
dan lain-lain.
SPSS menyediakan fasilitas apa yang disebut dengan General Linear Model,
dan uji perbandingan antar perlakuan yang dikenal dengan Post Hoc serta Contras.
SPPS menyediakan beragam pilihan uji perbandingan perlakuan dengan asumsi
ragam perlakuan sama, seperti uji Dunnet, LSD, Duncan, Tukey, maupun uji untuk
perlakuan dengan ragam yang tidak sama.

C. Model Linier dan Komponennya


Untuk memberikan pemahaman tentang model linier dan kaitannya dengan
analisis ragam, berikut ini disajikan ilustrasi contoh penguraian suatu model linier Y
= μ + βj + ρi + εij, dimana i = 1,2,…t (t sebagai cacah baris), dan j = 1,2, ..,r (r
sebagai cacah kolom).
Misalkan t=5, r=3 sehingga diperoleh 15 data, dan data (Yij) disajikan dalam tabel dua
larik, sebagai berikut :

1. Penyajian Data Yij dalam dua Larik (two arrays table) :

Tabel 1. Penyajian data dalam bentuk 2 larik


Nilai rerata µ
Blok
Perlakuan 1 2 3 Rerata Efek ρi
1 Y11 Y12 Y13 Y1o ρ1
2 Y21 Y22 Y23 Y2o ρ2
3 Y31 Y32 Y33 Y3o ρ3
4 Y41 Y42 Y43 Y4o ρ4
5 Y51 Y52 Y53 Y5o ρ5
Rerata
Blok Yo1 Yo2 Yo3
µ
efek blok β1 β2 β3

Penguraian setiap efek:


1. Efek blok (βj) = Yoj - µ
2. Efek Perlakuan (ρi) = Yio - µ
3. Efek Error (εij) = Yij - µ

Rumus Jumlah Kuadrat`:


• Σ (Yoj - µ) = 0, sehingga Jumlah Kuadrat Blok = Σ (Yoj - µ)2
• Σ (Yio - µ) = 0, sehingga Jumlah Kudarat Perlakuan =Σ (Yio - µ)2
• Σ (Yij - µ) = 0, sehingga Jumlah Kudarat Error = Σ (Yij - µ)2
• Jumlah Kudrat Total merupakan total dari ketiga JK Blok, JK Perlakuan dan JK
Error.
Rumus Derajat Bebas (DB)

4
Dengan asumsi bahwa error / atau galat sebagai hasil interaksi antara efek lingkungan
dan perlakuan, maka derajat bebas dirumuskan sebagai berikut :
• DB Blok = r – 1
• DB Perlakuan = t – 1
• DB Error = (r-1) * (t-1)

Rumus Kuadrat Tengah (KT):


• KT Blok = JK Blok /DB Blok
• KT Perlakuan = JK Perlakuan / DB Perlakuan
• KT Errot = JK Error / DB Error

Rumus F hitung :
Dengan asumsi bahwa nilai harapan efek perlakuan lebih besar dibanding efek error,
dan juga nilai efek blok/lingkungan lebih besar dari efek error, maka efek yang
memiliki nilai harapan lebih kecil sebagai pembagi, sehingga
• F hitung Blok = KT Blok / KT Error
• F hitung Perlakuan = KT Perlakuan / KT Error

Contoh data :
Tabel 2. Penyajian dalam bentuk contoh data

Nilai rerata µ= 5
Blok Rerata
Perlakuan 1 2 3 Perlakuan Efek t
A 5 6 1 4 4-5=-1
B 4 7 4 5 5-5=0
C 6 5 7 6 6-5=1
D 7 8 6 7 7-5=2
E 3 4 2 3 3-5=2
Rerata
Blok 5 6 4
µ= 5
efek blok 5-5=0 6-5=1 4-5=-1

Efek errornya diperoleh dengan mengurangkan setiap nilai Yij dengan nilai rerata
perlakuan dan rerata blok, dan diperoleh hasil sebagai berikut :

Tabel 3. Perhitungan efek error

5
efek error e ij = Yij- Yio- Yoj
1 2 3
A 1 1 -2
B -1 1 0
C 0 -2 2
D 0 0 0
E 0 0 0

Dengan mengkuadratkan setiap nilai efek tersebut maka akan diperoleh Jumlah
Kuadrat (JK) dari setiap efek tersebut, yaitu efek perlakuan, efek blok, dan efek error,
dan akan diperoleh hasil analisis ragam sebagai berikut :

Tabel 4. Analisis ragam untuk data contoh.

