Penuntun Praktikum Rancangan Percobaan PDF

Penuntum Praktikum Rancangan Percobaan dengan SPS- 0
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 yaitu program SPSS (Statistical
Product and Service Solutions) yang bisa digunakan dalam analisis data dalam
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
menumbuhkan sikap, kemampuan dan ketrampilan meneliti.
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 propesional lebih terbuka
kemungkinan untuk memilih analisis yang lebih sesuai dan mendalam, dengan hasil yang
lebih cermat serta dikerjakan dalam waktu yang singkat. Mungkin saja selama
penyelenggaraan percobaan terjadi yang hal-hal mengakibatkan penyimpangan terhadap
apa yang telah direncanakan dan dipertimbangkan dalam bentuk anggapan-anggapan
sebelumnya, sehingga rencana terutama analisis data hasil penelitian harus diubah sesuai
dengan paket program kemasan yang ada, Program SPSS sangat mudah menyesuikan
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. Model dengan komponen-komponennya dan
anggapan-anggapan yang melandasinya perlu diperiksa dan dinilai secara kritis. Teknik-
teknik 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 yaitu berupa contoh-contoh analisis
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 rancangan serta tujuan
penelitian yang dilakukan.

II. RANCANGAN PERCOBAAN
Percobaan didefinisikan sebagai suatu uji coba (trial) atau pengamatan khusus
yang dibuat untuk menegaskan atau membuktikan keadaan dari sesuatu yang
meragukan, dibawah kondisi-kondisi khusus yang ditentukan oleh peneliti. Jadi,
percobaan merupakan suatu tindakan atau kegiatan yang diselenggarakan dengan
seksama dalam rangka menemukan beberapa pengaruh yang tak diketahui, atau
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 menimbang-
nimbang 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
diselenggarakan dalam suatu percobaan dalam rangka menemukan sesuatu pengetahuan
baru. Semua pemikiran, perkiraan, pedoman dan rencana itu dituangkan dalam suatu
Rancangan Percobaan, yang seharusnya dibuat sebelum percobaan dilakukan.
Rancangan Percobaan yang baik adalah yang efektif, terkelola dan efesien serta
dapat dipantau, dikendalikan dan dievaluasi. Pengertian efektif adalah berkaitan dengan
kemampuan mencapai tujuan, sasaran dan kegunaan yang direncanakan atau digariskan.
Terkelola adalah berkenaan dengan kenyataan adanya berbagai keterbatasan atau
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.

Peubah-peubah dalam Rancangan Percobaan.
Peubah Bebas atau Peubah Tetap adalah : sejumlah gejala atau faktor atau unsur
yang menentukan atau mempengaruhi ada atau munculnya gejala atau respons
penelitian. Peubah ini pada pelaksanaan percobaan atau penelitian disebut perlakuan
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. Dengan dikendalikan pengaruhnya
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
peubah bebas atau perlakuan. Misalnya pada percobaan ayam Broiler dengan jenis
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 peubah terikat atau respons hasil penelitian. Oleh karena peubah ini
berpengaruh terhadap peubah bebas, maka akan menyebabkan peubah terikat yang
muncul tidak murni akibat peubah bebas, sehingga perlu diketahui seberapa besar
pengaruh peubah ini. Salah satu cara untuk memperhitungkan pengaruhnya adalah
dengan melakukan pemblokan atau pengelompokan. Misalnya : bila kita ingan meneliti
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

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 oleh keadaan lingkungan dan keadaan bahan percobaan yang
digunakan perlu diperhitungkan atau disingkirkan atau diawasi, sehingga hingarnya
terhadap pengaruh perlakuan dapat ditekan sampai sekecil –kecilnya.
Faktor Kualitatif dan Faktor Kuanditatif

Sebagai suatu peubah bebas atau peubah terikat atau suatu faktor, dapat
digolongkan sebagai faktor kualitatif dan faktor kuanditatif. Faktor kualitatif terdiri atas
taraf-taraf berskala penilaian nominal atau taraf-taraf yang sebenarnya dapat dipandang
sebagai nilai-nilai tertentu peubah khusus yang berkepekatan kontinu (mengikuti kaedah
penjumlahan dan perkalian), tetapi tidak memberikan suatu tataan bermakna. Sedangkan
faktor kuanditatif berskala ukuran ordinal, interval atau rasional.
Faktor kuanditatif dengan taraf-taraf tertentu dapat dipandang sebagai nilai-nilai
peubah berkepekatan kontinu, bila antara taraf-taraf tersebut dapat membentuk suatu
hubungan peningkatan atau penurunan, tidak setiap faktor berskala ordinal dimasukkan
kedalam faktor kuanditatif, ada kalanya diperlakukan sebagai faktor kualitatif. Faktor jenis
kelamin ternak yang terdiri dari jantan, betina dan kebirian adalah suatu factor kualitatif,
sedangkan dosis pemberian obat dengan taraf-taraf 0, 5, 10 dan 15 ml merupakan faktor
kuantitatif.
Jarak antara taraf terendah dengan taraf tertinggi suatu faktor bergradien dari
peubah bebas dinamakan rentang perhatian (range of interest). 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

rentang perhatian (ekstra polasi). Karena ini sudah diluar rentang perhatian yang telah
ditentukan dan sudah tidak menjamin keterandalan data hasil percobaan.
Jarak antara dua taraf beururutan dalam suatu tataan bermakna faktor bergradien
dinamakan jarak antar taraf. Dalam suatu rancangan perlakuan, jarak-jarak antar taraf
ini mungkin seragam atau mungkin tidak. Faktor dengan jarak-jarak antar taraf seragam
dinamakan juga sebagai faktor dengan taraf-taraf berjarak sama, sedangkan yang tak
seragam disebut berjarak tak sama.
Dosis pemberian obat mempunyai taraf berjarak sama, misalnya 0, 5, 10 dan 15
ml, sedangkan yang berjarak tak sama misalnya 0, 6, 8, 9 dan 10 ml.
Faktor kualitatif tidak mengenal konsep jarak antar taraf, sedangkan jarak antar
taraf berurutan faktor yang berskala penilaian ordinal yang tak terukur tetap.
Kita mengenal 4 skala yang dapat digunakan untuk mengukur fenomena sebagai
sebagai sumber data adalah sebagai berikut :
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
dimasukkan kedalamnya, maka bilangan atau lambing-lambang itu membentuk suatu
skala nominal (klasifikasi).
Sebagai contoh, misalnya kita menggolongkan ternak dalam himpunan ternak
besar, ternak kecil, ternak unggas dan aneka ternak. Demikian pula penggolongan ternak
setelah diobati menjadi mati dan sembuh.
Dalam hal ini skala untuk pengukuran peubah jenis ternak terdiri dari 4 titik, sedangkan
kesembuhan terdiri dari 2 titik. Titik skala dinamakan kelas atau katagori. Skala nominal
tidak mengenal urutan atau ranking.
Skala Ordinal (Ranking).

