Penuntun Praktikum Rancangan Percobaan PDF
Penuntun Praktikum Rancangan Percobaan PDF
I. PENDAHULUAN
Dalam usaha meningkatkan suasana akedemik di perguruan tinggi serta dalam
upaya menumbuhkan sikap, kemampuan dan keterampilan meneliti pada mahasiswa dan
dosen, pengetahuan program kemasan komputer
Product and Service Solutions)
Rancangan Percobaan merupakan hal yang esensial untuk dikuasai. Setiap bidang studi
diharapkan dapat menimbulkan kegairahan meneliti, disamping mengembangkan
penguasaan
materi
diharapkan
juga
memberikan
pengalaman
belajar
yang
dengan apa yang kita rencanakan atau telah kita rancang dalam rancangan percobaan
karena tersedia Syntax SPSS, dalam syntax SPSS kita dapat mengubah bahasa atau
model matematis dalam rancangan percobaan menjadi bahasa computer, sehingga
sesuai dengan yang kita rancang..
Pemeriksaan kesesuaian model adalah suatu langkah penting dalam menganalisa
data, model statistik yang digunakan tak lain dari suatu bayangan penyederhanaan atau
penyarian bagi masalah yang dikaji.
anggapan-anggapan yang melandasinya perlu diperiksa dan dinilai secara kritis. Teknikteknik grafis umumnya dapat membantu dalam analisis data dengan menggunakan
program SPSS.
Analisis data dengan SPSS dalam rancangan percobaan ini khusus membicarakan
tentang penggunaannya dalam analisis ragam serta uji lanjutanya yaitu uji Beda Nyata
Terkecil (BNT) atau Least Significant Difference (LSD) dan Uji Duncan serta Analisis
Regresi untuk perlakuan yang bersifat kuantitatif
mulai dari memasukkan data, tranformasi data, analisis data dan cara menyimpulkannya.
Sedangkan data dengan skala pengukuran Nominal dan Ordinal maupun skala
pengukuran Interval dan Rasional yang tidak memenuhi syarat untuk analisis ragam atau
homoginitas ragam tidak dipenuhi tidak dibahas dalam buku ini.
Rancangan percobaan yang dibahas adalah rancangan percobaan
sederhana
yaitu : Rancangan Acak Lengkap (RAL), Rancangan Acak Kelompok (RAK), Rancangan
Acak Kelompok Sub-Sampling, Rancangan Bujur Sangkar Lathin (RBSL), Rancangan
Acak Lengkap dan Acak Kelompok pola Faktorial, Tersarang dan Berjenjang(Split Plot).
Tulisan ini hanya membahas sebagian kecil saja dari Rancangan Percobaan yang ada,
sebenarnya banyak lagi jenis rancangan percobaan yang belum bisa dibahas, hal ini
semata-mata karena keterbatasan waktu, tenaga yang tersedia, namun kami harapkan
para pembaca bisa mengembangkannya sesuai
dengan
beberapa
menguji suatu kebenaran yang diketahui atau membayangkan suatu kebenaran yang
dipikirkan.
Mencoba atau Mengadakan Percobaan adalah satu cara dalam mendapatkan
keterangan (data) yang diperlukan seseorang untuk memperoleh pengetahuan baru. Oleh
karena itu suatu percobaan tidak diperlukan bilamana sesuatu yang hendak diketahui itu,
sebelumnya sudah diketahui.
Merancang : dapat diartikan sebagai merencanakan, memikirkan atau menimbangnimbang apa yang hendak diperbuat, yang segala sesuatunya diatur terlebih dahulu.
Rancangan adalah apa yang sudah dirancangkan, dipersiapkan, direncanakan
atau diprogramkan.
Rancangan Percobaan : dapat diartikan sebagai rangkaian kegiatan berupa
pemikiran dan tindakan yang dipersiapkan secara kritis dan seksama mengenai berbagai
aspek
yang
dipertimbangkan
dan
sedapat
mungkin
diupayakan
kelak
dapat
kendala yang terdapat dalam pelaksanaan percobaan maupun dalam menganalisis data.
Sedangkan efesien adalah bersangkut-paut dengan pengrasionalan dalam penggunaan
sumber daya, dana dan waktu dalam memperoleh keterangan dari percobaan.
atau factor, yaitu suatu peubah yang bebas ditetapkan oleh peneliti, misalnya dois obat,
jenis antibiotika, cara melakukan pengawetan daging dan sebagainya.
Peubah Tak-bebas atau Peubah Terikat adalah : respons suatu penelitian atau
percobaan yaitu sejumlah gejala atau respons yang muncul karena adanya peubah
bebas. Misalnya perbedaan berat badan ayam Broliler akibat diberikan jenis pakan yang
berbeda.
Jadi : Peubah bebasnya Jenis Pakan dan Peubah terikatnya adalah berat
badan.
Peubah Kontrol (Controle Variable) adalah : sejumlah gejala atau faktor atau
unsure yang dengan sengaja dikendalikan, atau disamakan agar tidak mengganggu atau
mempengaruhi peubah bebas atau pebah terikat.
berarti peubah ini tidak ikut menentukan ada tidaknya atau muncul tidaknya respon hasil
penelitian.
Jadi dapat diharapkan peubah terikat yang muncul adalah murni akibat dari
pakan yang berbeda, maka galur ayam, jenis kelaminnya dan kandangnya harus sama,
jadi galur, jenis kelamin dan kandang ayam disebut peubah kontrol.
Peubah Sampingan atau Peubah Antara (Intervining Variable) adalah :
sejumlah gejala yang tidak dapat dikontrol, akan tetapi dapat diperhitungkan pengaruhnya
terhadap
berpengaruh terhadap peubah bebas, maka akan menyebabkan peubah terikat yang
muncul tidak murni akibat peubah bebas, sehingga perlu diketahui seberapa besar
pengaruh peubah ini.
semua jenis kelamin ayam broiler kita harus mengelompokkan jantan dan betina, jadi
Jenis kelamin bukan lagi merukan peubah Kontrol melainkan sudah dijadikan peubah
Antara.
Jadi tergantung obyek atau fenomena apa yang ingin atau jadi focus
pengamatan
Peubah Galat atau Peubah Ektra (Extranius Variable) adalah : sejumlah gejala
yang tidak dapat dikontrol dan tidak dapat pula diperhitungkan pengaruhnya ataupun
dieleminasi pengaruhnya terhadap peubah bebas dan atau peubah terikat, peubah ini
mungkin bersumber dari kondisi contoh dan mungkin pula berada diluar contoh. Peubah
Penuntum Praktikum Rancangan Percobaan dengan SPS- 4
ini akan atau muncul pada saat penelitian berlangsung, peubah ini akan mempengaruhi
ketelitian penelitian. Adanya peubah ini dapat dilihat pada besarnya kuadrat tengah galat,
makin besar kuadrat tenghn galat berarti peubah ini makin besar pengaruhnya.
Rancangan Percobaan dibuat berkenaan dengan teknik-teknik dalam mengatasi
dan mengendalikan keragaman/peubah-peubah yang mengganggu pengaruh sebenarnya
dari perlakuan atau factor yang kita teliti atau tetapkan disebut Rancangan Lingkungan
(Enviromental Design).
Agar pengaruh perlakuan itu terlihat dengan jelas maka keragaman respons yang
ditimbulkan oleh keadaan bahan percobaan hendaknya jangan sampai mengaburkan atau
mengacaukan penampilan pengaruh perlakuan tadi. Oleh karena itu, keragaman respons
yang ditimbulkan
Meskipun dalam
rentang tersebut hanya ditentukan t taraf efektif saja, peneliti berminat untuk mengkaji
pengaruh faktor tersebut dalam rentangan sebatas rentang perhatian yang telah
ditentukan, dengan perkataan lain pendugaan atau peramalan dilakukan diantara rentang
perhatian (intra polasi). Tetapi tidak untuk melakukan pendugaan atau peramalan di luar
Penuntum Praktikum Rancangan Percobaan dengan SPS- 5
Skala Nominal.
Skala nominal adalah pengukuran yang paling rendah tingkatannya, ini terjadi
apabila bilangan atau lambang-lambang lain digunakan untuk mengklasifikasikan obyek,
orang, hewan atau benda-benda lain. Apabila bilangan atau lambang-lambang yang lain
digunakan
untuk
mengidentifikasikan
kelompok
dimana
beberapa
obyek
dapat
Pengukuran yang dilakukan dalam skala ordinal adalah obyek yang dibedakan
menurut persamaannya dan menurut urutannya. Jadi dapat dibuat urutan atau ranking
yang lengkap dan teratur diantara kelas-kelas.. Sebagai contoh kejadian suatu penyakit
pada ternak babi yaitu sering sekali, sering, kadang-kadang dan tidak pernah.
Skala Interval.
Pengukuran dalam skala interval lebih kuat daripada skala ordinal, sebab
pengukuran dicapai disamping berdasarkan persamaan dan urutannya, juga jarak antara
dua kelas yang berbeda (interval) bias diukur, tapi belum bias diperbandingkan
Skala interval mempunyai ciri dengan unit pengukuran yang sama dan konstan
yang memberi suatu bilangan nyata untuk setiap pasangan obyek-obyek dalam himpunan
berurutan.
adalah independent dengan unit pengukuran, dan skala interval mempunyai titik nol.
Sebagai contoh skala interval adalah suhu, misalnya pengukuran suhu dengan
skala Celcius dan Fahrenheit, kedua pengukuran suhu ini mempunyai titik nol dan unit
pengukuran
dan unit pengukuran sembarang, dengan range lebih besar atau sama dengan 5 bisa
dimasukkan kedalam skala interval.
Skala Rasional
Skala rasional suatu skala disampimg mempunyai sifat seperti skala interval,
ditambah lagi sifat lain yaitu titik nolnya tertentu. Dalam skala rasional, perbandingan dua
titik skala sembarang adalah independent dengan unut pengukuran.
Contoh skala
rasional adalah skala untuk pengukuran berat, panjang, isi (volume), termasuk juga
banyaknya orang atau banyaknya ternak dan sebagainya. Jadi dengan kata lain skala ini
bias dibandingkan atau dirasionalkan
Merancang Perlakuan dalam Rancangan Percobaan
Perlakuan adalah suatu pengkondisian atau kondisi yang sengaja dibuat pada
bahan percobaan. Jadi perlakuan bisa merupakan karakter dari suatu bahan percobaan
atau sering disebut perlakuan karateristik dan bisa juga suatu kondisi yang dibuat atau
dihipotesiskan oleh peneliti atau sering disebut perlakuan hipotetik. Perlakuan hipotetik
dibuat untuk mencari penyebab dari sesuatu yang terjadi.
Penuntum Praktikum Rancangan Percobaan dengan SPS- 7
III.
ANALISIS DATA
Dewasa ini berbagai metode statistika makin banyak dipergunakan untuk analisis
atau menguji data hasil percobaan, dan sebaliknya tidak jarang model-model matematis
yang biasa dipakai untuk percobaan dipertimbangkan untuk menganalisis data yang
dikumpulkan dengan metode bukan percobaan.
Dewasa ini, fasilitas pengolahan data berupa komputer dengan berbagai program
kemasan statistika yang tersedia makin canggih, dengan kemampuan dan kecepatan olah
komputer yang makin tinggi, serta tenaga yang makin profesional lebih terbuka
kemungkinan untuk memilih analisis yang lebih sesuai dan mendalam, dengan hasil yang
lebih cermat serta dikerjakan dalam waktu yang singkat.
anggapan-anggapan yang melandasinya perlu diperiksa dan dinilai secara kritis. Teknikteknik grafis umumnya dapat membantu dalam analisis data.
Metode statistika adalah pedoman yang dapat dipergunakan untuk mengukur dan
menguji kenetralan dan keabsahan dalam menafsir hasil percobaan.
penggunaan metode statistika
Pemilihan dan
uji tersebut peluang untuk menolak H0 cukup kecil kalau H0 benar dan peluang akan
besar kalau H0 salah.
Apabila pada suatu saat menghadapi dua macam metode pengujian misal Uji A
dan Uji B, kemudian ternyata kedua macam uji tersebut mempunyai peluang yang sama
untuk menolak H0, dalam hal ini dapat dipilih salah satu diantaranya dengan jalan melihat
peluang terbesar untuk menolak H0 bila
H0 salah.
memenuhi
syarat-syarat
yang
dibutuhkan.