Sumber Ragam db JK KT F hitung


Blok 2 10 5 2.5
Perlakuan 4 30 7.5 3.75
Galat 8 16 2 1
Total 14 56

2. Penyajian Data Yij Dengan Variabel variabel ( satu array)

Data ilustrasi seperti pada Tabel 2 diatas, dapat disajikan dalam bentuk kolom-kolom
sebagai suatu variabel, sebagaimana tabel 5 dibawah ini :

6
Tabel 5 : Penyajian data dalam bentuk kolom

Efek efek
t r Rerata µ efek ρ efek β efek έ Y=µ+ ρ+ β+ έ
1 1 5 -1 0 1 5
1 2 5 -1 1 1 6
1 3 5 -1 -1 -2 1
2 1 5 0 0 -1 4
2 2 5 0 1 1 7
2 3 5 0 -1 0 4
3 1 5 1 0 0 6
3 2 5 1 1 -2 5
3 3 5 1 -1 2 7
4 1 5 2 0 0 7
4 2 5 2 1 0 8
4 3 5 2 -1 0 6
5 1 5 -2 0 0 3
5 2 5 -2 1 0 4
5 3 5 -2 -1 0 2

Dengan mengkuadratkan setiap efek tersebut maka akan diperoleh Jumlah Kuadrat
setiap Efek, dengan hasilnya sebagai berikut :

Tabel 6. Jumlah Kuadrat dari setiap efek yang ada

Kuadrat Efek efek


t r Rerata µ efek ρ efek β efek έ Kuadrat Y
1 1 25 1 0 1 25
1 2 25 1 1 1 36
1 3 25 1 1 4 1
2 1 25 0 0 1 16
2 2 25 0 1 1 49
2 3 25 0 1 0 16
3 1 25 1 0 0 36
3 2 25 1 1 4 25
3 3 25 1 1 4 49
4 1 25 4 0 0 49
4 2 25 4 1 0 64
4 3 25 4 1 0 36
5 1 25 4 0 0 9
5 2 25 4 1 0 16
5 3 25 4 1 0 4
Jumlah 375 30 10 16 441

Dari Tabel 6 diatas dapat disusun suatu tabel Analisis Ragam sebagaimana SPSS
menyajikan analisis ragamnya, sebagai berikut :

Tabel 7: Analisis ragam versi SPSS (diperoleh dari tabel 6)

7
Sumber Ragam JK Df KT F hit
Corrected Model 40 6 6.666667 3.3333
Intercept 375 1 375 187.5
Blok 10 2 5 2.5
Perlakuan 30 4 7.5 3.75
Error 16 8 2
Total 431 15
Corrected Total 56 14

3. Penyajian data menggunakan SPSS


Untuk keperluan analisis ragam dengan Model General Linier dari SPSS maka
data disusun menggunakan kolom kolom sebagai suatu variabel. Data
didefinisikan sebagai suatu variabel. Variabel yang terlibat meliputi adalah
variabel model (perlakuan, faktor, ulangan, atau kolom), dan variabel hasil atau
variabel hasil pengamatan.