Skala ordinal terjadi bila obyek yang ada dalam suatu katagori suatu skala tidak
hanya berbeda dengan obyek-obyek itu, tetapi juga mempunyai hubungan satu dengan
yang lain, Hubungan yang biasa kita jumpai diantaranya kelas-kelas adalah : lebih tinggi,
lebih disenangi, lebih sering, lebih sulit, lebih dewasa dan sebagainya, jadi disini ada
ranking

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. Dalam pengukuran semacam ini perbandingan antara interval sembarang
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 yang berbeda, namun keduanya memberikan informasi yang sama.
Demikian juga persentase (0 – 100%). Semua skala ordinal yang mempunyai titik nol
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.

Perlakuan yang akan dicobakan atau diteliti dalam penelitian seharusnya
ditentukan dari tujuan, sasaran dan kegunaan yang hendak dicapai dari pengujian pilihan
pemecahan masalah melalui metode percabaan.
Merancang suatu perlakuan berdasarkan kondisi materi percobahan atau
homogenitas sampel dan ada tidaknya peubah antara/penggangu dan juga banyaknya
peubah pengganggu disebut Rancangan Lingkungan. Rancangan Lingkungan dengan
materi homogen atau tidak ada peubah pengganggu disebut Rancangan Acak Lengkap
(RAL), bila ada satu peubah pengganggu disebut Rancangan Acak Kelompok (RAK),
bila ada dua peubah antara disebut Rancangan Bujur Sangkar Latin(RBSL) dan bila
ada tiga peubah pengganggu disebut Rancangan Bujur Sangkar Griko Latin (BSGL).
Sedangkan merancang suatu perlakuan berdasarkan strategi melakukan
percobaan atau cara melakukan percobaan disebut Rancangan Perlakuan (Treament
Design). Dalam merancang suatu perlakuan dikenal tiga yaitu cara kombinasi, tersarang
dan berjenjang, cara ini dalam rancangan perlakuan disebut pula pola yaitu Pola
Faktorial ,Pola Tersarang dan Pola Berjenjang (Split-Plot atau Petak terpisah).
Disamping itu merancang suatu percobaan berdasarkan pula hasil yng ingin dicapai,
merancang seperti ini disebut Rancangan Respon, rancangan renpon penting dalam
menentukan rentang perhatian suatu perlakuan yang bersifat kuantitatif, sebab rentang
perhatian ini sangat menentukan respons yang akan terjadi.
Jadi Rancangan Percobaan (Experimental Design) terdiri dari Rancanag
Lingkungan, Rancanan Perlakuan dan Rancangan Respons, rancangan percobaan harus
dibuat sebelum melakukan suatu percobaan.

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. Mungkin saja selama
penyelenggaraan percobaan terjadi hal yang mengakibatkan penyimpangan terhadap apa
yang telah direncanakan dan dipertimbangkan dalam bentuk anggapan-anggapan
sebelumnya, sehingga rencana terutama analisis data hasil penelitian harus diubah sesui
dengan kenyataan yang ada.
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. Model dengan komponen-komponennya dan
anggapan-anggapan yang melandasinya perlu diperiksa dan dinilai secara kritis. Teknik-
teknik 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. Pemilihan dan
penggunaan metode statistika yang tepat, dalam analisis memungkinkan kita untuk
mengukur besarnya galat/kesalahan dalam menarik suatu kesimpulan atau memberi
suatu taraf (selang) kepercayaan terhadap suatu pernyataan, dengan demikian batas-
batas ketakpastian dapat diberikan.
Pemilihan Analisis atau Uji Statistika yang Cocok

Dalam merencanakan suatu penelitian atau percobaan kemungkinan ada beberapa
macam uji statistika yang dapat dipakai untuk kepentingan tersebut, oleh sebab itu perlu
dengan pertimbangan untuk memilih salah satu diantaranya yang paling cocok dan
menguntungkan dari segi ilmiah.
Keampuhan uji dalam analisis statistika merupakan salah satu bagian penting dari
suatu pengujian . Suatu uji statistika dikatakan baik atau memadai, bila dengan metode

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.
Selain tingkat keampuhan uji, maka terdapat pertimbangan-pertimbangan lain
dalam menentukan atau memilih salah satu uji statistik, pertimbangan tersebut didasarkan
atas :
1. Bagaimana cara mengambil/menarik sampel atau melakukan percobaan
2. Keadaan atau sifat dari populasi yang diamati.
3. Satuan atau skala pengukuran apa yang dipergunakan dalam menilai respons hasil
penelitian
4. Dasar teori serta tujuan dari penelitian yang dilakukan.
Semua hal tersebut di atas, akan menentukan uji statistika mana yang akan dipilih atau
digunakan, sehinga uji tersebut cukup memadai atau bahkan sangat cocok untuk
menganalisis suatu data hasil pengamatan dari suatu penelitian.
Pengujian statistik akan berlaku apabila model dan cara pengukuran yang
dilakukan 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. Dengan ditariknya suatu
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.