Kadang-kadang
perlu
dipertimbangkan apakah syarat yang diperlukan tersebut dipenuhi. Jadi dengan demikian,
syarat-syarat model statistik dari suatu pengujian hanya merupakan asumsi saja , semua
keputusan yang diambil dari beberapa uji statistika sekurang-kurangnya harus mempunyai
kuilifikasi sebagai berikut : Kalau model yang dipakai tersebut sesuai dan bila pengujian
yang dilakukan juga cukup memadai, maka hal ini menyatakan bahwa asumsi tersebut
adalah lemah dan terbatas untuk suatu model tersebut.
keputusan yang kurang kuat dari hasil uji statistik dengan model yang bersangkutan,
maka kelemahan tersaebut harus dibantu dengan asumsi yang kuat untuk mengurangi
kesalahan-kesalahan dalam menarik suatu kesimpulan.
maka uji t dan uji F adalah uji yang paling baik dalam memberikan nilai peluang untuk
menolak H0 salah, dari asumsi yang dikemukakan tadi, dengan catatan data pengamatan
memenuhi asumsi yang diperlukan untuk pengujian tersebut.
Syarat-syarat atau asumsi-asumsi yang diperlukan untuk uji t dan uji F adalah
sebagai berikut :
1. Pengamatan dilakukan secara acak atau bebas, artinya pemilihan setiap
sampel dari populasi harus bebas terhadap kesempatan untuk dipilih.
2. Variabel atau Peubah respons yang diukur harus dalam skala interval atau
rasional.
3. Data pengamatan yang diambil hendaknya
normal
dengan
keragaman
antar
perlakuan
tidak
homogen
menjadi
sangat besar (mendekati O% atau 100%). Jika hasil pengamatan ada data yang
nilainya 0, karena akar 0 tak terdifinisikan, maka transformasinya ini diubah menjadi
(Yi 1 atau
(Yi )
Binomial.
sebaran ini.
3. Transformasi Log Yi atau Ln Yi, transformasi ini biasanya digunakan bila data
berkaitan dengan waktu dan rata-ratanya () mengikuti rata-rata Geometrik. Ciriciri data ini adalah bila rata-rata () suatu perlakuan semakin besar, maka
variannya (2) juga semakin besar, sehingga homogenitas ragam/varian antar
perlakuan tidak terpenuhi. Data yang mempunyai ciri-ciri tersebut adalah data yang
berkaitan dengan waktu misalnya jumlah mikroorganisme pada daging yang
disimpan pada suhu dingin selama 10 hari, bobot badan ayam dari minggu ke
minggu.
4. Transformsi kebalikan (1/Yi), transformasi ini diguakan jika rata-rata data mengikuti
rata-rata Harmonik. Data ini diperoleh jika satuan pengukuran yang digunakan
dalam penelitian dari dua satuan (misalnya Rp./butir, jumlah anak/jumlah induk dan
sebagainya, sehingga jika satuan tersebut tidak rasional maka perlu dibalik atau
diharmoniskan dalam analisis data.
5. Transformasi Ln(A Yi) atau Ln[(A Yi)/Yi], disini A adalah nilai maksimum dari
respons yang mungkin dicapai atau nilai maksimum teoritis.
Transformasi ini
digunakan jika nilai A diketahui atau dapat diduga dan data tidak linear dalam
urutan waktu. Dalam hal ini data mengikuti kurva Logistik atau Sigmoid.
Homogonitas Varian/ragam antar perlakuan dianggap homogen bila perbandingan
antara ragam terbesar dengan terkecil lkurang dari 3 (ragam terbesas/ragam terkecil < 3),
dan dapat juga diuji dengan menggunakan uji Bartlett atau Uji Cochran. Kedua uji ini
memberikan keputusan apakah transformasi yang kita lakukan sudah dapat diterima atau
tidak, jika telah berubah melakukan berbagai tranformasi data ternyata homogenitas
ragam juga tetap dilanggar atau tidak memenuhi, maka uji t ataupun uji F tidak bisa kita
paksakan untuk digunakan.
selain uji t dan uji F, yaitu dengan menerapkan analisis Statistika Nonparametrika.
menentukan homogenitas ragam dan kenormalan data (ingat syarat jumlah sampel
minimum).
Jantan
Betina
Umur
Berat (Kg)
(Tahun)
1804
183.5
255.3
254.4
330.1
355.3
179.1
180.3
240.3
235.4
260.4
250,5
Bila kita ingin mengolah dat diatas dengan SPSS, computer harus sudah di Intal dengan program
SPSS 13.0, untuk menjalankannya Klik Stast, kumudian cari Program cari SPSS WindowsKlik
SPSS 13.0 for Windows, maka Muncul Gambar 4.1.
Kolom Label diisi dengan Jenis Kelamin, Umur (Tahun), Ulangan dan Berat
Tranformasi data, merupakan perubahan data yang disediaka oleh SPSS, baik berupa operasi
penjumlahan perkalian, kuadrat, akar, log , sinus dan sebagainya, juga sebaran peluang yaitu berupa
sebaran binom , sebaran normal, sebaran F, t dan sebagainya.
Sebagai contoh penggunaan tranformasi data, kita panggil data Berat sapi, Klik File,
kemudian Open, klik dan pilih Data, kemudian cari File Sapi Bali, lalu pada lakukan Transformasi
data.
Klik Tranform Gambar 5.4, kemudian pilih dan Klik Compute :
Jika Umur dikuadratkan, maka Ketik UU pada Target Variable dan Umur*Umur pada Numeric
Expression, kemudian Klik OK
Jika berat ingin diakarkan, maka Ketik AkarBerat pada Target Variable dan SQRT(Berat) pada
Numeric Expression, kemudian Klik OK,
Mencari Ukuran Pemusatan dan Penyebaran Data, ukuran pemusatan Berupa Mean, Median
Modus, sedangkan ukuran penyebaran data yaitu berupa Standar Deviasi, Range, Standar Error dan
sebagainya.
Klik Analyze, pilih Compare Means Klik Means, maka muncul pada layar Gambar 6.4
Klik Berat, pindahkan dengan tanda ke Dependen List
Klik Berat, pindahkan dengan tanda ke Independent List
Klik Umur, pindahkan dengan tanda ke Independent List
Kemudian untuk mencari ukuran pemusatan dan penyebaran data yang diinginkan Klik Options
pada Gambar 6.4., maka muncul gambar 7.4.
Means
Berat (Kg) * Jenis Kelamin
Berat (Kg)
Jenis
Kelamin
Jantan
Betina
Total
Mean
259.833
224.333
242.083
N
6
6
12
Std.
Deviation
72.4392
35.6311
57.4977
Median
254.850
237.850
245.400
Std.
Error of
Range
Mean
174.8 29.5732
81.3 14.5464
176.2 16.5982
Mean
180.825
246.350
299.075
242.083
N
4
4
4
12
Std.
Deviation
1.8246
10.0235
51.5722
57.4977
Median
180.400
247.350
295.250
245.400
Range
4.3
19.9
104.8
176.2
Std.
Error of
Mean
.9123
5.0117
25.7861
16.5982
Membuat grafik dengan SPSS, dalam pembuatan grafik kita harus memperhatikan peubah
bebasnya yaitu apakah kulitatif atau kuanditatif, perhatikan pula peubah terikatnya atau respons
penelitian yang diperhatikan adalah sekala pengukurannya apakah nominal, ordinal, interpal atau
rasional.
Sebagai contoh jenis kelamin pada data Berat Sapi adalah merupakan peubah bebas
kualitatif, dengan peubah terikat berat badan dengan skala pengukuan rasional, maka grafik Bar
yang dibuat sebagai berikut:
Data berat sapi yang telah tampil pada Layar Komputer (Gambar 5.4): Klik Graph, kemudian
pilih Bar, Simple, Define, maka muncul Gambar 8.4
Klik Other statistic (e.g. mean)
Kelik Berat, pindahklan dengan tanda ke Variable
Klik Jenis Kelamin, pindahkan dengan tanda ke Category Axis
Klik OK
Graph
300.0
250.0
200.0
150.0
100.0
50.0
0.0
Jantan
Betina
Jenis Kelamin
Jika kita menggambar grafik Umur pada jenis kelamin jantan dan betina dengan berat badan
sapi Bali, maka kita menggunakan garis, karena umur adalah merupakan peubah bebas kuantitatif ,
dengan peubah terikat berat badan dengan skala pengukuan rasional, maka grafik yang dibuat
sebagai berikut:
Data berat sapi yang telah tampil pada Layar Komputer (Gambar 5.4) : Klik Graph, kemudian
pilih Line, Multiple, Define, maka muncul Gambar 9.4
Klik Other statistic (e.g. mean)
Kelik Berat, pindahkan dengan tanda ke Variable
Klik Umur, pindahkan dengan tanda ke Category Axis
Klik Jenis Kelamin, pindahkan dengan tanda ke Define Lines by
Klik OK
Graph
Menganalisis pengaruh Jenis Kelamin dan Umur terhadap Berat Badan sapi bali atau ingi
mengetahui perbedaan berat badan antar jantan dan Betina dan antara umur 1, 2 dan 3 tahun, maka
kita bisa melakukan analisis ragam dan uji LSD, Duncan dan sebagainya, hal ini akan dibicarakan
pada bab berikutnya.
Penggunaan Syntax pada analisis data adalah sangat penting untuk menjelaskan Model
Matematis pada Rancangan Percobaan, sebagi contoh kita gunakan data Berat Sapi
Klik Analyze, pilih General linear Model, Klik Univariate, maka muncul Gambar 9.4
Klik Berat, pindahkan dengan tanda ke Dependent Variable
Klik Jenis Kelamin, pindahkan dengan tanda ke Fixed Factor(s)
Klik Umur, pindahkan dengan tanda ke Fixed Factor(s)
+ Ki + Uj + ijk
Sig.
18.837
.001
1247.527
6.707
24.902
.000
.032
.000
+ Ki + Uj + KUij + ijk
Syntaxnya :
Sig.
112.485
.000
10992.321
59.096
219.419
32.245
.000
.000
.000
.001
Untuk model matematis yang lain dan pembahasan hasilnya dibicaran pada BAB
selanjutnya.
Yij = + Pi + ij
Disini :
Yij : Pengamatan perlakuan ke-i dan ulagan ke-j
: Rataan Umum
Pi : Pengaruh perlakukan ke-i dan
(j)
6.88
5.78
5.62
4.73
6.87
5.71
5.51
4.80
6.75
6.07
5.58
4.86
6.82
6.02
5.60
4.85
6.78
5.95
5.52
4.88
Memasukkan data melalui Program SPSS for Windows, yaitu : SPSS 13.0 for Windows
Kompurter telah siap dengan Program SPSS, Klik
ditunjuk pada Gambar 1.5. dibawah kemudian ketik pada Kolom Name L, Ulangan dan Ecoli,
Kolom Type Numeric, kolom Decimals 0, 0 dan 2 dan kolom Label Lama desinfeksi (jam),
Ulangan dan Log E coli
Analisis Data
Klik Analyze pada Gambar 2.5, pilih Compare Means lalu Klik Means
Log Jumlah Ecoli pindahkan dengan tanda ke kotak Dependent List
Lama Deseinfeksi pindahkan dengan tanda ke kotak Independent List
Means
Report
Log Jumlah Ecoli
Lama Desinfeksi (Jam)
0
2
4
6
Total
Mean
6.8200
5.9060
5.5660
4.8240
5.7790
N
5
5
5
5
20
Std. Deviation
5.612E-02
.1550
4.879E-02
6.025E-02
.7405
.
5.2. Analisis Ragam
Analisis Ragam (Analisis Varian) dilakukan untuk menguji pengaruh perlakuan (Lama
Desinfeksi H2O2) terhadap Log jumlah E coli pada limbah RPH, apakah ada pengaruhnya atau
tidak. Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada perbedaan mean
(rataan) jumlah E coli antara perlakuan lama desinfeksi 0, 2, 4 dan 8 jam, yaitu dengan melakukan
uji LSD atau Uji Duncan. Prosedur analisis ragam dan uji rataannya sebagai berikut :
Klik
Analyze pada Gambar 2.5. pilih General Linear Model, lalu Klik Univariate, maka
Sig.
.000
.000
.000
sangat nyata (P<0,01), terhadap jumlah E coli limbah RPH, hal ini dapat diperhatikan dari
nilai F nya yang lebih besar dari F Tabel (lihat Tabel F (0,01) db 3; 16) atau Sig 0,00
(P<0,01)
(I) Lama
Desinfeksi
(Jam)
0
Homogeneous Subsets
(a) Log Jumlah Ecoli
(b) Duncan
Lama Desinfeksi (Jam)
Subset
3
1
2
4
6
5 4.8240
4
5
5.5660
2
5
5.9060
0
5
6.8200
Sig.