Contoh penyajian

Tabel 8. Penyajian data versi SPSS

t r Y
1 1 5
1 2 6
1 3 1
2 1 4
2 2 7
2 3 4
3 1 6
3 2 5
3 3 7
4 1 7
4 2 8
4 3 6
5 1 3
5 2 4
5 3 2

Dengan memahami kaidah dan prosedur model linier dan komponennya, maka
dapat aplikasikan pada Rancangan Acak Lengkap atau Rancangan lainya baik
yang sederhana maupun yang rumit sekalipun.
Pada uraikan berikut ini, akan diberikan contoh dengan menggunakan Rancangan
Acak Lengkap yang dianalisis dengan model linier versi SPSS

8
D. Analisis Statistik: uji antar perlakuan pada percobaan faktor tunggal dengan
Rancangan Acak Lengkap (RAL)

Model linier RAL adalah Y = μ + ρ + εij sehingga sumber ragam disusun sebagai
berikut :

Tabel 9. Kerangka analisis ragam RAL

SUMBER DERJAT JUMLAH KUADRAT Nilai F


RAGAM BEBAS KUADRAT TENGAH Hitung
Perlakuan t-1
Galat r(t -1)
Total (terkoreksi) rt-1

Tabel analisis ragam tersebut membantu memudahkan untuk mengetahui nilai


probabilita F dari pengaruh perlakuan dan mengetahui signifikansinya. Secara
konvensional, signifikansi uji F, diperoleh dengan jalan mencari nilai F tabel 5% atau
1%, dan membandingkan nilai F hitung dengan nilai F dari tabel tersebut. Apabila
nilai F hitung lebih kecil dari 5% (0.05) dikatakan pengaruh antar perlakuan terdapat
perbedaan yang nyata, dan sebaliknya.
Setelah diperoleh nilai siginifkansi uji F, dilanjutkan dengan uji perbandingan antar
perlakuan, misal apakah uji LSD, Duncan, Tukey, atau Regresi Polynomial. Dengan
demikian, dapat diperoleh jawaban dari hipotesis statistik,

Contoh Data
1. Untuk mengetahui perbedaan antar macam insektisida foliar dan granular
terhadap hasil gabah padi (kg/ha) dilakukan percobaan dengan RAL terdiri dari 4
ulangan dan 7 perlakuan insektisida.
2. Data berat gabah padi (kg/ha) (data diperoleh dari Gomez and Gomez, 1984)

Tabel 10. Berat gabah dengan perlakuan insektisida foliar dan granular

PERLAKUAN Ulangan
1 2 3 4
Dolmix 1 kg 2537 2069 2104 1797
Dolimx 2 kg 3366 2591 2211 2544
DDT 2536 2459 2827 2385
Azodrin 2387 2453 1556 2116
Dimecron-Boom 1997 1679 1649 1859
Dimecron-Knap 1796 1704 1904 1320
Control 1401 1516 1270 1077

9
3. Analisis ragam berat gabah padi

Berikut ini hasil analisis ragam menggunakan cara perhitungan manual, disajikan
pada Tabel 11.

Tabel 11. Analisis ragam bagi berat gabah yang dari Tabel 10 secara
konvensional

SUMBER DB JK KT F F HITUNG
KERAGAMAN HITUNG 5% 1%
PERLAKUAN 6 5.587.174 931.196 9.83** 2.57 3.81
GALAT 21 1.990.238 94.773
PERCOBAAN
TOTAL 27 7.577.412

4. Analisis ragam berat gabah padi melalui SPPS

Berikut ini hasil analisis RAL dengan fasilitas General Linier Model dari SPSS,
disajikan pada Tabel 12.

Tabel 12. Analisis ragam RAL bagi berat gabah dari Tabel 10

Tests of Betw een-Subjects Effects

Dependent Variable: Gabah padi


Type I Sum
Source of Squares df Mean Square F Sig.
Corrected Model 5587174.9a 6 931195.821 9.826 .000
Intercept 116484004 1 116484003.6 1229.081 .000
t 5587174.9 6 931195.821 9.826 .000
Error 1990237.5 21 94773.214
Total 124061416 28
Corrected Total 7577412.4 27
a. R Squared = .737 (Adjusted R Squared = .662)

Dari Tabel 12. diatas menunjukkan bahwa nilai F perlakuan sebesar 9,826 dengan
siginifikansi kurang dari 0,01, menunjukkan bahwa hipotesis yang mengatakan
bahwa terdapat perbedaan antar perlakuan insektisida diterima, artinya terdapat
kemungkinan perbedaan yang (sangat) nyata antar perlakuan insektisida terhadap
berat gabah padi.