Asumsi-asumsi dalam Uji Statistika
Pengujian yang paling teliti adalah pengujian dengan asumsi yang kuat dan tepat..
Uji statistika parametrika (Uji t dan uji F) dapat dipakai jika ada asumsi-asumsi yang kuat
untuk mendapatkan hasil yag baik. Kalau asumsi yang dikemukakan memang benar,
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 menyebar mengikuti sebaran
normal atau paling sedikit tidak melanggar sebaran normal.
4. Data pengamatan harus mempunyai varians/keragaman yang homogen antar
perlakuan yang dibandingkan.
Semua syarat-syarat tersebut diatas harus dipenuhi untuk melakukan uji t dan uji
F, dalam penelitian biasanya syarat No.1 mudah/selalu dipenuhi, sedangkan syarat No. 2
tergantung dari kemampuan peneliti untuk menggunakan atau mencari skala pengukuran
yang digunakan dalam penelitian. Syarat No. 1 dan 2 harus terpenuhi, sedangkan syarat
No. 3 dan 4 bila tidak terpenuhi, maka dapat diusahakan supaya dapat terpenuhi dengan
jalan melakukan transformasi data.
Transformasi data bertujuan untuk mengubah data dari data yang tidak mengikuti
sebaran normal dengan keragaman antar perlakuan tidak homogen menjadi
mengikuti/mendekati sebaran normal dengan keragaman antar perlakuan menjadi
homogen, sehingga syarat No. 3 dan 4 tidak dlanggar.
Transformasi data yang biasa dipergunakan adalah :
1. Transformasi akar Yi ( ( Yi ), transformasi ini digunakan jika data mengikuti
_
sebaran Poisson. Ciri-cirinya adalah rata-rata ( Y. ) data hasil pengamatan
masing-masing perlakuan hampir sama dengan variannya (  2), data yang
mengikuti sebaran Poisson ini biasanya data dalam persen dengan persentase
yang sangat kecil atau peluang kejadiannya sangat kecil atau sebaliknya yaitu

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  ½)
2. Transformasi ArcSin √Yi , transformasi ini digunakan jika data mengikuti sebaran
Binomial. Ciri-ciri data yang mengikuti sebaran ini adalah rata-rata (ў) data
tersebut sebanding dengan variannya (т2), perlu diiangat bahwa ў = np dan т2 =
np(1-p). Data dalam satuan pengukuran persentase (Yi%) biasanya mengikuti
sebaran ini.
3. Transformasi Log Yi atau Ln Yi, transformasi ini biasanya digunakan bila data
berkaitan dengan waktu dan rata-ratanya (ў) mengikuti rata-rata Geometrik. Ciri-
ciri data ini adalah bila rata-rata (ў) suatu perlakuan semakin besar, maka
variannya (т2) 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. Dengan kata lain kita harus menggunakan analisis/uji lain
selain uji t dan uji F, yaitu dengan menerapkan analisis Statistika Nonparametrika.

Kenormalan data dapat diketahui dengan menggunakan teknik-teknik grafis atau
dengan uji Chi-Square (X2). Teknik-teknik grafis biasanya jauh lebih baik dan komunikatif
digunakan karena dapat menarik kesimpulan yang lebih luwes sesuai dengan keadaan
data dan tujuan transformasi yang diinginkan.
Pelanggaran syarat nomor 3 dan 4 biasanya berkaitan dengan jumlah sampel, makin
banyak jumlah sampel kemungkinan pelanggaran syarat nomor 3 dan 4 akan semakin
kecil jika syarat nomor 1 dan 2 telah terpenuhi. Jadi jumlah sampel juga sangat
menentukan homogenitas ragam dan kenormalan data (ingat syarat jumlah sampel
minimum).

IV. PROGRAM SPSS
Berbagai perangkat lunak khusus statistik telah beredar, SPSS adalah yang paling popular dan
paling banyak digunakan di seluruh dunia (Singgih, 2001), SPSS banyak dipakai dalam
menganalisis data dari berbagai hasil riset atau percobaan pada berbagai bidang ilmu.
SPSS sebagai perangkat lunak, pertama kali dibuat tahun 1968 oleh tiga mahasiswa Stanford
University, yang dioperasikan pada komputer mainframe SPSS menjalankan berbagai kebijakan
strategis antara tahun 1984 – 1998, untuk mengembangkan software statistik dan juga menjalin
aliansi stratergis dengan software house terkemuka lainnya. Hal ini membuat SPSS yang tadinya
ditujukan bagi pengelola data statistik untuk ilmu sosial (SPSS adalah singkatan dari Statistical
Package for the Social Sciences), diperluas untuk melayani berbagai bidang ilmu sehingga SPSS
berubah menjadi Statistical Product and Service Solutions.
SPSS berkembang pada berbagai versi, dalam hal ini yang dibicarakan pada buku ini adalah
SPSS versi 13, yaitu SPSS 13. 0 for Windows.Inc.
4.1. Memasukkan Data pada SPSS.

Teladan 1.
Misalnya kita punya data berat badan 12 ekor sapi Bali dengan jenis kelamin jantan dan betina serta
umur 1, 2 dan 3 tahun, seperti Tabel berikut :
Tabel 1. Data Berat Sapi Bali Jantan dan Betina Umur 1, 2 dan 3 Tahun
Jenis kelamin Umur Berat (Kg)
(Tahun) 1 2
1 1804 183.5
Jantan 2 255.3 254.4
3 330.1 355.3
1 179.1 180.3
Betina 2 240.3 235.4
3 260.4 250,5
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 Windows►Klik
SPSS 13.0 for Windows, maka Muncul Gambar 4.1.

Gambar 1.4. SPSS for Windows
Klik OK, Klik tanda X, hingga kotak data Gambar 4.1 menghilang dan muncul Gambar 2.4.
Gambar 2.4 Menu Utama SPSS

Setelah Muncul Gambar 2.4, Lalu Klik Variable View, maka muncul Gambar 3.4

Gambar 3.4 Kotak Variable View
Ketik pada Kolom Name JK, Umur, Ulangan dan Berat, pada Kolom Type pilih Numerik, pada
Kolom Width Klik atau pilh angka 8, pada Kolom Decimals pilih atau ketik angka 0 pada baris JK,
Umur dan Ulangan, sedangkan pada baris Berat pilih atau ketik angka 1 (karena berat 1 desimal
dibelakang koma). Kolom Label diisi dengan Jenis Kelamin, Umur (Tahun), Ulangan dan Berat
Kg), perhatiakan Gambar 3.4
Perhatikan JK (Jenis Kelamin) merupakan factor atau Variabel Kualitatif yaitu Jantan dan Betina,
maka perlu definisikan 1 Jantan dan 2 betina, dengan janan meng Klik kolom Values pada baris 1
di pojok kanan atas maka muncul Gambar 4.4.
Gambar 4.4. Kotak Dialog Value Labels

Ketik angaka 1 pada Value dan Jantan pada Value label, lalu Klik Add
Ketik lagi angka 2 pada Value dan Betina pada Value Label, Lalu Klik Add
Klik OK, maka layer kembali ke Gambar 3.4, Kemudian Klik Data View pada pojok kiri
bawah maka Muncul Gambar 5.4.