1.000 1.000
1.000
1.000
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 8.297E-03.
a Uses Harmonic Mean Sample Size = 5.000.
b Alpha = .05.
Kesimpulan dari Uji BNT (LSD) dan uji Duncan terjadi penurunan jumlah E coli yang
sangat nyata (P<0,01) dari hari ke- 0 sampai dengan hari ke- 6, hal ini dapat dilihat dari
Sig. pada Uji LSD yaitu 0,00 (P<0,01) dan Subset pada uji Duncan dimana semua ratarata terletak pada sunset yang berbeda.
Kembali ke data SPSS, Klik Transform Gambar 2.5. Compute, maka muncul tampilan
Gambar 7.6 dibawah ini
Klik OK
ANOVA
Model
Sum of Squares Df Mean Square
F
Sig.
1
Regression
10.286
3
3.429
413.218
.000
Residual
.133
16
8.298E-03
Total
10.419
19
a Predictors: (Constant), LLL, Lama Desinfeksi (Jam), LL
b Dependent Variable: Log Jumlah Ecoli
Coefficients
Unstandardized
Standardized
T
Sig.
Coefficients
Coefficients
Model
B
Std. Error
Beta
1
(Constant)
6.820
.041
167.416 .000
Lama Desinfeksi
-.763
.078
-2.364
-9.765 .000
(Jam)
LL
.194
.035
3.758
5.610 .000
LLL
-2.033E-02
.004
-2.443
-5.357 .000
a Dependent Variable: Log Jumlah Ecoli
Jadi persamaannya : Y = 6.820 0.763L + 0.194L2 0.02033L3
Kita menggambar persamaan diatas dengan SPSS
Klik Variable View, maka muncul tampilan Gambar 11.5. dibawah
Penuntum Praktikum Rancangan Percobaan dengan SPS- 36
Graph
7.00
6.00
5.00
4.00
3.00
2.00
Keterangan :
Semakin lama didesinfeksi nilai log jumlah bakteri E coli semakin menurun, penurunannya
mula-mula cepat kemudian lambat dan akhirnya bertambah cepat.
+ Ki + Pj + ij
ke-j
Teladan 3.
Seorang peneliti ingin mengetahui pengaruh Jenis antibiotika (A, B, C, dan D) terhadap
diameter Zone Bakteri Coliform. Peneltitian ini dilakukan sebanyak 5 kali setiap minggu sekali
Tabel 3. Data Diameter Zona Bakteri Coliform yang diperoleh sebagai berikut :
Kelompok
Jenis Antibiotika (j)
(i)
A
B
C
D
1
14.50
14.33
13.00
10.00
2
15.50
15.0
11.00
11.50
3
16.50
14.00
13.00
10.00
4
17.00
14.33
12.00
9.50
5
16.20
12.00
13.00
9.20
Memasukkan data melalui Programe SPSS for Windows-..SPSS 13.0 for Windows
Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah,
ditunjuk pada Gambar 1.6 dibawah kemudian ketik pada Kolom Name ketik JA, Kelompok
dan Zona, Kolom Type Numeric, kolom Label ketil Jenis Antibiotika, Kelompok dan Zona
Bakteri Koliform.
Kemudian pada baris 1 (jenis Antibiotika) yaitu kolom Values Klik pada sisi kanannya, maka
muncul Gambar 2.6 :
perlakuan (meningkat atau menurun) sedangkan standar deviasinya diharapkan tidak begitu berbeda
antar perlakuan (homogen).
Klik : Analyze pada Gambar 3.6, pilih Compare Means, lalu Klik Means, maka muncul
Gambar 4.6.
Klik Zona Bakteri Koliform pindahkan dengan tanda ke kotak Dependent List
Klik Jenis Antibiotika dan Kelompok pindahkan dengan tanda ke kotak Independent List
Means
Zona Bakteri Coliform * Jenis Antibiotika
Zona Bakteri Coliform
Jenis Antibiotika
N
Mean
Std. Deviation
A
5
15.9400
.9711
B
5
13.9320
1.1396
C
5
12.5000
1.0000
D
5
10.0400
.8849
Total
20
13.1030
2.3897
Zona Bakteri Coliform * Kelompok
(c) Zona Bakteri Coliform
Kelompok
1
2
3
4
5
Total
N
4
4
4
4
4
20
Mean
12.9575
13.2500
13.5000
13.2075
12.6000
13.1030
Std. Deviation
2.0826
2.3274
2.6771
3.2066
2.8891
2.3897
Antibiotika) terhadap zona bakteri Koliform, apakah ada pengaruhnya atau tidak, juga untuk
mengetahui apakah ada pengaruh waktu pengambilan (Kelompok) terhadap Zona Bakteri koliform.
Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada perbedaan antara nilai
mean (rataan) Zona Bakteri koliform antara jenis Antibiotika A, B, C dan D yaitu dengan
melakukan uji LSD atau Uji Duncan. Prosedur analisis ragam dan uji rataannya sebagai berikut :
Klik
Analyze pada Gambar 3.6., pilih General Linear Model, lalu Klik Univariate, maka
df
Mean Square
Corrected
7
13.466
Model
Intercept
3433.772
1
3433.772
JA
92.407
3
30.802
KELOMPOK
1.857
4
.464
Error
14.241
12
1.187
Total
3542.278
20
Corrected
108.506
19
Total
a R Squared = .869 (Adjusted R Squared = .792)
Sig.
11.347
.000
2893.342
25.954
.391
.000
.000
.811
Kesimpulan :
Jenis Antibiotika berpengaruh sangat nyata (P<0,01) terhadap diameter Zona bakteri Coliform
Kelompok atau hari pengambilan sampel tidak berpengaruh nyata (P>0,05) atau P=0,811 terhadap
diameter zona bakteri Coliform.
Jenis Antibiotika
Multiple Comparisons
Dependent Variable: Zona Bakteri Coliform
Mean Std. Error Sig.
95% Confidence Interval
Differenc
e (I-J)
(I) Jenis
(J) Jenis
Lower Bound Upper Bound
Antibiotika Antibiotika
A
B
2.0080
.6890
.013
.5068
3.5092
C
3.4400
.6890
.000
1.9388
4.9412
D
5.9000
.6890
.000
4.3988
7.4012
B
A
-2.0080
.6890
.013
-3.5092
-.5068
C
1.4320
.6890
.060
-6.9190E-02
2.9332
D
3.8920
.6890
.000
2.3908
5.3932
C
A
-3.4400
.6890
.000
-4.9412
-1.9388
B
-1.4320
.6890
.060
-2.9332
6.919E-02
D
2.4600
.6890
.004
.9588
3.9612
D
A
-5.9000
.6890
.000
-7.4012
-4.3988
B
-3.8920
.6890
.000
-5.3932
-2.3908
C
-2.4600
.6890
.004
-3.9612
-.9588
Based on observed means.
* The mean difference is significant at the .05 level.
Homogeneous Subsets
Subset
2
D
5
C
5
12.5000
B
5
13.9320
A
5
15.9400
Sig.
1.000
.060
1.000
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 1.187.
a Uses Harmonic Mean Sample Size = 5.000.
b Alpha = .05.
Kesimpulan :
Hasil Uji LSD = Uji DUNCAN
Diameter Zona bakeri Coliform yang diberikan Jenis Jenis Antibiotika D nyata (P<0,05) lebih kecil
dibandingkan dengan jenis antibiotika yang lain
Diameter Zona bakteri Coliform yang diberikan jenis antibiotika C tidak berbeda nyata (P>0,05)
dibandingan dengan jenis antibiotika B.
Diameter Zona bakteri Coliform Jenis Antibiotika A nyata (P<0,05) paling besar dibandingkan
dengan diameter zona bakteri Coliform jenis antibiotika yang lainnya
Graph
15
10
0
A
Jenis Antibiotika
sampelnya dianggap kurang banyak, sehingga perlu ditambah sampel pada tiap kelompoknya untuk
memperbanyak jumlah contoh atau memperbesar derajat bebas galatnya. Rancangan Acak
Kelompok dengan melakukan pengulangan pada kelompoknya disebut Rancangan Acak
Kelompok Sub-Sampling.
Jika kita kembali ke RAK, maka modelnya sebagai berikut :
Model Matematis RAK : Yij =
+ Ki +
Pj + ij
: Rataan Umum
Ki : Pengaruh Kelompok ke-i
Pj : Pengaruh Perlakuan ke-j dan
ke-j
Jika dilakukan pengulangan pada tiap kelompoknya, maka modelnya menjadi sebagai
berikut :
Model Matematis RAK Sub-Samling : Yijk =
i = 1, 2, 3,,k
+ Ki + Pj + ij + ijk
Disini :
Yijk : Pengamatan Kelompok ke-i, Perlakuan ke-j dan ulangan ke-k
: Rataan Umum
Ki : Pengaruh Kelompok ke-i
Pj : Pengaruh Perlakuan ke-j dan
Ulangan
(i)
(k)
10
15
7.43
6.52
6.19
5.93
7.47
6.59
6.22
5.90
7.42
6.62
6.31
5.98
7.46
6.65
6.38
5.98
7.48
6.66
6.34
5.75
7.58
6.78
6.46
6.02
7.74
6.74
6.41
6.05
7.68
6.72
6.45
6.18
7.85
6.78
6.51
6.13
7.82
6.79
6.52
6.03
Memasukkan data melalui Programe SPSS for Windows-..SPSS 13.0 for Windows
Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah,
ditunjuk pada Gmbar 1.7 di bawah kemudian ketik pada Kolom Name ketik P, Kelompok,
Ulangan dan pH, Kolom Type Numeric, kolom Label ketil Dosis Bahan Pengawet,
Kelompok, Ulangan dan pH Daging Ayam Broiler
Klik Analyze pada Gambar 2.7. pilh Compare Means, lalu Klik Means, maka muncul
Gambar 3.7.
Klik pH pindahkan dengan tanda ke kotak Dependent List
Klik Dosis Bahan Pengawqet Kelompok Pengaewt pindahkan dengan tanda ke kotak
Independent List
Klik OK
N
10
10
10
10
40
Mean
7.5930
6.6850
6.3790
5.9950
6.6630
Std. Deviation
.1663
9.168E-02
.1140
.1207
.6096
N
20
20
40
Mean
6.5640
6.7620
6.6630
Std. Deviation
.5877
.6300
.6096
pengawet (P) terhadap pH daging ayam broiler, apakah ada pengaruhnya atau tidak, juga untuk
mengetahui apakah ada pengaruh Tempat penjualan (Kelompok) terhadap pH daging ayam Broiler.
Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada perbedan mean (rataan)
pH daging ayam Broiler antara dosis bahan pengawet yang diberikan, yaitu dengan Uji Duncan.
Prosedur analisis ragam dan uji rataannya sebagai berikut :
Klik
Analyze pada Gambar 2.7, pilih General Linear Model, lalu Klik Univariate, maka
Paste.Syntax-SPSS
Source
Intercept
Hypothesis
Error
P
Hypothesis
Error
Kelompok Hypothesis
Error
P*
Hypothesis
Kelompok
Error
a MS(Kelompok)
b MS(P * Kelompok)
c MS(Error)
Type III
Sum of
Squares
1775.823
.392
13.923
.025
.392
.025
1
1
3
3
1
3
Mean
Square
1775.823
.392(a)
4.641
.008(b)
.392
.008(b)
.025
.008
.156
32
.005(c)
df
F
4529.698
Sig.
.009
566.883
.000
47.888
.006
1.679
.191
Kesimpulan :
Bahan pengawet (P) berpengaruh sangat nyata (P<0,01) terhadap pH daging ayam
Broiler (Lihal Sig ,000).
Tempat
terhadap pH daging ayam Broiler. Sedangkan galat Sampling (P*Kelompok) tidak nyata
(P>0,05) atau Sig=0,191) hal ini berarti sampel daging dalam kelompoknya tidak ada
keragaman yang nyata (P>0.05), jadi contoh yang diambil seragam.
N
10
10
10
10
1
5.9950
Subset
2
3
6.3790
6.6850
1.000
1.000
1.000
7.5930
1.000
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 4.875E-03.