5. Uji perbandingan antar perlakuan (post hoc)


Uji ini untuk menjawab tujuan penelitian atas dasar hipotesis yang disusun, yaitu
membandingkan antar perlakuan insektisida foliar dan granular. Untuk keperluan
ini, dapat dilakukan 3 macam uji, yaitu uji perlakuan terhadap kontrol (uji
Dunnet), uji antar pasangan perlakuan (uji Duncan, uji Tukey), dan uji Contras.

10
a. Uji insektisida terhadap kontrol, menggunakan uji Dunnet

Tabel 13. Hasil uji perbandingan berganda dengan uji LSD dan Dunnet bagi berat
gabah dari Tabel 10.

Multiple Comparisons

Dependent Variable: Gabah padi

Mean
Difference 95% Confidence Interval
(I) Perlakuan (J) Perlakuan (I-J) Std. Error Sig. Lower Bound Upper Bound
LSD Dolomix 1 kg Dolmix 2 kg -551.2500* 217.68465 .019 -1003.9500 -98.5500
DDT+BHC -425.0000 217.68465 .064 -877.7000 27.7000
DDT -1.2500 217.68465 .995 -453.9500 451.4500
Dimecron-Boom 330.7500 217.68465 .144 -121.9500 783.4500
Dimecron-Knap 445.7500 217.68465 .053 -6.9500 898.4500
Kontrol 810.7500* 217.68465 .001 358.0500 1263.4500
Dolmix 2 kg Dolomix 1 kg 551.2500* 217.68465 .019 98.5500 1003.9500
DDT+BHC 126.2500 217.68465 .568 -326.4500 578.9500
DDT 550.0000* 217.68465 .020 97.3000 1002.7000
Dimecron-Boom 882.0000* 217.68465 .001 429.3000 1334.7000
Dimecron-Knap 997.0000* 217.68465 .000 544.3000 1449.7000
Kontrol 1362.0000* 217.68465 .000 909.3000 1814.7000
DDT+BHC Dolomix 1 kg 425.0000 217.68465 .064 -27.7000 877.7000
Dolmix 2 kg -126.2500 217.68465 .568 -578.9500 326.4500
DDT 423.7500 217.68465 .065 -28.9500 876.4500
Dimecron-Boom 755.7500* 217.68465 .002 303.0500 1208.4500
Dimecron-Knap 870.7500* 217.68465 .001 418.0500 1323.4500
Kontrol 1235.7500* 217.68465 .000 783.0500 1688.4500
DDT Dolomix 1 kg 1.2500 217.68465 .995 -451.4500 453.9500
Dolmix 2 kg -550.0000* 217.68465 .020 -1002.7000 -97.3000
DDT+BHC -423.7500 217.68465 .065 -876.4500 28.9500
Dimecron-Boom 332.0000 217.68465 .142 -120.7000 784.7000
Dimecron-Knap 447.0000 217.68465 .053 -5.7000 899.7000
Kontrol 812.0000* 217.68465 .001 359.3000 1264.7000
Dimecron-Boom Dolomix 1 kg -330.7500 217.68465 .144 -783.4500 121.9500
Dolmix 2 kg -882.0000* 217.68465 .001 -1334.7000 -429.3000
DDT+BHC -755.7500* 217.68465 .002 -1208.4500 -303.0500
DDT -332.0000 217.68465 .142 -784.7000 120.7000
Dimecron-Knap 115.0000 217.68465 .603 -337.7000 567.7000
Kontrol 480.0000* 217.68465 .039 27.3000 932.7000
Dimecron-Knap Dolomix 1 kg -445.7500 217.68465 .053 -898.4500 6.9500
Dolmix 2 kg -997.0000* 217.68465 .000 -1449.7000 -544.3000
DDT+BHC -870.7500* 217.68465 .001 -1323.4500 -418.0500
DDT -447.0000 217.68465 .053 -899.7000 5.7000
Dimecron-Boom -115.0000 217.68465 .603 -567.7000 337.7000
Kontrol 365.0000 217.68465 .108 -87.7000 817.7000
Kontrol Dolomix 1 kg -810.7500* 217.68465 .001 -1263.4500 -358.0500
Dolmix 2 kg -1362.0000* 217.68465 .000 -1814.7000 -909.3000
DDT+BHC -1235.7500* 217.68465 .000 -1688.4500 -783.0500
DDT -812.0000* 217.68465 .001 -1264.7000 -359.3000
Dimecron-Boom -480.0000* 217.68465 .039 -932.7000 -27.3000
Dimecron-Knap -365.0000 217.68465 .108 -817.7000 87.7000
Dunnett t (2-sided)a Dolomix 1 kg Kontrol 810.7500* 217.68465 .006 203.4704 1418.0296
Dolmix 2 kg Kontrol 1362.0000* 217.68465 .000 754.7204 1969.2796
DDT+BHC Kontrol 1235.7500* 217.68465 .000 628.4704 1843.0296
DDT Kontrol 812.0000* 217.68465 .006 204.7204 1419.2796
Dimecron-Boom Kontrol 480.0000 217.68465 .158 -127.2796 1087.2796
Dimecron-Knap Kontrol 365.0000 217.68465 .381 -242.2796 972.2796
Based on observed means.
*. The mean difference is significant at the .05 level.
a. Dunnett t-tests treat one group as a control, and compare all other groups against it.