Gambar 5.4. Kotak Data View
Lengkapi atau ketik data pada Gambar 5.4. pada kolom JK, Umur, Ulangan dan Berat seperti
tampak pada layer. Gambar 5.4
Setelah selesai memasukan data pada Gambar 5.4, lalu data disimpan dengan meng Klik File, pilih
Save AS, berikan nama, misalnya Berat Sapi. Ingat tempat menyimpannya, data tersebut bisa
dipanggil sewaktu-waktu melalu SPSS, dengan Meng Klik File, kemudian open dan selanjutnya
pilih Data. Dalam Program SPSS data, Output dan Syntax disimpan pada tempat yang berbeda.
4.2. Analisis Data pada SPSS.
Kemampuan SPSS untuk mengolah data berupa tranformasi data, penyajian data dalam
berbagai bentuk Tabel maupun Grafik, analisis data deskriptif maupun inferensial sangat baik
digunakan pada berbagai data hasil penelitian, dan memberikan hasil yang sangat komunikatif.
Proram SPSS juga dapat melakukan proses otomatisasi program yang disebut Syntax, yaitu berupa
ringkasan prosedur statistika.

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,
Gambar 6.4. Kotak Dialog Cumpute Variable.

Hasil Transformasi adalah sebagai berikut :
Gambar 5.4. Kotak Data View setelah Tranformasi Data
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.

Gambar 6.4. Kotak Dialog Means
Gambar 7.4. Kotak Dialog Means Options

Klik Ukuran pemusatan atau penyebaran data yang diinginkan pada Kolom Statistics, pindahklan
dengan tanda ►ke Cell Statistics, kemudian Klik Continue, maka akan kembali ke Gambar 6.4
Klik OK

Means
Berat (Kg) * Jenis Kelamin
Berat (Kg)
Std.
Jenis Std. Error of
Kelamin Mean N Deviation Median Range Mean
Jantan 259.833 6 72.4392 254.850 174.8 29.5732
Betina 224.333 6 35.6311 237.850 81.3 14.5464
Total 242.083 12 57.4977 245.400 176.2 16.5982
Berat (Kg) * Umur (Tahun)
Berat (Kg)
Std.
Umur Std. Error of
(Tahun) Mean N Deviation Median Range Mean
1 180.825 4 1.8246 180.400 4.3 .9123
2 246.350 4 10.0235 247.350 19.9 5.0117
3 299.075 4 51.5722 295.250 104.8 25.7861
Total 242.083 12 57.4977 245.400 176.2 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

Gambar 8.4. Kotak Dialog Define Simpel Bar
Graph
300.0
250.0
200.0
Mean Berat (Kg)
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
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
Gambar 9.4. Kotak Dialog Define Multiple Lines

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)

Gambar 9.4. Kotak Dialoge Univariabe
Klip Paste, maka muncul Gambar 10. 4.
Jika Model Matematis : Yijk = µ + Ki + Uj + єijk

K i (Jenis Kelamin) dan Uj (Umur) , maka sintaknya :
Gambar 10.4. Kotak Dialog Syntax1 SPSS

Untuk menjalankan Syntax Klik tanda ►pada kotak dialog Gambar 10.4
Univariate Analysis of Variance
Tests of Between-Subjects Effects
Dependent Variable: Berat (Kg)

Type III Sum of
Source Squares Df Mean Square F Sig.
Corrected
31856.102(a) 3 10618.701 18.837 .001
Model
Intercept 703252.083 1 703252.083 1247.527 .000
JK 3780.750 1 3780.750 6.707 .032
Umur 28075.352 2 14037.676 24.902 .000
Error 4509.735 8 563.717
Total 739617.920 12
Corrected
36365.837 11
Total
a R Squared = .876 (Adjusted R Squared = .829)

Jika Model Matematis : Yijk = µ + Ki + Uj + KUij + єijk
K i (Jenis Kelamin), Uj (Umur) dan KUij Interaksi Jenis Kelamin dengan Umur, maka
Syntaxnya :
Gambar 11.4. Kotak Dialog Syntax2 SPSS

Untuk menjalankan Syntax Klik tanda ►pada kotak dialog Gambar 11.4
Dependent Variable: Berat (Kg)

Type III Sum of
Source Squares Df Mean Square F Sig.
Corrected
35981.977(a) 5 7196.395 112.485 .000
Model
Intercept 703252.083 1 703252.083 10992.321 .000
JK 3780.750 1 3780.750 59.096 .000
Umur 28075.352 2 14037.676 219.419 .000
JK * Umur 4125.875 2 2062.938 32.245 .001
Error 383.860 6 63.977
Total 739617.920 12
Corrected
36365.837 11
Total
Untuk model matematis yang lain dan pembahasan hasilnya dibicaran pada BAB
selanjutnya.

V. RANCANGAN ACAK LENGKAP (RAL)
Syaratnya adalah hanya ada satu peubah bebas (independent variable) yang disebut perlakuan,
jadi tidak ada peubah lain selain perlakuan yang mempengaruhi respons hasil penelitian (dependent
variable).
Model Matematis
Yij = µ + Pi + єij i = 1, 2, 3,…………,p dan j = 1, 2, 3,…………,u
Disini :
Yij : Pengamatan perlakuan ke-i dan ulagan ke-j
µ : Rataan Umum
Pi : Pengaruh perlakukan ke-i dan
Єij : Galat perlakuan ke-I dan ulangan ke-j
Teladan 2.
Seorang peneliti ingin mengetahui pengaruh lama desinfeksi H2O2 terhadap log jumlah bakteri
E coli pada limbah RPH dengan dosis 30% . Untuk tujuan tersebut dilakukan penelitian dengan
lama desinfeksi 0, 2, 4 dan 8 jam dengan ulangan masing-masing sebanyak 5 kal;i.
Tabel 2. Data Jumlah E. coli (Log E. coli)
Ulangan Lama Desinfeksi (i) dalam jam
(j) 0 2 4 6
1 6.88 5.78 5.62 4.73
2 6.87 5.71 5.51 4.80
3 6.75 6.07 5.58 4.86
4 6.82 6.02 5.60 4.85
5 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 Variable View pada pojok kiri bawah,
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