Penuntum Praktikum Rancangan Percobaan dengan SPS- 55
bersifat kuanditatif dengan 4 macam dosis, jadi perlu dilakukan Analisis Regresi dengan derajat
polinom maksimun 4-1=3 yaitu : Persamaan Garis Regresi Diduga : Y = o + 1P +2P2 + 3P3
Kita kembali lagi ke data semula yaitu Gambar 2.7.
Klik Tranform pada Gambar 2.7 pillih Compute, maka mumcul Gambar 7.7.
Ketik PP pada Target Variable, kemudian ketik P*P pada Numeric Expressien
Klik OK
Ketik PPP pada Target Variable, kemudian ketik P*P*P pada Numeric Expressien
Klik OK, maka muncul Gambar 8.7
Regression
Model Summary
Model
R
R Square
Adjusted R Square Std. Error of the Estimate
1
.980
.960
.957
.1261
a Predictors: (Constant), PPP, Dosis Bahan Pengawet, PP
(e) ANOVA
Model
1
Sig.
.000
Unstandardized
Standardized
t
Sig.
Coefficients
Coefficients
Model
B
Std. Error
Beta
1
(Constant)
7.593
.040
190.388 .000
Dosis Bahan
-.287
.031
-2.666
-9.382 .000
Pengawet
PP
2.564E-02
.005
3.727
4.740
.000
PPP
-9.067E-04
.000
-2.041 -3.813
.001
a Dependent Variable: pH Daging Ayam Broiler
Kita menggambar persamaan diatas dengan SPSS, maka kita kembali ke data semula,
kemudian Klik File, kemudian pilih New lalu Klik Data
Klik Variable View, maka muncul tampilan Gambar 10.7 . dibawah
Ketik Y pada Target Variable dan Ketik 7.593 0.287*P +0.02564*P*P 0.0009067*P*P
pada Numeric Expressien, Lalu Klik OK, jika muncul chang existing variable Klik OK Lagi,
maka muncul Gambar 12. 7
Graph
8.00
7.50
6.50
6.00
5.50
10
11
12
13
14
15
16
17
Kesimpulan :
Semakin semakin tinggi persentase bahan pengawet yang diberikan maka pH daging ayam
Broiler semakin menurun, penurunannya mula-mula cepat kemudin lambat dan akhirnya cepat lagi.
: Yij(k) =
+ Bi + Kj +
Pk + ij(k)
: Rataan Umum
Bi : Pengaruh Baris ke-i
Kj : Pengaruh Kolom ke-j dan
Pj : Pengaruh Perlakuan ke-k
ij(k): Pengaruh galat pada Baris ke-i , Pengaruh Kolom ke-j dan
Teladan 5.
Seorang peneliti ingin mengetahui pengaruh 4 jenis Suplementasi (penambahan) sumber
protein pakan kelinci terhadap jumlah sel darah merahnya.
sebanyak 25 ekor dan dikelompokkan berdasarkan berat badan dan cara pengambilan darahnya :
Adapun pengelompokannya sebagai berikut :
Kelompok Berat
(Baris ke-i
1
2
3
4
5
1
A
E
D
C
B
5
E
D
C
B
A
Memasukkan data melalui Programe SPSS for Windows-..SPSS 13.0 for Windows
Kompurter telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah,
ditunjukkan pada Gambar 1.8 di bawah kemudian pada Kolom Name ketik Kolom, Baris,
Protein dan Darah, pada Type Numeric, kolom Label ketik Cara Pengambil;an darah, Berat
Badan, Suplemen Protein dan Sel darah Merah seperti tampak pada Gambar 1.8.
Klik pada pojok kiri atas pada baris 3 Protein, kolom Values, maka muncul Gambar 2.8.
Klik Sel Darah Merah pindahkan dengan tanda ke kotak Dependent List
Klik Cara pengambilan Darah(Kolom) pindahkan dengan tanda ke kotak Independent List
Klik Berat badan (Baris) pindahkan dengan tanda ke kotak Independent List
Klik Suplementasi Protein (Protein) pindahkan dengan tanda ke kotak Independent List
Klik OK
N
5
5
5
Mean
5.9060
5.9140
5.9000
Std. Deviation
.4003
.4063
.4170
4
5
Total
5
5
25
5.9020
5.9200
5.9084
.4359
.4161
.3792
Mean
5.8960
5.9120
5.9180
5.9060
5.9100
5.9084
Std. Deviation
.3970
.4132
.4282
.4279
.4094
.3792
Sum
26.88
N
5
B
C
D
E
Total
28.10
29.66
31.32
31.75
147.71
5
5
5
5
25
5.6200
5.9320
6.2640
6.3500
5.9084
1.581E-02
1.483E-02
1.817E-02
2.550E-02
.3792
Analisis
ada pengaruh Cara Pengambilan Darah (Kolom) dan Brat badan (Baris) terhadap sel
darah merah kelinci. Sedangkan uji setelah analisis ragam diperlukan untuk
mengetahui apa ada perbedaan mean (rataan) sel darah merah kelinci antara 4 jenis
Suplementasi protein yang diberikan, yaitu dengan Uji Duncan. Prosedur analisis
ragam dan uji rataannya sebagai berikut :
Klik Analyze pada Gambar 3.8, pilih General Linear Model, lalu Klik Univariate, maka
muncul Gambar 5.8. seperti tampilan dibawah ini :
Klik Suplementasi Protein (Protein) pindahkan dengan tanda ke kotak Fixed Factor(s)
df
Mean Square
Sig.
12
1
4
4
4
12
25
24
.287
872.730
3.540E-04
3.340E-04
.861
3.973E-04
722.728
2196467.527
.891
.841
2166.453
.000
.000
.499
.525
.000
Kesimpulan :
Berat badan dan cara pengambilan darah (Baris dan Kolom) tidak berpengaruh
nyata (P>0,05) terhadap jumlah sel darah merah kelinci. Sedangkan Jenis Protein yang
disuplementasikan pada makanannya berpengaruh sangat nyata (P<0,01) terhadap
jumlah sel darah merah kelinci percobaan.
N
1
5.3760
Subset
3
A
5
B
5
5.6200
C
5
5.9320
D
5
6.2640
E
5
6.3500
Sig.
1.000
1.000
1.000
1.000
1.000
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 3.973E-04.
a Uses Harmonic Mean Sample Size = 5.000.
b Alpha = .05.
Kesimpulan hasil uji Duncan : jumlah sel darah merah kelinci percobaan berbeda nyata
(P<0,01) antar jenis suplementasi protein yang diberikan. Lihat Alpha 0,05 Coba Alpha
0,01?dengan jalan mengganti alpha 0,05 dengan o,o1 pada Syntax
7.00
6.00
5.00
4.00
3.00
2.00
1.00
0.00
A
Suplemtasi Protein
IX.
Rancangan Acak Lengkap Pola Faktorial AxB adalah rancangan acak lengkap yang terdiri dari
dua peubah bebas (Faktor) dalam klasfikasi silang yaitu faktor A yang terdiri dari a taraf dan faktor
B yang terdiri dari b taraf dan kedua faktor tersebut diduga saling berinteraksi. Saling berinteraksi
dimasudkan bahwa pengaruh suatu faktor tergantung dari taraf faktor yang lain, dan sebaliknya jika
tidak terjadi interaksi berarti berarti pengaruh suatu faktor tetap pada setiap taraf faktor yang lain.
Jadi bila tidak terjadi interaksi antar taraf-taraf suatu faktor saling sejajar satu sama lainnya,
sebaliknya bila ada interaksi tidak saling sejajar.
Model Matematisnya
Disini :
Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf kej dan Ulangan ke-k
: Rataan Umum
Teladan 6
Seorang Peneliti ingin mengetahui pengaruh jenis ekstrak bawang putih (Allium sativum L)
yaitu kontrol (tanpa ekstrak bawang putih), ekstrak bawang putih lokal dan ekstrak bawang putih
import dan jangka waktu penyimpanan pada suhu 5o C (dingin) yaitu : 0, 3, 6, dan 9 hari terhadap
angka lempeng total bakteri (ALTB) pada daging sapi. Penelitian ini menggunakan 4 ulangan
dengan berat masing-masing 30 gram, sehingga jumlah sampel yang digunakan sebanyak 3x4x4=48
sampel daging sapi.
Ulangan (k)
1
6.0128
7.3345
8.2923
9.8645
5.3541
6.1703
7.7388
8.7694
5.4216
5.9782
6.7619
7.7910
2
5.9868
7.2833
7.9513
9.7292
5.1931
5.9754
7.7482
8.4843
5.1075
5.7782
6.8235
7.7295
3
6.1139
7.1072
8.3655
10.064
5.5416
5.9395
7.8195
8.6776
5.1818
5.9243
6.8136
7.9405
4
5.9494
7.5051
8.1703
9.7993
5.2878
6.1206
7.7559
8.7126
5.3139
5.8062
6.7738
7.7993
Memasukkan data melalui Programe SPSS for Windows-..SPSS 13.0 for Windows
Kompurter telah siap dengan Program SPSS, Klik Variable View pada pojok keri bawah,
ditunjukan pada Gambar 1.9 di bawah ini, kemudian pada Kolom Name ketik, Jenis, L,
Ulangan dan ALTB, pada Kolom Type Numeric, kolom Label ketik Jenis Bawang Putih,
Lama Simpan, Ulangan dan Log. ALTB seperti tampak pada Gambar 1.9.
Klik : Analyze Gambar 3.9, pilih Compare Means, kemudian Klik Means, maka muncul
Gambar 4.9.
Klik Log ALTB, pindahkan dengan tanda ke kotak Dependent List
Klik Jenis Esktrak Bawang Putih, pindahkan dengan tanda ke kotak Independent List
Klik Lama Simpan(L), pindahkan dengan tanda ke kotak Independent List
Std. Deviation
1.451340
1.367891
1.002393
1.391744
Std. Deviation
.371653
.676908
.620203
.885003
1.391744
9.2.
Analisis Ragam.
Analisis
Jenis Ekstrak
terdapat interaksi yang nyata antara Jenis ekstrak bawang putih dengan lama penyimpanan
Penuntum Praktikum Rancangan Percobaan dengan SPS- 75
(Ekstrak*L).
Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada
perbedaan mean (rataan) Log ALTB antara 3 jenis ekstrak bawang putih (Kontorl, Lokal dan
Import) dan antara lama penyimpanan 0, 3, 6, dan 9 hari yaitu dengan Uji Duncan. Prosedur
analisis ragam dan uji rataannya sebagai berikut :
Klik Analyze pada Gambar 3.9, pilih General Linear Model, lalu Klik Univariate, maka
muncul Gambar 5.9. seperti tampilan dibawah ini :
Source
Sig.
.000
.000
.000
.000
.000
Kesimpulan :
Hasil Analisis Varian menunjukkan bahwa Ekstrak bawang putih dan jangka waktu
penyimpanan (L) berpengaruh sangat nyata (P<0,01) terhadap log ALTB daging sapi yang
disimpan pada suhu dingin (lihat Sig .000<0,01).
Terdapat interaksi yang sangan nyata (P<0,01) antara jenis ekstrak bawang putih
dengan jangka waktu penyimpanan tehadap log ALTB daging sapi yang disimpan pada
suhu dingin.
N
1
6.434031
Subset
2
Homogeneous Subsets
Log. ALTB
Penuntum Praktikum Rancangan Percobaan dengan SPS- 78
Duncan
Lama Simpan (Hari)
N
1
5.538667
Subset
3
0
12
3
12
6.410233
6
12
7.584550
9
12
8.780100
Sig.
1.000
1.000
1.000
1.000
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 1.446E-02.
a Uses Harmonic Mean Sample Size = 12.000.
b Alpha = .05.
Kesimpulan :
Hasil Uji Duncan pada Alpha 0,05 menunjukkan bahwa terjadi peningkatan jumlah log
ALTB yang nyata (P,0,05) mulai dari penyimpanan 0 hari sampai dengan 9 hari
9.3. Analisis Regresi.
Analisis regresi diperlukan untuk mencari hubungan antara lama simpan dengan log ALTB,
oleh karena faktor lama simpan bersifat kualitatif dan jenis ekstrak bawang putih kualitatif, maka
kita lakukan Analisis Regresi antara lama penyimpanan dengan Log ALTB pada masing-masing
jenis ekstrak bawang putih (kontrol, bawang putih lokal dan bawang putih import). Persamaan
regresi penduga adalah dalam bentuk polinom pangkat 3,
penyimpanan ada 4 taraf yaitu 0, 3, 5 dan 9, maka derajat polinomnya 4-1 = 3, jadi persamaan
penduganya adalah : Y = o + 1L +2L2 + 3L3
Kita buat Variable View seperti tampak Gambar 8.9., Ketik pada Kolom Name L, Y1, Y2 dan
Y3, pada Kolom Decimals, 0, 4, 4 dan 4 dan pada Kolom Label ketik Lama Simpan, Log ALTB
Kontrol, Log ALTB Lokal dan Log ALTB Import
Setelah kolom kolom pada Gambar 8.9 dilengkapi, kemudian Klik Data View pada pojok kiri
bawah gambar tersebut, maka muncul Gambar 10..9. Lengkapi datanya, pada Kolom L, Y1, Y2
dan Y3. Kemudian Klik Transform, lalu Klik Compute, maka muncul Gambar 9.9.