11
b. Uji antar perlakuan insektisida, menggunakan uji Duncan, atau Tukey

Tabel 14. Hasil uji perbandingan antar perlakuan insetisida bag berat gabah dari
Tabel 10. dengan uji berpasangan Tukey dan Duncan.

Gabah padi

Subset
Perlakuan N 1 2 3 4
Tukey Ba,b Kontrol 4 1316.0000
Dimecron-Knap 4 1681.0000 1681.0000
Dimecron-Boom 4 1796.0000 1796.0000
Dolomix 1 kg 4 2126.7500 2126.7500
DDT 4 2128.0000 2128.0000
DDT+BHC 4 2551.7500
Dolmix 2 kg 4 2678.0000
Duncan a,b Kontrol 4 1316.0000
Dimecron-Knap 4 1681.0000 1681.0000
Dimecron-Boom 4 1796.0000
Dolomix 1 kg 4 2126.7500 2126.7500
DDT 4 2128.0000 2128.0000
DDT+BHC 4 2551.7500 2551.7500
Dolmix 2 kg 4 2678.0000
Sig. .108 .072 .078 .568
Means for groups in homogeneous subsets are displayed.
Based on Type I Sum of Squares
The error term is Mean Square(Error) = 94773.214.
a. Uses Harmonic Mean Sample Size = 4.000.
b. Alpha = .05.

12
c. Uji antar perlakuan insekstisida foliar dan granular, menggunakan Contras

Tabel 14. Hasil uji Contras perlakuan insekstisida bagi bera gabah dari Tabel 10

Contra st Re sults (K Ma trix )a

Dependent
Variable
Contrast Gabah padi
L1 Contrast Estimate -609.750
Hypothesized Value 0
Difference (Estimate - Hypothesized)
-609.750

Std. Error 997.556


Sig. .548
95% Confidence Interval Lower Bound -2684.282
for Difference Upper Bound 1464.782
L2 Contrast Estimate 3159.750
Hypothesized Value 0
Difference (Estimate - Hypothesized)
3159.750

Std. Error 533.216


Sig. .000
95% Confidence Interval Lower Bound 2050.866
for Difference Upper Bound 4268.634
L3 Contrast Estimate 1305.750
Hypothesized Value 0
Difference (Estimate - Hypothesized)
1305.750