Gambar 1.5. Kotak Dialog Variable View
Klik Data View, lalu saling data pada Tabel 2., pada seperti Tabel dibawah ini
Gambar 2.5 Data View

5.1. Analisis Deskriptif.
Analisis deskriptif 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). Dan hasil penelitian diharapkan rataannya berbeda antar
perlakuan (meningkat atau menurun) sedangkan standar deviasinya diharapkan tidak begitu berbeda
antar perlakuan (homogen).
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
Gambar 3.5. Kotak Diolog Means
Klik OK untuk mendapatkan hasil analisisnya
Means
Report
Log Jumlah Ecoli
Lama Desinfeksi (Jam) Mean N Std. Deviation

0 6.8200 5 5.612E-02
2 5.9060 5 .1550
4 5.5660 5 4.879E-02
6 4.8240 5 6.025E-02
Total 5.7790 20 .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
muncul Gambar 4.5.
Klik Log Jumlah Ecoli pindahkan dengan tanda ► ke Dependent Variable
Klik Lama Desinpeksi pindahkan dengan tanda► ke Fixed Factor(s)
Gambar 4.5. Kotak Diolog Univariabe

Klik Post Hoc, pindahkan L dengan tanda ► ke Post Hoc Test for pada Gambar 4.5 , maka
muncul Gambar 5,5. seperti dibawah ini, lalu centang (V) LSD dan Duncan

Gambar 5.5 Kotak Dialog Post Hoc
Klik Continue maka layar kembali ke Gambar 4.5

Klik Paste, maka muncul Gambar 6.5. dibawah ini
Periksa Syntax didalam tampilan dibawah ini, terutama : /DESIGN=L. jika beda bisa diperbaiki
seperti mengetik biasa

Paste…………….…………Syntax-SPSS
Gambar 6.5. Kotak Dialog Syntax
Untuk menjalankan Syntak Klik tanda ►(Run Current) pada tampilan diatas

Dependent Variable: Log Jumlah Ecoli
Source Type III Sum of df Mean Square F Sig.
Squares
Corrected 10.286 3 3.429 413.218 .000
Model
Intercept 667.937 1 667.937 80498.562 .000
LD 10.286 3 3.429 413.218 .000
Error .133 16 8.297E-03
Total 678.356 20
Corrected 10.419 19
Total
Kesimpulan dari table diatas adalah Lama Desinfeksi H2O2 (LD) berpengaruh
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)
Post Hoc Tests
Lama Desinfeksi (Jam)
Multiple Comparisons
Dependent Variable: Log Jumlah Ecoli
(I) Lama (J) Lama Mean Std. Error Sig. 95% Confidence Interval
Desinfeksi Desinfeksi Differen Lower Upper Bound
(Jam) (Jam) ce (I-J) Bound
0 2 .9140 5.761E-02 .000 .7919 1.0361
4 1.2540 5.761E-02 .000 1.1319 1.3761
6 1.9960 5.761E-02 .000 1.8739 2.1181
2 0 -.9140 5.761E-02 .000 -1.0361 -.7919
4 .3400 5.761E-02 .000 .2179 .4621
6 1.0820 5.761E-02 .000 .9599 1.2041
4 0 -1.2540 5.761E-02 .000 -1.3761 -1.1319
2 -.3400 5.761E-02 .000 -.4621 -.2179
6 .7420 5.761E-02 .000 .6199 .8641
6 0 -1.9960 5.761E-02 .000 -2.1181 -1.8739
2 -1.0820 5.761E-02 .000 -1.2041 -.9599
4 -.7420 5.761E-02 .000 -.8641 -.6199
Based on observed means.

* The mean difference is significant at the .05 level.

Homogeneous Subsets
(a) Log Jumlah Ecoli
(b) Duncan
Lama Desinfeksi (Jam) N Subset
1 2 3 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 rata-
rata terletak pada sunset yang berbeda.
5.3. Analisis Regresi

Analisis Regresi dilakukan untuk mencari bentuk hubungan antara Lama Desinfeksi H2O2
(L) dengan Log jumlah E coli (Y), hal ini perlu dilakukan karena perlakuan bersifat kuantitatif
dengan bentuk persamaan : Y = o + 1L +2L2 + 3L3
Digunakan pangkat 3 atau derajat polinom kubik , karena L = 4 atau P = 4, derajat polinom p – 1 =
4–1=3

Kembali ke data SPSS, Klik Transform Gambar 2.5. Compute, maka muncul tampilan
Gambar 7.6 dibawah ini
Gambar 7.5. Compute Variable
Ketik LL pada Target Variable dan L*L pada Numeric Expression

Kelik OK
Kemudian LL diganti dengan LLL dan L*L diganti dengan L*L*L
Klik OK, maka diperoleh tampilan seperti Gambar 8.5

Gambar 8.5. Gambar. Data View Hasil transformasi
Setelah tampilan diatas muncul : Klik Analyze, pilih atau Klik Regression, lalu Klik Lenear,
maka muncul tampilan seperti dibawah ini.
Klik Lama Desinfksi (jam) , LL dan LLL pindahkan dengan tanda ►ke Indedent(s)
Klik Log Jumlah Ecoli pindahkan dengan tanda ►ke Dependent
Klik OK

Gambar 9.5. Kotak Dialog Linier Regression
Regression
Model Summary
Model R R Adjusted R Std. Error of the Estimate
Square Square
1 .994 .987 .985 9.109E-02
a Predictors: (Constant), LLL, Lama Desinfeksi (Jam), LL
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

Kemudian lengkapi Name dengan mengetik L dan Y
Lengkapi Label dengan mengetik Lama Desinfeksi (jam() dan Log Jumlah E coli
Gambar 10. 5. Kotak Dialog Variable View
Klik data View pojok kiri bawah, kemudian ketik pada Kolom L 0,1, sampai dengan 10.
Klik Transform , kemudin Klik Compute, maka muncul tampilan Gambar 11.5 :
Ketik Y pada Target Variable
Ketik 6.820 – 0763*L + 0.194*L*L – 0.02033*L*L*L pada Numeric Expression
Klik OK
Gambar 11. 5. Kotak Dialog Compute Variable
Bila muncul change existing variable Klik OK lagi , maka diperoleh hasil seperti dibawah ini.