Ketik LL pada Target Variable dan L*L pada Numeric Expression, kemudian Klik OK
Ketik LLL pada Target Variable dan L*L*L pada Numeric Expression, kemudian Klik OK
Maka Gambar 10.9. yang kolomnya hanya diisi data L, Y1, Y2 dan Y3, dilengkapi dengan LL
dan LLL
a
b
c
d
F
636.101
Sig.
.000
424.615
.000
489.189
.000
Coefficients
Unstandardize
Standardized
d Coefficients
Coefficients
Model
B
Std. Error
Beta
1
(Constant)
5.981
.092
Lama Simpan (Hari)
.414
.016
.989
2
(Constant)
6.085
.091
Lama Simpan (Hari)
.342
.034
.815
LLL
9.193E-04
.000
.191
3
(Constant)
6.016
.073
Lama Simpan (Hari)
.630
.093
1.503
LLL
7.324E-03
.002
1.525
LL
-8.839E-02
.028
-1.981
a Dependent Variable: Log. ALTB
Persamaan Garis Regresi Kontrol (Tanpa Bawang Putih) :
Y1 = 6.016 + 0.630L 0.08839L2 + 0.007324L3
R = 0.996
Sig.
64.849
25.221
66.533
10.050
2.360
82.332
6.740
3.631
-3.211
.000
.000
.000
.000
.035
.000
.000
.003
.007
.247009
(f) ANOVA
Model
Sum of Squares Df Mean Square
F
Sig.
1
Regression
27.213
1
27.213
446.013 .000
Residual
.854
14
6.101E-02
Total
28.067
15
a Predictors: (Constant), Lama Simpan (Hari)
b Dependent Variable: Log. ALTB
Coefficients
Unstandardized
Standardized
T
Sig.
Coefficients
Coefficients
Model
B
Std. Error
Beta
1
(Constant)
5.206
.103
50.380 .000
Lama Simpan
.389
.018
.985
21.119 .000
(Hari)
a Dependent Variable: Log. ALTB
Persamaan Garis Regei Bawang Putih local : Y2 = 5.206 + 0.389L
R = 0.985
Regression pada Ekstrak Bawang Putih Import
Model Summary
Model
R
R Square Adjusted R Square Std. Error of the Estimate
1
.990
.981
.980
.142839
2
.996
.992
.991
9.63018E-02
a Predictors: (Constant), Lama Simpan (Hari)
Penuntum Praktikum Rancangan Percobaan dengan SPS- 83
F
724.721
Sig.
.000
806.099
.000
Sig.
86.091
26.921
.000
.000
111.776 .000
7.365 .000
4.219
.001
0.08839*L*L +
0.007324*L*L*L pada Numeric Expression, kemudian Klik OK, dengan cara yang
sama ketik Y2 pada kotak Target Variable, dan ketik 5.206 + 0.389*L pada Numeric
Expression, kemudian Klik OK
Ketik Y3 pada kotak Target Variable, dan ketik 5..246 + 0.185*L + 0.01129*L*L pada
Numeric Expression, kemudian Klik OK
Graph
Dari Gambar diatas tampak bahwa rata-rata nilai log ALTB paling rendah selama
penyimpanan adalah jenis ekstark bawang putih iImpor, kemudian ekstrak bawang putih
lokal dan yang paling tinggi adalah control (tanpa ekstrak bawang putih)
X.
Rancangan Acak Kelompok Pola Faktorial AxB yaitu terdiri dari dua peubah bebas atau faktor
(A dan B) dan kedua faktor tersebut saling diduga berinteraksi dan kedua faktor tersebut termasuk
dalam klasifikasi silang. Terdapat satu peubah pengganggu atau sampingan yang disebut kelompok
dan tidak berinteraksi dengan peubah lainnya.
Model Matematisnya :
Disini :
Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf kej dan kelompok ke-k
: Rataan Umum
Ai : Pengaruh Faktor A pada taraf ke-i
Bj : Pengaruh Faktor B pada taraf ke-j
Kk : Pengaruh Kelompok ke-k
ABij : Interaksi antara Faktor A dengan Faktor B
Teladan 7.
Seorang ingin mengetahui pengaruh Konsentrasi dan lama Desinfeksi Hidrogen Peroksida
(H2O2) terhadap jumlah bakteri E coli per ml air limbah RPH Pesanggaran Denpasar. Konsentrasi
Hidrogen Peroksida (H2O2) yang diberika 0,0%, 0,15%, 0,30% dan 0,45% dan lama Desinfeksi 0,
2, 4 dan 6 jam. Pengambilan sampel air limbah sebanyak 8 liter untuk diberikan perlakuan, yaitu
dibagi menjadi 16 kombinasi perlakuan, dengan cara yang sama diulang sebanyak 3 kali, dan
pengambilan sampel dilakukan setiap 4 harti sekali.
0,15%
0,30%
0,45%
LamaDesinfeksi
Dalam Jam (j)
0
2
4
6
0
2
4
6
0
2
4
6
0
2
4
6
1
7.4150
7.9325
8.8739
8.8954
7.2041
6.6355
5.8921
4.9243
6.8808
5.7853
5.6191
4.7324
5.9243
5.6821
4.7324
4.1367
Kelompok (k)
2
7.4314
7.9754
8.9106
9.0645
6.9912
6.7559
6.0170
5.0864
6.8692
5.7110
5.5105
4.7993
6.2833
5.6721
4.8056
4.3054
3
7.3502
8.000
8.8909
8.9031
7.0828
6.7796
5.8129
5.0964
6.7482
6.0792
5.5775
4.8573
5.7882
5.3010
4.7655
4.3304
Windows
Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah,
ditunjukan pada Gambar 1.10 di bawah ini, kemudian pada Kolom Name ketik K, L,
Kelompok dan Ecoli, pada Kolom Type Numeric, kolom Label ketik Jenis Konsentrasi
Hidrogen
10.1.Analisis Deskriptif
Analisis deskripif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data,
dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya adalah
Std Deviation (Standar Deviasi) dari Log Jumlah E coli. pada Konsentrasi Hidrogen Peroksida
yang berbeda dan lama desinfeksi selama 6 jam hari.yaitu 0, 2, 4 dan 6 jam) . Disamping itu juga
untuk pengaruh Kelompok atau waktu pengambilan sample, apakah ada variasi harian jumlah E
coli pada air limbah RPH Pesanggaran Denpasar
Klik Analyze pada Gambar 3.9, Klik Compare Means, lalu pilih Means, maka muncul
Gambar 3.10.
Klik Log Jumlah E coli, pindahkan dengan tanda ke kotak Dependent List
Klik Kelllompok, pindahkan dengan tanda ke kotak Independent List
Klik Konsentrasi Hidrogen Peroksida, pindahkan dengan tanda ke kotak Independent List
Klik Klik Lama Desinfeksi, pindahkan dengan tanda ke kotak Independent List
Klik OK, maka diperoleh hasil analisisnya
Means
Log. Jumlah E. coli * Konsentrasi Hidrogen Peroksida
Log. Jumlah E. coli
Konsentrasi Hidrogen Peroksida
N
Mean
Std Deviation
.00
12 8.303575
.682517
.15
12 6.189850
.831785
.30
12 5.764150
.767343
.45
12 5.143917
.721236
Total
48 6.350373
1.403742
Log. Jumlah E. coli * Lama Desinfeksi (Jam)
Log. Jumlah E. coli
10.2.
N
12
12
12
12
48
Mean
Std. Deviation
6.830725
.557566
6.525800
.987893
6.284000
1.631727
5.760967
1.949604
6.350373
1.403742
N
16
16
16
48
Mean
Std. Deviation
6,329119
1,447483
6,386800
1,433299
6,335200
1,422150
6,350373
1,403742
Analisis Ragam.
Analisis
Konsentrasi
Pesanggaran, apakah ada pengaruhnya atau tidak, apakah terdapat interaksi yang nyata antara
Konsentrasi Hidrogen Peroksida dengan lama desinfeksi (K*L). Disamping itu untuk mengetahui
pengaruh Kelompok terhadap Log Jumlah e coli air limbah RPH Pesanggaran Sedangkan uji
setelah analisis ragam diperlukan untuk mengetahui apa ada perbedann mean (rataan) Log jumlah e
coli antara Konsentrasi Hidrogen Peroksida yang diberikan dan antara lama desinfeksi 0, 2, 4, dan
6 jam yaitu dengan Uji Duncan. Prosedur analisis ragam dan uji rataannya sebagai berikut :
Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 4.10
Sig.
.000
.000
.329
.000
.000
.000
Kesimpulan :
Kelompok (Waktu pengambilan sampel) tidak berpengaruh nyata (P>0,05) terhadap
jumlah bakteri E coli per ml air limbah RPH Pesanggaran denpasar (lihat Sig 0,329>0,05),
Konsentrasi Hidrogen Peroksida dan lama Desinfeksi berpengaruh sangat nyata
(P<0.01) terhadap jumlah bakteri E coli per ml air limbah RPH Pesanggaran denpasar
(lihat Sig 0,000< 0,01).
Terjadi interaksi yang sangat nyata (P<0,01) antara Konsentrasi Hidrogen
Peroksida dengan Lama desinfeksi terhadap jumlah bakteri E coli per ml air limbah RPH
Pesanggaran denpasar (lihat Sig 0,000<0,05).
Post Hoc Tests
Konsentrasi Hidrogen Peroksida
Homogeneous Subsets
Log. Jumlah E. coli
Duncan
Konsentrasi Hidrogen
N
Subset
Peroksida (%)
1
2
3
4
.45
12 5.143917
.30
12
5.764150
.15
12
6.189850
.00
12
8.303575
Sig.
1.000
1.000
1.000
1.000
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 1.393E-02.
a Uses Harmonic Mean Sample Size = 12.000.
b Alpha = .05.
Lama Desinfeksi (Jam)
Homogeneous Subsets
Log. Jumlah E. coli
Duncan
Lama Desinfeksi (Jam)
a. Subset
3
1
2
4
6
12
5.760967
4
12
6.284000
2
12
6.525800
0
12
6.830725
Sig.
1.000
1.000
1.000
1.000
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 1.393E-02.
a Uses Harmonic Mean Sample Size = 12.000.
b Alpha = .05.
Penuntum Praktikum Rancangan Percobaan dengan SPS- 95
Analisis Regresi.
Analisis reresi diperlukan untuk mencari hubungan antara Konsentrasi Hidrogen Peroksida
(K) dan Lama Desinfeksai (L) dengan log jumlah E coli (Y), oleh karena kedua faktor yaitu faktor
konsentrasi hydrogen peroksida dan faktor lama desinfeksi bersifak kualitatif, maka kita lakukan
Analisis Regresi antara Konsentrasi Hidrogen Peroksida (K) dan Lama Desinfeksai (L) dengan
log jumlah E coli (Y). Persamaan regresi penduga adalah masing-masing dalam bentuk polinom
pangkat 3, serta interaksinya, dengan persamaan garis Regresi dugaan sebagai berikut :
Y = o + 1K + 2K2 + 3K3 + 4L +5L2 + 6L3 + 7K L + 8K L2+ 9K L3+ 102 L+ 11K2 L3
+ 12 K 2 L3 + 13 K 3 L+ 14 K 3 L2+ 15 K 3 L3
Kita kembali ke Gambar 2.10., hilangkan atau delete Kelompoknya, lalu Klik Compute, maka
muncul Gambar 7.10.