Std. Error 307.853


Sig. .000
95% Confidence Interval Lower Bound 665.536
for Difference Upper Bound 1945.964
L4 Contrast Estimate 365.000
Hypothesized Value 0
Difference (Estimate - Hypothesized)
365.000

Std. Error 217.685


Sig. .108
95% Confidence Interval Lower Bound -87.700
for Difference Upper Bound 817.700
L5 Contrast Estimate 126.250
Hypothesized Value 0
Difference (Estimate - Hypothesized)
126.250
Std. Error 217.685
Sig. .568
95% Confidence Interval Lower Bound -326.450
for Difference Upper Bound 578.950
L6 Contrast Estimate 332.000
Hypothesized Value 0
Difference (Estimate - Hypothesized)
332.000

Std. Error 217.685


Sig. .142
95% Confidence Interval Lower Bound -120.700
for Difference Upper Bound 784.700
a. Based on the user-specified contrast coefficients (L') matrix: Uji
Contras

13
Analisis ragam Contras menghasilkan sebagai berikut :

Tabel 15. Analisis ragam dengan uji contras perlakuan insektisida bagi berat gabah
dari Tabel 10
Test Results

Dependent Variable: Gabah padi


Sum of
Source Squares df Mean Square F Sig.
Contrast 5587174.9
6 931195.821 9.826 .000
29
Error 1990237.5
21 94773.214
00

Nampak bahwa nilai F contras tersebut adalah sama dengan analisis ragam RAL. Hal
ini karena Contras yang dibentuk merupakan komponen dari Perlakuan, yaitu
sebanyak 6 komponen (L1, L2, L3, L4, L5, dan L6).
Adapun rincian Contras dapat dilihat pada Tabel 4.9, sebagai berikut :

Tabel 16. Koefisien Kontras perbandingan perlakuan insektisida foliar dan granular
Contras Perlakuan Keterangan
T1 T2 T3 T4 T5 T6 T7
L1 1 1 1 1 1 1 -6 Kontrol dengan yang lain
L2 1 1 1 1 -2 -2 0 Insect. Cair dan padat
L3 1 1 -1 -1 0 0 0 Dolmix dan DDT
Azodrin
L4 1 -1 0 0 0 0 0 Antar Dolmix
L5 0 0 1 -1 0 0 0 Antar DDT & Azodrin
L6 0 0 0 0 1 -1 0 Antar Dimecron

E. Kesimpulan

Dengan memahami kaidah dan prosedur pemodelan linier pada perancangan


percobaan, maka dapat disusun suatu model perancangan yang lebih kompleks untuk
diterapkan pada percobaan percobaan penelitian dibidangn pertanian. Juga tidak
menutup kemungkinan untuk dikembangkan pada penelitian ilmu ilmu sosial, seperti
ilmu komunikasi, ekonomi maupun psikologi. Peneliti dapat dengan mudah
menganilisis data hasil penelitiannya dengan menggunakan perangkat lunak statistika
yang tersedia yang mendukung General Linier Model, seperti SPSS, SAS maupun
SYSTAT. Disamping itu, peneliti dapat melakukan simulasi terhadap hasil
penelitiannya dengan menggunakan perangkat lunak komputer sehingga pengunaan
‘tool’ statstika tidak mengakibatkan bias dalam penarikan kesimpulannya.

14
Daftar Rujukan

Anonim.. User Guide SPSS version 6. SPPS Inc. New York

Gomez K.A. and A.A. Gomez. 1984. Statistical Procedres for Agricultural Research.
John Wiley and Sons, New York.

Saiful Bahri. 1990 Rancangan Percobaan Edisi 2. Fakultas Pertanian UNISRI,


Surakarta.

Saiful Bahri. 1993. Regresi dan Korelasi Edisi 2. Fakultas Pertanian UNISRI,
Surakarta..

Steel RGD dan J.A. Torrie. 1980. Principles and Procedures of Statistics. Mc Graw-
Hill, New York.
.

15