Gambar 12. 5. Data View
Klik Graphs, kemudian pilih Line, Simple

Klik Difine, maka muncul tampilan Gambar 13. 5. dibawh ini
Gambar 13. 5. Kotak Dialog DefineSimple Line

Klik Othes statistic (e.g. mean))
Klik Log Jumlah E coli pindahkan dengan tanda ►ke Variable
Klik Lama Desinfeksi (jam) pindahkan dengan tanda ►ke Category Axis
Klik OK
Graph
7.00
6.00
Mean Log Jumlah E coli
5.00
4.00 Y = 6.820 – 0.763L + 0.194L2 - 0.02033L3
3.00
2.00
0 1 2 3 4 5 6 7 8
Lama Desinfeksi (jam)
Keterangan :
Semakin lama didesinfeksi nilai log jumlah bakteri E coli semakin menurun, penurunannya
mula-mula cepat kemudian lambat dan akhirnya bertambah cepat.

VI. RANCANGAN ACAK KELOMPOK (RAK)
Syarat :
Ada satu peuabah bebas yang disebut perlakukan
Ada satu peubah sampingan/pengganggu yang disebut kelompok
Model Matematis : Yij = µ + Ki + Pj + єij
i = 1, 2, 3,…………,k dan j = 1, 2, 3,…………,p
Disini :
Yij : Pengamatan Kelompok ke-i dan Perlakuan ke-j µ
: Rataan Umum
Ki : Pengaruh Kelompok ke-i Pj : Pengaruh Perlakuan ke-j dan
Єij : Galat Kelompok ke-i dan Perlakuan 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 :
Gambar 2.6. Kotak Dialog Variable Label
Ketik angka 1 pada Value dan A pada Value Label, kemudian Klik Add
Ketik angka 2 pada Value dan B pada Value Label, kemudian Klik Add
Ketik angka 3 pada Value dan C pada Value Label, kemudian Klik Add
Ketik angka 4 pada Value dan D pada Value Label, kemudian Klik Add
Kelik OK, kembali ke Gambar 1.6, kemudian Klik Data View pada pojok kiri bawah, maka
muncul Gambar 3.6, Salinlah data Tabel 3. sesuai dengan yang tampak pada Gambar 3.6.

Gambar 3.6. Data View

Std Deviation (Standar Deviasi). Dari hasil penelitian diharapkan rataannya berbeda antar
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

Klik OK
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 N Mean Std. Deviation

1 4 12.9575 2.0826
2 4 13.2500 2.3274
3 4 13.5000 2.6771
4 4 13.2075 3.2066
5 4 12.6000 2.8891
Total 20 13.1030 2.3897
6.2. Analisis Ragam

Analisis Ragam (Analisis Varian) dilakukan untuk menguji pengaruh perlakuan (jenis
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
muncul Gambar 5.6 seperti tampilan dibawah ini :
Klik Zona bakteri Koliform pindahkan dengan tanda ► ke Dependent Variable
Klik Kelompok pindahkan dengan tanda► ke Fixed Factor(s)
Klik Jenis Antibiotika pindahkan dengan tanda► ke Fixed Factor(s)
Gambar 5.6. Kotak Dialog Univariete
Klik Post Hoc, maka muncul Gambar 6.6 dibawah ini :

Klik JA dan pindahkan dengan tanda► ke Post Hoc Tests for
Kemudian Centang LSD dan Duncan
Klik Continu, maka kembali ketampilan diatasnya yaitu Gambar 5.6

Gambar 6.6. Kotak Dioalog Univaiate Post Hoc
Setelah kembali ke Gambar 5.6 Klik Paste, maka muncul Gambar 7.7 seperti tampilan
dibawah ini :
Gambar 7.7 Kotak Diolog Syntax
Perhatikan : /DESIGN = Kelompok JA
Jika tidak sama, mungkin pada Komputer tertulis :

/DESIGN = Kelompok JA Kelompok*JA, harus diganti
Klik ► untuk mendapatkan hasil analisisnya

Dependent Variable: Zona Bakteri Coliform

Squares
Corrected 94.264 7 13.466 11.347 .000
Model
Intercept 3433.772 1 3433.772 2893.342 .000
JA 92.407 3 30.802 25.954 .000
KELOMPOK 1.857 4 .464 .391 .811
Error 14.241 12 1.187
Total 3542.278 20
Corrected 108.506 19
Total
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.
Homogeneous Subsets

Zona Bakteri Coliform
Duncan
Jenis Antibiotika N Subset
1 2 3
D 5 10.0400
C 5 12.5000
B 5 13.9320
A 5 15.9400
Sig. 1.000 .060 1.000
Squares The error term is Mean Square(Error) = 1.187.
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
Oleh karena Jenis Antibiotika merupakan peubah kualitatik maka kita tidak bias melakukan
analisis regresi antara Jenis Antibiotika dengan Diameter Zona bakteri Coliform, hanya bias
digambar dalam bentuk grafik Histogram
Klik Graphs, kemudian pilih Bar, kemudian Simple
Klik Define, maka muncul tampilan dibawah ini :
Klik Zona Bakteri Koliform dan pindahkan dengan tanda►ke Variable
Klik Jenis Antibiotika dan pindahkan dengan tanda►ke Category Axis
Klik OK, maka diperoleh Gambar Histogram.