Klik Analyze, pilih Regression, kemudian Lenear, maka muncul Gambar 9.10
ANOVA
Model
Sum of
df
Mean Square
Squares
1
Regression
61.660
1
61.660
Residual
30.953
46
.673
Total
92.613
47
2
Regression
74.176
2
37.088
Residual
18.437
45
.410
Total
92.613
47
3
Regression
83.817
3
27.939
Residual
8.796
44
.200
Total
92.613
47
4
Regression
87.559
4
21.890
Residual
5.054
43
.118
Total
92.613
47
5
Regression
91.021
5
18.204
Residual
1.592
42
3.791E-02
Total
92.613
47
6
Regression
91.240
6
15.207
Residual
1.374
41
3.350E-02
Total
92.613
47
7
Regression
91.206
5
18.241
Residual
1.407
42
3.351E-02
Total
92.613
47
8
Regression
91.376
6
15.229
Residual
1.237
41
3.016E-02
Total
92.613
47
9
Regression
91.591
7
13.084
Residual
1.022
40
2.555E-02
Total
92.613
47
a Predictors: (Constant), KL
b Predictors: (Constant), KL, Konsentrasi Hidrogen Peroksida
Sig.
91.633
.000
90.519
.000
139.764
.000
186.222
.000
480.216
.000
453.902
.000
544.418
.000
504.898
.000
512.102
.000
Coefficients
Model
1
2
(Constant)
KL
(Constant)
KL
Konsentrasi Hidrogen Peroksida
(Constant)
KL
Konsentrasi Hidrogen Peroksida
KKL
(Constant)
KL
Konsentrasi Hidrogen Peroksida
KKL
Lama Desinfeksi (Jam)
(Constant)
KL
Konsentrasi Hidrogen Peroksida
KKL
Lama Desinfeksi (Jam)
KKKL
(Constant)
KL
Konsentrasi Hidrogen Peroksida
KKL
Lama Desinfeksi (Jam)
KKKL
KK
(Constant)
KL
KKL
Lama Desinfeksi (Jam)
KKKL
KK
(Constant)
KL
KKL
Lama Desinfeksi (Jam)
KKKL
KK
LLL
(Constant)
KL
KKL
Lama Desinfeksi (Jam)
KKKL
KK
LLL
KLLL
Unstandardiz
Standardi
ed
Std. Error
zed
Coefficients
Coefficie
nts
B
Beta
7.302
.155
-1.409
.147
-.816
7.836
.155
-.900
.147
-.521
-3.903
.706
-.471
8.174
.118
-2.834
.297
-1.641
-4.870
.512
-.588
5.014
.722
1.239
7.584
.139
-3.898
.296
-2.257
-3.183
.494
-.384
6.129
.588
1.515
.222
.039
.357
7.584
.079
-7.251
.389
-4.198
-3.183
.280
-.384
27.529
2.264
6.803
.254
.023
.409
-31.704
3.317
-3.488
7.471
.086
-7.735
.412
-4.479
-.925
.923
-.112
28.605
2.170
7.069
.278
.023
.448
-31.704
3.119
-3.488
-5.018
1.965
-.285
7.412
.063
-7.933
.361
-4.593
29.009
2.132
7.169
.291
.019
.468
-31.704
3.119
-3.488
-6.906
.561
-.392
7.357
.064
-7.933
.343
-4.593
29.009
2.023
7.169
.349
.030
.561
-31.704
2.959
-3.488
-6.906
.533
-.392
-1.638E-03
.001
-.102
7.298
.062
-8.236
.332
-4.769
28.850
1.862
7.130
.429
.040
.691
-31.704
2.724
-3.488
-6.164
.553
-.349
-4.073E-03
.001
-.254
1.082E-02
.004
.212
Sig.
47.237
-9.573
50.687
-6.114
-5.527
69.000
-9.547
-9.502
6.945
54.736
-13.186
-6.447
10.427
5.642
96.385
-18.643
-11.352
12.160
11.245
-9.557
86.699
-18.783
-1.002
13.184
11.965
-10.166
-2.554
118.548
21.960
13.607
14.943
10.165
12.301
115.537
-23.145
14.341
11.436
-10.714
-12.965
-2.378
117.762
-24.782
15.490
10.861
-11.641
-11.145
-3.870
2.899
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.322
.000
.000
.000
.014
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.022
.000
.000
.000
.000
.000
.000
.000
.006
Jadi Persamaan Garis Regresinya yang dipilih adalah yang No. 9, karena nilai R nya palinga besar
(0,994) dan semua koefisien garis regresinya sangat nyata (P,0,01) dengan persamaan sebagai
berikut :
Y = 7.298 6.164K 2 + 0.429L - 0.004073L3 8.236KL + 0.01082 KL3+ 28.85K 2L - 31.704 K 3L
Untuk bisa menggambar dalam satu Grafik, maka kita
Gambar 8.10. dengan Kolom diisi dengan K, L dan Y, pada K dan Y datanya diisi seperti
Gambar 11.10.
Klik Graphs, pilih dan Klik Line, Klik Mutiple, Klik Difine, maka muncul Gambar
12.10. tandai atau Klik Other statistic (e.g. mean).
Klik Log Jumlah E coli, pindahkan dengan tanda ke Variable
Klik Lama Desinfeksi ), pindahkan dengan tanda ke Catagori Axis
Klik Konsentrasi Hidrogen peroksida, pindahkan dengan tanda ke Define Lines by
Graph
XI.
Rancangan Acak Lengkap Pola Tersarang adalah rancangan percobaan dengan materi homogen
atau tanpa peubah pengganggu, terdiri dari dua peubah bebas atau faktor dalam klasifikasi tersarang
yaitu Faktor A terdiri dari a taraf dan Faktor B terdiri dari b taraf yang tersarang (tergantung) dari
pada Ai. (taraf B pada A1 tidak sama dengan taraf B pada A2 dan seterusnya)
Rancangan ini
seolah-olah terdiri dari dua atau lebih Rancangan Acak Lengkap yang responsnya sama kemudian
digabung menjadi satu model percobaan.
Model Matematisnya :
Disini :
Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf ke-j dan ulangan ke-k
: Rataan Umum
Teladan 8.
Seorang peneliti ingin mengetahui perubahan pH daging ayam yang disimpan pada suhu
dingin (5oC) selama penyimpanan 0, 4 dan 8 hari dan suhu beku (0oC) selama 0, 1 dan 2 bulan.
Tabel 8. Data pH Daging Ayam yang Disimpan pada Suhu Dingin dan Beku.
Suhu
(i)
Dingin
Beku
Lama Simpan
(j)
0 hari
4 hari
8 hari
0 bulan
1 bulan
2 bulan
1
7.43
6.52
6.19
7.58
6.78
6.46
Ulangan (k)
2
3
7.47
7.42
6.59
6.62
6.22
6.31
7.74
7.68
6.74
6.72
6.41
6.45
4
7.46
6.65
6.68
7.85
6.78
6.51
Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri
bawah, ditunjukan pada Gambar 1.11 di bawah ini, kemudian pada Kolom Name ketik
Suhu, Lama, Ulangan dan pH, pada Kolom Type Numeric, kolom Label ketik Suhu, Lama
Penyimpanan, Ulangan dan pH Daging seperti tampak pada Gambar 1.11
Klik Data View pada pojok kiri bawah, maka muncul Gambar 3. 11.
Salinlah data pada Tabel 8. pada Kolom Suhu, Lama, Ulangan dan pH, seperti yang tampak
pada Gambar 3.11.
Means
pH * Suhu
pH
Suhu
Dingin
Beku
Total
N
12
12
24
Mean
6.7967
6.9750
6.8858
Std. Deviation
.5051
.5630
.5309
pH * Lama
pH
Lama
o jam/0 hari
4 jam/ 1 hari
8 jam/2hari
Total
N
8
8
8
24
Mean
7.5788
6.6750
6.4037
6.8858
Std. Deviation
.1617
9.502E-02
.1609
.5309
pengaruhnya atau tidak. Oleh karena suhu penyimpanan hanya ada 2 taraf yaitu suhu Dingin dan
suhu beku maka tidak perlu dilakukan uji lanjutan baik LSD maupun Duncan, sedangkan untuk
mengetahui apakah ada perbedaan pH antara lama penyimpanan dilakukan penetapan Confidence
Interval pada taraf 0,05. Prosedurnya sebagai berikut :
Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 5.11
Beku
Lama
0 hari/0 bulan
4 hari 1 bulan
8 hari /2 bulan
0 hari/0 bulan
4 hari 1 bulan
8 hari /2 bulan
Mean
7.445
6.595
6.350
7.713
6.755
6.457
Kesimpulan :
Pada suhu dingin terjadi penurunan pH daging yang nyata (P<0,05) dari 0 hari ke
lama penyimpanan 4 hari demikinan juga dari 4 jam ke- 8 hari.( Lihat Batas bawah dan
batas atas pada 95% Confidence Interval tidak ada yang berpotongan berarti nyata
(P<0,05), sebalinya kalau berpotongan erarti tidak nyata (P>0,05))
Pada suhu beku juga terjadi penurunan pH daging yang nyata (p<0,05)
dari
penyimpanan 0 bulan sampai dengan 2 bulan ( Lihat Batas bawah dan batas atas pada
95% Confidence Interval tidak ada yang berpotongan berarti nyata (P,0,05) ), sebaliknya
kalau berpotongan berarti tidak nyata (P>0,05)).
Sum of Squares
df Mean Square
F
Regression
2.398
1
2.398
58.773
Residual
.408
10
4.080E-02
Total
2.806
11
2
Regression
2.642
2
1.321
72.496
Residual
.164
9
1.822E-02
Total
2.806
11
a Predictors: (Constant), Lama Simpan (Hari) pada Suhu Dingin
b Predictors: (Constant), Lama Simpan (Hari) pada Suhu Dingin, DD
c Dependent Variable: ph Daging Ayam
Sig.
.000
.000
Coefficients
Unstandardized
Standardized
t
Model
Coefficients Std. Error Coefficients
B
Beta
1
(Constant)
7.344
.092
79.657
Lama Simpan
-.137
.018
-.924
-7.666
(Hari) pada
Suhu Dingin
2
(Constant)
7.445
.067
110.305
Lama Simpan
-.288
.043
-1.946
-6.698
(Hari) pada
Suhu Dingin
DD
1.891E-02
.005
1.063
3.659
a Dependent Variable: ph Daging Ayam
Jadi persamaannya Y1 = 7.445 - 0.288D + 0.01991D2
Sig.
.000
.000
.000
.000
.005
Sig.
90.806
-9.676
.000
.000
215.641
-14.120
.000
.000
7.534
.000
Model
Gambar 10.11.
Sedangkan untuk mengisi
Ketik Y1 pada kotak Target Variable dan 7.445 + 0.288*D + 0.01991*D*D pada kotak
Numeric Expression, lalu Klik OK, jika muncul Change existing variable Klik OK lagi.
Ketik Y2 pada kotak Target Variable dan 7.713 + 1.288*B + 0.330*B*B pada kotak
Numeric Expression, lalu Klik OK, jika muncul Change existing variable Klik OK lagi.
Kolik Graphs, Klik Line, Klik Simple, lalu Klik Difine.
Tandai atau pilih Other statistic (e.g. mean)
Klik pH Daging Ayam (Y1), pindahkan dengan tanda ke kotak Variable
Klik Lama Penyimpanan (Hari), pindahkan dengan tanda ke Category Axis
Klik OK
Graph
7.60
7.40
7.20
6.80
6.60
6.40
7.60
7.40
7.20
7.00
6.80
6.60
6.40
Kesimpulan :
Perubahan pH daging selama penyimpanan pada suhu dingin mengalami penurunan yang
cukup cepat hinga hari ke4 selanjutnya penurunannya semakin lambat. Demikian penurunan pH
daging yang disimpan pada suhu beku terjadi penurunan yang cukup cepat hingga bulan ke-1,
selanjutnya penurunnannya semakin lambat.
Disini :
Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf kej dan ulangan ke-k
Teladan 9.
Seorang peneliti ingin mengetahui citarasa olahan daging itik, ayam buras dan ayam Broiler.
Daging itik yang diambil terdiri dari itik Petelur afkir, itik muda jantan dan itik muda betina, daging
ayam buras yang diamati terdiri dari ayam buras muda, ayam buras betina afkir dan ayam jantan
aduan, sedangkan daging ayam Broiler terdiri dari ayam Broiler umur 4 minggu, ayam broiler
umur 7 minggu dan ayam Broiler umur 8 minggu. Cita rasa masing-masing jenis olahan daging
diamati oleh 3 orang Panelis.
Tabel 9. Data Skor Citarasa Olahan Daging.