Graph
15
Mean Zona Bakteri Koliform
10
0
A B C D
Jenis Antibiotika

VII. RANCANGAN ACAK KELOMPOK SUB-SAMPLING
Jika Rancangan Acak Kelompok (RAK) kelompoknya terbatas dan perlakuannya tidak bias atau
tidak mungkin diperbanyak, maka hasil penelitiannya kurang dijamin kekonsistensinya atau
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 = µ + Ki + Pj + ijє

i = 1, 2, 3,…………,k dan j = 1, 2, 3,…………,p
Disini :
Yij : Pengamatan Kelompok ke-i dan Perlakuan ke-j
µ : Rataan Umum
Ki : Pengaruh Kelompok ke-i
Pj : Pengaruh Perlakuan ke-j dan
Єij : Galat Kelompok ke-i dan Perlakuan ke-j
Jika dilakukan pengulangan pada tiap kelompoknya, maka modelnya menjadi sebagai
berikut :
Model Matematis RAK Sub-Samling : Yijk = µ + Ki + Pj + єij + єijk

i = 1, 2, 3,…………,k j = 1, 2, 3,…………,p dan k = 1,2,.......u
Disini :
Yijk : Pengamatan Kelompok ke-i, Perlakuan ke-j dan ulangan ke-k
µ : Rataan Umum
Ki : Pengaruh Kelompok ke-i
Pj : Pengaruh Perlakuan ke-j dan
Єij : Galat Sampling Kelompok ke-i dan Perlakuan ke-j
Єijk : Galat Kelompok ke-i, Perlakuan ke-j dan Ulangan ke-k
Teladan 4.
Seorang peneliti ingin mengetahui pengaruh bahan pengawet terhadap pH daging ayam
Broiler yang diambil dari dua tempat penjualan karkas ayam Broiler . Untuk tujuan tersebut diteliti
4 macam dosis bahan pengawet yaitu 0, 5, 10 dan 15% dan dilakukan pengulangan sebanyak 5 kali
datanya disajikan dalam program SPSS sebagai berikut :

Tabel 4. Data pH Daging Ayam Broiler
Kelompok Ulangan Dosis Bahan Pengawet (j)
(i) (k) 0 5 10 15
1 1 7.43 6.52 6.19 5.93
1 2 7.47 6.59 6.22 5.90
1 3 7.42 6.62 6.31 5.98
1 4 7.46 6.65 6.38 5.98
1 5 7.48 6.66 6.34 5.75
2 1 7.58 6.78 6.46 6.02
2 2 7.74 6.74 6.41 6.05
2 3 7.68 6.72 6.45 6.18
2 4 7.85 6.78 6.51 6.13
2 5 7.82 6.79 6.52 6.03
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
Gambar 1.7. Kotak Diolog Varieble View
Klik Data View pada pojok kiri bawah Gambar 1.7, maka muncul Gambar 2.7
Masukkan atau saling data Tabel 4 , sesui dengan yang tampak pada Gambar 2.7


dalam hal ini ukuran pemusatan datanya adalah nilai mean (Rataan) dan ukuran penyebarannya
adalah Standar Deviasi (Std. Deviaton). Data hasil penelitian diharapkan rataannya berbeda antar

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
Gambar 3.7. Kotak Diolog Means
pH Daging Ayam Broiler * Dosis Bahan Pengawet

pH Daging Ayam Broiler
Dosis Bahan Pengawet N Mean Std. Deviation

0 10 7.5930 .1663
5 10 6.6850 9.168E-02
10 10 6.3790 .1140
15 10 5.9950 .1207
Total 40 6.6630 .6096
pH Daging Ayam Broiler * Kelompok (Tempat Penjualan)

Kelompok (Tempat Penjualan) N Mean Std. Deviation

1 20 6.5640 .5877
2 20 6.7620 .6300
Total 40 6.6630 .6096

7.2. Analisis Raqgam.
Analisis Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh Dosis Bahan
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
muncul Gambar 4.7. seperti tampilan dibawah ini :
Klik pH Daging Ayam Broiler pindahkan dengan tanda ► ke Dependent Variable
Klik Kelompok pindahkan dengan tanda► ke Rancom Factor(s)
Klik Dosis Bahan pengawewt pindahkan dengan tanda► ke Fixed Factor(s)
Gambar 4.7. Kotak Diolog Univariate
Klik Post Hoc, maka muncul Gambar 5.7, lalu Klik P dan pindahkan dengan tanda► ke
Post Hoc Tests for. Kemudian Klik Continue maka kembali ke Gambar 4.7

Gambar 5.7. Kotak Diolog Univariate Post Hoc
Setelah kembali atau muncul Gambar 4.7, lalu Klik Paste, maka muncul Gambar 6,7
Paste…………….…………Syntax-SPSS
Gambar 6.7. Kotak Diolog Syntax
Perhatikan uraian yang ada pada kotak diolog Gambar 6.7, terutama /DESIGN =
Kelompopk P Kelompok*P, kemungkinan tidak sama dengan apa yang tampat pada
Gambar 6.7. Ketik sesuaikan dengan yang tampak pada Gambar 6.7. , jika tidak
maka hasil analisisnya juga akan berbeda.
Jika sudah yakin sama, untuk menjalankan Program Klik tanda►

Dependent Variable: pH Daging Ayam Broiler
Dependent Variable: pH
Type III
Sum of Mean
Source Squares df Square F Sig.
Intercept Hypothesis 1775.823 1 1775.823 4529.698 .009
Error .392 1 .392(a)
P Hypothesis 13.923 3 4.641 566.883 .000
Error .025 3 .008(b)
Kelompok Hypothesis .392 1 .392 47.888 .006
Error .025 3 .008(b)
P* Hypothesis
.025 3 .008 1.679 .191
Kelompok
Error .156 32 .005(c)
a MS(Kelompok)
b MS(P * Kelompok)
c MS(Error)
Kesimpulan :
Bahan pengawet (P) berpengaruh sangat nyata (P<0,01) terhadap pH daging ayam
Broiler (Lihal Sig ,000).
Tempat penjualan karkas (Kelompok) berpengaruh sangat nyata (P<0,01)
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.
Post Hoc Tests
Dosis Bahan Pengawet
Homogeneous Subsets
(d) Duncan
Dosis Bahan Pengawet N Subset
1 2 3 4
15 10 5.9950
10 10 6.3790
5 10 6.6850
0 10 7.5930
Sig. 1.000 1.000 1.000 1.000

b Alpha = .05.
Kesimpulan :
Kesimpulan terjadi penurunan pH daging ayam Broiler yang nyata (P<0,05) dengan
semakin meningkatnya dosis bahan pengawet.