Unggas
(i)
Itik
Ayam Buras
Ayam Briler
Jenis
(j)
1
2
3
1
2
3
1
2
3
1
5.5
6.6
6.6
6.7
5.4
4.5
7.5
8.1
6.6
Panelis (k)
2
5.5
6.5
6.2
6.8
5.5
4.2
7.8
8.3
6.4
3
5.4
6.7
6.6
6.7
5.4
4.5
7.6
8.6
6.5
Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri
bawah, ditunjukan pada Gambar 1.12. di bawah ini. kemudian pada Kolom Name ketik
Unggas, Jenis, Panelis dan Citaras, pada Kolom Type Numeric, kolom Label ketik Unggas
Jenis, Panelis
dilengkapi, kemudian Klik pada pojok kiri atas Kolom Values baris 1 (Unggas), maka
muncul Gambar 2.12.
Means
Citarasa * Unggas
Citarasa
Unggas
Itik
Ayam Buras
Ayam Broiler
Total
Mean
6.178
5.522
7.489
6.396
N
9
9
9
27
Std. Deviation
.552
1.017
.816
1.145
Jenis
1
2
3
Total
Mean
6.611
6.789
5.789
6.396
N
9
9
9
27
Std. Deviation
.947
1.271
1.053
1.145
Panelis
1
2
3
Total
Mean
6.389
6.356
6.444
6.396
N
9
9
9
27
Std. Deviation
1.103
1.236
1.230
1.145
Citarasa * Jenis
Citarasa
Citarasa * Panelis
Citarasa
dilakukan untuk mengetahui apakah ada perbedaan citarasa olahan daging itik, ayam Buras dan
ayam Broiler, sedangkan untuk mengetahui apadakan ada perbedaan citarasa antara Jenis pada Itk,
ayam Buras dan ayam Broiler dilakukan uji Confidence Interval pada taraf 0,05. Prosedurnya
sebagai berikut :
Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 5.12
Sig.
148.367
48595.177
.798
397.018
114.672
.000
.000
.467
.000
.000
Kesimpulan :
Panelis tidak berpengaruh nyata(P>0,05) terhadap citarasa daging olahan (lihat
PANELIS Sig 0,467>0,05), hal ini
sangat
nyata
(P<0,01)
terhadap
citarasa
daging
olahan
(lihat
Mean
6.178
5.522
7.489
Std. Error
.050
.050
.050
Pairwise Comparisons
Dependent Variable: Citarasa
(I) Unggas
(J) Unggas
Mean
Difference Std. Sig.
(I-J)
Error
Itik
Ayam Buras
.656
.071 .000
Ayam Broiler
-1.311
.071 .000
Ayam Buras
Itik
-.656
.071 .000
Ayam Broiler
-1.967
.071 .000
Ayam Broiler
Itik
1.311
.071 .000
Ayam Buras
1.967
.071 .000
Based on estimated marginal means
* The mean difference is significant at the .05 level.
a Adjustment for multiple comparisons: Least Significant Difference (equivalent to
no adjustments).
Kesimpulan : Uji LSD
Citrasa olahan daging itik berbeda sangat nyata (P<0,01) dibandingkan dengan citarasa
daging ayam buras dan Broiler, demikian juga citarasa olahan daging ayam buras berbeda sangat
nyata (P<0,01) dengan ayam Broiler (lihat Sig 0,000<0,01).
2. Unggas * Jenis
Dependent Variable: Citarasa
Unggas
Jenis
Mean
Itik
1
2
3
1
2
3
1
2
3
5.467
6.600
6.467
6.733
5.433
4.400
7.633
8.333
6.500
Ayam Buras
Ayam Broiler
5.282
6.415
6.282
6.549
5.249
4.215
7.449
8.149
6.315
5.651
6.785
6.651
6.918
5.618
4.585
7.818
8.518
6.685
Kesimpulan :
Citarasa Olahan daging itik jenis 1 (itik Petelur Afkir berbeda nyata (P<0,05) dibandingkan
dengan citarasa olahan daging itik Jenis 2 (muda jantan) dan jenis 3 (muda betina), sedangkan
citarasa olahan daging antara itik muda jantan dengan muda betina tidak berbeda nyata (P>0,05).
Lihat batas bawah dan atas pada selang kepercayaan 95% (95% Confidence interval) antara jenis
1 tidak berpotongan dengan jenis 2 dan 3 (batas bawah jenis 1=5.651 lebih kecil dari batas atas
jenis 2), sedangkan antara jenis 2 berpotongan dengan jenis 3 (batas bawah jenis 3 = 6.651 lebih
Penuntum Praktikum Rancangan Percobaan dengan SPS-127
besar dari batas atas jenis 2 =6.415). yaitu batas atas jenis 3 = 6,651 berada diantara 6,415 dan
6,765).
Citarasa daging olahan Ayam Buras Jenis 1(ayam buras muda) berbeda nyata (P<0,05)
dibandingkan dengan citarasa olahan daging ayam buras jenis 2 dan 3 (betina afkir dan jantan
aduan), demikian juga citarasa daging olahan betina apkir nyata(P<0,05) lebih enak daripada jantan
aduan. Lihat batas bawah dan atas pada selang kepercayaan 95% ( 95% Confidence interval)
antara ketiga jenis ayam buras tidak ada yang berpotongan.
Citarasa daging olahan Ayam Broiler Jenis 1(umur 4 minggu) nyata (P<0,05) kurang enak
dibandingkan dengan citarasa olahan daging ayam Broiler jenis 2 (umur 7 minggu) dan nyata
(P<0,05) lebih enak dibandingkan dengan ayam broiler jenis 3 (umur 8 minggu). Citarasa daging
olahan ayam Broiler umur 7 minggu nyata (P<0,05) paling enak dibandingkan dengan umur 4 dan 8
minggu. Lihat batas bawah dan atas pada selang kepercayaan 95% (95% Confidence interval)
antara ketiga jenis ayam Broiler tidak ada yang berpotongan.
Graph
Jenis
10.0
Jenis 1
Jenis 2
Jenis 3
Mean Citarasa
8.0
6.0
4.0
2.0
0.0
Itik
Ayam Buras
Ayam Broiler
Unggas
+ Ai + ij
i = 1, 2, 3,,a
j = 1,2,3...........,u
Disini :
Yijk : Pengamatan Faktor Utama taraf ke-i , Ulangan ke-j dan Faktor Tambahan taraf ke-k
: Rataan Umum
pada Faktor Utama taraf ke-i, Ulangan ke-j dan faktor tambanan
Fertilitas yang diamati sebanyak 3 kali yaitu pada periode peneluran pertama, kedua dan ketiga
sebagai faktor tambahan.
Tabel 10. Data Fertilitas Telur Ayam Buras.
Sistem
Pemeliharaan
(i)
1
Peride
Peneluran
(k)
1
2
3
1
2
3
1
2
3
50.00
71.43
83.33
75.00
85.71
100.00
75.00
100.00
87.50
Ulangan (j)
3
57.14
71.43
62.50
75.00
71.43
87.50
85.71
71.43
87.50
50.00
75.00
85.71
87.50
71.43
100.00
71.43
83.30
100.00
4
50.00
71.43
85.71
66.67
87.50
87.50
85.71
75.00
87.50
5
62.50
83.33
83.33
71.43
85.71
100.00
75.00
100.00
100.00
Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri
bawah, ditunjukan pada Gambar 1.13. di bawah ini. kemudian pada Kolom Name ketik
Sistem, Periode, Ulangan dan Fertilitas, pada Kolom Type Numeric, pada Kolom Decimal
ketik 0, 0, 0 dan 2, Kolom Label ketik Sistem Pemeliharaan, Periode Peneluran, Ulangan
dan Fertilitas Telur (%) seperti tampak pada Gambar 1.13.
.
Gambar 3.13. Kotak dialog Means
Klik Fertilitas Telur, pindahkan dengan tanda ke Dependent List
Klik Sistem Pemeliharaan, pindahkan dengan tanda ke Independent List
Klik Periode Peneluran, pindahkan dengan tanda ke Independent List
Klik OK, maka diperoleh hasil analisisnya sebagai berikut :
Means
Fertilitas * Sistem Pemeliharaan
Fertilitas
Sistem Pemeliharaan
1
2
3
Total
(i) Fertilitas * Periode Penelursn
Fertilitas
Periode Peneluran
1
2
3
Total
Mean
69.5227
83.4920
85.6720
79.5622
N
15
15
15
45
Mean
69.2060
80.2753
89.2053
79.5622
Std. Deviation
13.4490
11.1973
10.6374
13.6309
N
15
15
15
45
Std. Deviation
12.8930
10.1171
10.0136
13.6309
Sistem
pengaruhnya atau tidak. Disamping itu juga untuk mengatahui apakah interaksi antara Sistem
Pemeliharaan dengan Periode Peneluran. Uji
perbedaan fertilitas antara Sistem Pemeriharaan yang berbeda dan Periode Peneluran yang berbeda
dan juga dilakukan Confidence Interval pada taraf 0,05. Prosedurnya sebagai berikut :
Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 4.13
Untuk menjalankan Syntax Klik tanda maka diperoleh hasil analisisnya, sebagai berikut :
Df
Mean Square
1
12
2
12
12
24
2
24
4
24
284856.624
53.131
1151.739
53.131
53.131
74.358
1505.621
74.358
109.589
74.358
Sig.
5361.437 .000
21.677
.000
.715
.723
20.248
.000
1.474
.241
Kesimpulan :
Sistem perkandangan berpengaruh sangat nyata (P<0,01) terhadap fertilitas telur
ayam buras (Lihat Sig. 0,000<0,01).
Periode Peneluran berpengaruh sangat nyata (P<0,01) terhadap fertilitas telur
ayam buras (Lihat Sig. 0,000<0,01).
Tidak terdapat interaksi yang nyata (P>0,05) antara Faktor Utama (system
perkandangan)
dengan
Faktor
Tambahan
(Periode
Peneluran).
Liuhat
Mean
69.523
83.492
85.672
64.927
78.897
81.077
Upper Bound
74.118
88.087
90.267
Pairwise Comparisons
Dependent Variable: Fertilitas
Pemelih Pemelih
Mean
Std. Error Sig. Lower Bound Upper Bound
araan araan Difference (I-J)
1
2
-13.969
3.149
.000
-20.468
-7.471
3
-16.149
3.149
.000
-22.648
-9.651
2
1
13.969
3.149
.000
7.471
20.468
3
-2.180
3.149
.495
-8.679
4.319
3
1
16.149
3.149
.000
9.651
22.648
2
2.180
3.149
.495
-4.319
8.679
Based on estimated marginal means
* The mean difference is significant at the .05 level.
a Adjustment for multiple comparisons: Least Significant Difference (equivalent to
no adjustments).
2. Periode Penelursn
Kesimpulan :
Fertilitas telur ayam buras Sistem pemeliharaan 1 berbeda sangat nyata (P<0,01)
dibandingkan dengan system pemeliharaan 2, sedangkan antara system pemeliharaan 2
dengan 3 tidak berbeda nyata (P>0,05). Lihat Sig 1 dengan 2 dan 1 dengan 3 sebesar
0,000<0,01, sedangan sig 2 dengan 3 sebasar 0,495>0,05 atau lihat table yang diatasnya
lagi 2 dengan 3 berpotongan yaitu batas atas 2 (88.087) lebih besar dari batas bawan 3
(81.077).
Estimates
Dependent Variable: Fertilitas
95% Confidence Interval
Periode Peneluran
1
2
3
Mean
69.206
80.275
89.205
Std. Error
2.226
2.226
2.226
Lower Bound
64.611
75.680
84.610
Upper Bound
73.801
84.871
93.801
Pairwise Comparisons
Dependent Variable: Fertilitas
(I) Periode (J) Periode
Mean
Std. Error Sig. 95% Confidence Interval for
Penelursn Penelursn Difference (IDifference
J)
Lower Bound Upper Bound
1
2
-11.069
3.149
.002
-17.568
-4.571
3
-19.999
3.149
.000
-26.498
-13.501
2
1
11.069
3.149
.002
4.571
17.568
3
-8.930
3.149
.009
-15.429
-2.431
3
1
19.999
3.149
.000
13.501
26.498
2
8.930
3.149
.009
2.431
15.429
Based on estimated marginal means
* The mean difference is significant at the .05 level.
a Adjustment for multiple comparisons: Least Significant Difference (equivalent to
no adjustments).
Penuntum Praktikum Rancangan Percobaan dengan SPS-137
Kesimpulan :
Fertilitas ayam buras antara periode peneluran 1, 2 dan 3 saling berbeda sangat
nyata (P<0,01) Lihat Sig <0,01.
Oleh karena antara Sistem Pemeliharaan dengan Periode Peneluran tidak terjadi
interaksi yang nyata (P>0.05), mka Tabel di bawah ini tidak perlu disimpulkan.
Dependent Variable: Fertilitas Telur (%)
Sistem
Periode
Mean Std. Error
Pemeliharaan
Peneluran
1
1
53.928
3.856
2
74.524
3.856
3
80.116
3.856
2
1
75.120
3.856
2
80.356
3.856
3
95.000
3.856
3
1
78.570
3.856
2
85.946
3.856
3
92.500
3.856
Graph
100.00
80.00
60.00
40.00
20.00
0.00
1
Sistem Pemeliharaan
100.00
80.00
60.00
40.00
20.00
0.00
1
Periode Peneluran
Klik Graphs, lalu Klik Bar, pilh dan Klik Custered, Klik Define, maka muncul Gambar 8.12.
Graph
_
_
+ Ai+ Kj + ij
j = 1,2,3...........,u
Disini :
Yijk : Pengamatan Faktor Utama taraf ke-i , Kelompok, ke-j dan Faktor Tambahan taraf
ke-k
: Rataan Umum
pada Faktor Utama taraf ke-i, Ulangan ke-j dan faktor tambanan
terhadap bakteri Koliform air limbah Rumah Pemotongan Hewan (RPH) Pesanggaran Denpasar
Bali.
Untuk tujuan tersebut diambil 4 liter air limbah, kemudian dimasukkan kedalam 4 buah
toples plastik masing-masing sebanyak 1 liter, kemudian toples tersebut diberikan : 0 ppm, 200
Penuntum Praktikum Rancangan Percobaan dengan SPS-141
0 ppm
100 ppm
200 ppm
300 ppm
Kelompok
(j)
1
2
3
1
2
3
1
2
3
1
2
3
0
9.1761
9.3345
10.2040
9.0828
8.9581
8.9201
8.7910
8.8704
8.7160
8.7782
8.6513
8.5051
6
11.0170
12.7980
12.7780
7.4216
6.9445
7.1703
6.8573
6.8573
6.7709
6.3655
6.7924
6.1818
Komprter telah siap dengan Program SPSS, Klik Variable View pada pojok kiri
bawah, ditunjukan pada Gambar 1.14. di bawah ini. kemudian pada Kolom Name ketik L,
K, Kelompok dan Koliform, pada Kolom Type Numeric, pada Kolom Decimal ketik 0, 0, 0
dan 4, Kolom Label ketik Konsentrasi Hidrogen Peroksida (ppm), Lana Kloronasi (Jam),,
UKelompok dan Log Jumlah Koligorm seperti tampak pada Gambar 1.14.
.
Gambar 3.14. Kotak dialog Means
Klik Log Jumlah Koliform, pindahkan dengan tanda ke Dependent List
Klik Konsentrasi Kaporit, pindahkan dengan tanda ke Independent List
Klik Lama Klorinasi, pindahkan dengan tanda ke Independent List
Klik Kelompok, pindahkan dengan tanda ke Independent List
Klik OK, maka diperoleh hasil analisisnya sebagai berikut :
Means
Log Jumlah koliform * Konsentrasi Kaporit (ppm)
(j) Log Jumlah koliform
Konsentrasi Kaporit (ppm)
0
100
200
300
Total
Mean
10.743442
8.040192
7.675850
7.377792
8.459319
N
12
12
12
12
48
Std. Deviation
1.153615
.770311
.812399
.929839
1.624635
Mean
8.375838
8.527881
8.474238
8.459319
N
12
12
12
12
48
N
16
16
16
48
Std. Deviation
.443575
1.015675
1.811127
2.492333
1.624635
Std. Deviation
1.434594
1.673853
1.843291
1.624635
Konsentrasi Kaporit dan Lama Klorinasi terhadap Log Jumlah Koliform air limbah RPH apakah
ada pengaruhnya atau tidak. Disamping itu juga untuk mengatahui apakah ada Interaksi antara
Konsentrasi Kaporits dengan Lama Kloronasi. Uji Duncan dilakukan untuk mengetahui apakah
ada perbedaan Log Jumlah Koliform antara Konsentrasi Kaporit yang diberikan dan antara Lama
Klorinasi yang dilakuklan., sedangkan untuk mengetahui perbedann Log Jumlah Koliform antara
lama Klorinasi pada masing-masing konsentrasi Kaporit yang diberikan dilakukan uji Confidence
Interval pada taraf 0,05. Prosedurnya sebagai berikut :
Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 4.14
df
1
2
2
6
3
6
6
24
3
24
9
24
Mean
Square
3434.884
9.514E-02
9.514E-02
.299
28.706
.299
.299
7.817E-02
2.044
7.817E-02
3.105
7.817E-02
Sig.
36103.450 .000
.319
.739
96.119
.000
3.820
.008
26.143
.000
39.724
.000
Kesimpulan :
Ulangan tidak berpengaruh nyata (P>0,05) terhadap jumlah Koliform Air Limbah
RPH Pesanggaran Denpasar atau tidak ada variasi harian yang nyata (P<0,05) jumlah
Koliform Air Limbah RPH Pesanggaran Denpasar selama penelitian. Lihat ULANGAN Sig
0,739>0,05.
Pemberian Kaporit berpengaruh sangat nyata (P<0,01) terhadap jumlah Koliform
Air Limbah RPH Pesanggaran Denpasar. Lihat K sig 0,00<0,01.
Lama Klorinasi
N
12
12
Subset
1
7,377792
7,675850
100
12
8,040192
0
12
10,743442
Sig.
1,000
1,000
1,000
1,000
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 7,817E-02.
a Uses Harmonic Mean Sample Size = 12,000.
b Alpha = ,05.
Kesimpulan :
Rata-rata jumlah Koliform air limbah RPH Pesanggaran Denpasar nyata (P<0,05)
semakin menurun dengan meningkatnya konsentrasi Kaporit yang diberikan. Lihat tabel
diatas semua rata-rata berada pada Subset yang berbeda dengan Alpha 0,05.
Subset
1
2
3
4
12
8.111625
6
12
8.162883
2
12
8.563800
0
12
8.998967
Sig.
.657
1.000
1.000
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 7.817E-02.
a Uses Harmonic Mean Sample Size = 12.000.
b Alpha = .05.
Kesimpulan :
Rata-rata jumlah Koliform air limbah RPH Pesanggaran Denpasar nyata (P<0,05)
semakin menurun dari Klorinasi 0 jam sampai 4 jam, sedangan antara Lama Klorinasi 4
jam dengan 6 jam tidak terdapat perbedaan yang nyata (P>0,05). Lihat tabel diatas ratarata lama Klorinasi 4 dan 6 berada pada Subset yang sama yaitu Subset I, sedangkan
lama Klorinasi 0 dan 2 berda pada Subset berbeda pada Alpha 0,05..
Penuntum Praktikum Rancangan Percobaan dengan SPS-150
Kelompoknya karena tidak diperlukan boleh di delete atau dibiarkan saja, karena tidak
mempengaruhi analisis data selanjutnya.
Klik Analyze, pilih Regression, lalu Klik Linear, maka muncul Gambar 10.14.
Regression
Moel Summary
Model
R
R Square
Adjusted R Square
1
.763(a)
.582
.573
2
.840(b)
.706
.693
3
.946(c)
.895
.887
4
.964(d)
.930
.923
5
.978(e)
.956
.950
6
.983(f)
.965
.960
a Predictors: (Constant), KL
b Predictors: (Constant), KL, LL
c Predictors: (Constant), KL, LL, KKL
d Predictors: (Constant), KL, LL, KKL, KKKL
e Predictors: (Constant), KL, LL, KKL, KKKL, K
f Predictors: (Constant), KL, LL, KKL, KKKL, K, L
ANOVA(g)
Sum of
Mean
Model
Squares
df
Square
1
Regression
72.213
1
72.213
Residual
51.841
46
1.127
Total
124.054
47
2
Regression
87.577
2
43.788
Residual
36.477
45
.811
Total
124.054
47
3
Regression
110.983
3
36.994
Residual
13.071
44
.297
Total
124.054
47
4
Regression
115.317
4
28.829
Residual
8.737
43
.203
Total
124.054
47
5
Regression
118.550
5
23.710
Residual
5.504
42
.131
Total
124.054
47
6
Regression
119.766
6
19.961
Residual
4.288
41
.105
Total
124.054
47
a Predictors: (Constant), KL
b Predictors: (Constant), KL, LL
c Predictors: (Constant), KL, LL, KKL
d Predictors: (Constant), KL, LL, KKL, KKKL
e Predictors: (Constant), KL, LL, KKL, KKKL, K
f Predictors: (Constant), KL, LL, KKL, KKKL, K, L
g Dependent Variable: Log Jumlah Koliform
F
64.076
Sig.
.000(a)
54.020
.000(b)
124.531
.000(c)
141.888
.000(d)
180.934
.000(e)
190.862
.000(f)
Coefficients(a)
Model
Unstandardized
Coefficients B
Std.
Error
(Constant)
9.489
KL
-.002
2
(Constant)
9.137
KL
-.003
LL
.050
3
(Constant)
9.287
KL
-.009
LL
.077
KKL
1.84E-005
4
(Constant)
9.316
KL
-.014
LL
.082
KKL
7.20E-005
KKKL
-1.19E-007
5
(Constant)
9.780
KL
-.014
LL
.065
KKL
7.33E-005
KKKL
-1.22E-007
K
-.004
6
(Constant)
9.483
KL
-.014
LL
.030
KKL
7.60E-005
KKKL
-1.26E-007
K
-.003
L
.271
a Dependent Variable: Log Jumlah Koliform
.200
.000
.188
.000
.012
.115
.001
.008
.000
.095
.001
.006
.000
.000
.121
.001
.006
.000
.000
.001
.139
.001
.012
.000
.000
.001
.079
Standardized
Coefficients
Beta
-.763
-1.027
.440
-2.848
.673
1.747
-4.706
.717
6.837
-3.363
-4.519
.570
6.959
-3.423
-.259
-4.730
.265
7.212
-3.548
-.212
.377
47.434
-8.005
48.640
10.164
4.354
80.780
13.301
10.111
8.876
97.770
10.707
12.836
6.137
-4.619
80.943
12.727
10.615
7.776
-5.853
-4.967
68.329
14.636
2.605
8.982
-6.775
-4.369
3.410
Sig.
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.000
.013
.000
.000
.000
.001
Madel terbaik adalah Model 6 karena R cukup besar dan koefesien garis Regresinya
semuanya nyata (P<0.05)
Persamaan Garis Regresinya :
Y = 9.483 0.003K + 0.271L + 0.030L2 0.01418KL + 0.00007K2L - 0.000000126K3L
Kita buat Data View seperti Tampak pada Gambar 11.14, lengkapi Kolom K dan L,
seperti tampak pada gambar tersebut , kemudian Klik Tansform, Klik Compute, maka
muncul Gambar 12.14.
Graph
..
Kesimpulan :
Makin tinggi dosis Kaporit yang diberikan Log Jumlah Koliform semakin menurun,
makin lama waktu Klorinasi terjadi peningkatan log jumlah Koliform pada air limbah RPH
Pesanggaran Denpasar yang tidak diberikan Kaporit (K = 0 ppm), sedangkan yang
diberikan kaporit makin lama waktu Klorinasi log jumlah Koliformnya semakin menurun.
DAFTAR PUSTAKA
Gaspersz, V. 1995. Teknik Analisis dalam Penelitian Percobaan. Jilid 1 Penerbit Tarsiko
Bandung
.
Hicks, C.H. 1982. Fundamental Cuncepts in the Design of Experiment,
Publ. SBS Collage.
Musa, M.S dan A.H Nasoetion. 1989. Bahan Pengajaran Perancangan dan
Analisis Percobaan Ilmiah. Pusat Antar Universitas Ilmu Hayat IPB.
Rawlings, J.O. 1988 Applied Regression Analysis. A Research Tool. North Carolina
State University Wadawart & Brooke. Pacific Grove, California.
Richard, D.R. and M.A. Schort. 1985. Statistic with Application to the Biological and Health
Science. Second edition. Pretice-Hall, Inc. Englewood Cliffs, New Jersey.
Singgih, S. 2001. SPSS versi 10, Mengolah Data Statistik secara Professional. Penerbit
PT Elex Media Komputindo.Ed.1, Gramedia, Jakarta.
Steel, R G D and J.H. Torrie. 1984. Principles and Prosedures of Statistics.
A Biometrical Approach. Acond Ed. , Mc. Grow Hill Tokyo.