Analisis Regresi dilakukan untuk mencari bentuk hubungan antara Dosis Bahan Pengawet
(P) dengan pH daging ayam Broiler (Y.) Kita perhatikan perlakuan atau dosis bahan pengawet
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
Gambar 7.7 Kotak Dialog Compute Variable

Gambar 8.7 Data View Hasil Tranformsi
Klik Analyze, lalu Pilih Regressien, kemudian Klik Linear, maka muncul Gambar 9.7
Klik pH daging ayam Broiler, pindahkan dengan tanda► ke Dependent
Klik Dosis Bahan Pengawet (P), pindahkan dengan tanda► ke Independebt(s)
Klik PP, pindahkan dengan tanda► ke Independebt(s)
Klik PPP, pindahkan dengan tanda► ke Independebt(s)

Klik OK, maka diperoleh hasil analisisnya
Gambar 9.7. Kotak Dialog Linear Regressien
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 Sum of Squares df Mean Square F Sig.
1 Regression 13.923 3 4.641 291.777 .000
Residual .573 36 1.591E-02
Total 14.495 39
a Predictors: (Constant), PPP, Dosis Bahan Pengawet, PP
b Dependent Variable: pH Daging Ayam Broiler
Coefficients
Unstandardized Standardized t Sig.

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

Jadi persamaan Regresinya Y = 7.593 – 0.287P +0.02564P2 – 0.0009067P3
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 P dan Y pada Kolom Name, ketik angka 0 dan 2 pada kolom Decimals sesui yang
diinginkan. Pada Kolom Label ketik Dosis Bahan Pengawet dan pH Daging Ayam Broiler,
sesuikan dengan yang tampak pada Gambar 10.7.
Klik Data View, maka muncul Gambar 11.7, kemudian lengkapi datanya pada Kolom P dari
0 sampai 17 , sesuai dengan yang tampak pada Gambar 11.7, untuk mengisi Kolom Y, Klik
Transform, lalu pilih Compute, maka muncul gambar 12.7.
Gambar 11.7. Kotak Dialog Compute Variable

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

Klik Graphs, lalu pilih dan Klik Line, Klik Define, maka muncul Gambar 13.7

Gambar 13.7. Kotak Dialog Define Simple Line
Tantai atau Klik Other Statistic (e.g.mean)
Klik pH Daging Ayam Broiler, pindahkan dengan tanda► ke Variable
Klik Dosis Bahan Pengawet , pindahkan dengan tanda► ke Catagory Axis
Klik OK
Graph
8.00
7.50
Mean pH Daging Ayam Broiler
Y = 7.593 – 0.287P +0.02564P2 – 0.0009067P3

7.00
6.50
6.00
5.50
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Dosis Bahan Pengawet

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.
VIII. RANCANGAN BUJUR SANGKAR LATHIN (RBSL)
Rancangan Bujur Sangkar Lathin terdiri dari dua buah peubah pengganggu atau sampingan dan
sebuah peubah bebas, ketiga peubah tersebut tidak saling berinteraksi dan taraf atau level ketiga
peubah tersebut jumlahnya sama sehingga berbentuk bujur sangkar.
Syarat :
Terdapat satu peubah bebas yang disebut perlakukan.
Terdapat dua peubah sampingan yang disebut baris dan kolom
Ketiga peubah ini tidak saling berinteraksi.
Disebut Bujur Sangkar Lathin karena jumlah perlakuan sama dengan jumlah kolom dan jumlah
baris (Perlakuan = Baris = Kolom).
Model Matematisnya : Yij(k) = µ + Bi + Kj + є

Pk + ij(k)
i, j dan k 1, 2, 3,…………,a dan

Disini :
Yij(k) : Pengamatan Baris ke-i , Kolom kej dan Perlakuan ke-k
µ : Rataan Umum
Bi : Pengaruh Baris ke-i
Kj : Pengaruh Kolom ke-j dan
Pj : Pengaruh Perlakuan ke-k
єij(k): Pengaruh galat pada Baris ke-i , Pengaruh Kolom ke-j dan Pengaruh Perlakuan ke-k

Teladan 5.
Seorang peneliti ingin mengetahui pengaruh 4 jenis Suplementasi (penambahan) sumber
protein pakan kelinci terhadap jumlah sel darah merahnya. Kelinci yang dipakai percobaan
sebanyak 25 ekor dan dikelompokkan berdasarkan berat badan dan cara pengambilan darahnya :
Adapun pengelompokannya sebagai berikut :
Kelompok Berat Cara Pengambilan Darah (Kolom ke-j
(Baris ke-i 1 2 3 4 5
1 A B C D E
2 E A B C D
3 D E A B C
4 C D E A B
5 B C D E A
A, B, C, D dan E adalah Jenis Protein
Tabel 5. Data Sel darah Merah Kelinci.:

Kelompok Berat Cara Pengambilan Darah (Kolom ke-j
(Baris ke-i 1 2 3 4 5
1 A B C D E
5.39 5.63 5.93 6.26 6.33
2 E A B C D
6.32 5.38 5.64 5.95 6.28
3 D E A B C
6.24 6.35 5.36 5.61 5.94
4 C D E A B
5.91 6.27 6.38 5.35 5.80
5 B C D E A
5.62 5.93 6.28 6.37 5.40
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.

Gambar 2.8. Kotak Diolog Value Labels
Kitik angka 1 pada Value dan A pada Value Label, kemudian Klik Add
Kitik angka 2 pada Value dan B pada Value Label, kemudian Klik Add
Kitik angka 3 pada Value dan C pada Value Label, kemudian Klik Add
Kitik angka 4 pada Value dan D pada Value Label, kemudian Klik Add
Kitik angka 5 pada Value dan E pada Value Label, kemudian Klik Add
Klik OK, maka layer kembali ke Gambar 1.8.
Klik Data View, maka muncul Gambar 3.8.
Masukkan data Tabel 4. pada Kolom, Baris Protein dan Darah, seperti tampak pada
Gambar 3.8.

Std Deviation (Standar Deviasi) dari sel darah merah pada berat badan, cara pemeliharaan dan s
dan Suplemen Protein yang berbeda. Data hasil penelitian diharapkan rataannya berbeda antar
Suplemen protein yang diberikan (meningkat atau menurun) sedangkan standar deviasinya
diharapkan tidak begitu berbeda (homogen).
Klik : Analyze pada Gambar 3.8, pilih Compare Means, lalu Klik Means, maka muncul
Gambar 4.8.

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
Means
Sel Darah Merah * Berat Badan
Sel Darah Merah
Berat Badan N Mean Std. Deviation

1 5 5.9060 .4003
2 5 5.9140 .4063
3 5 5.9000 .4170
4 5 5.9020 .4359
5 5 5.9200 .4161
Total 25 5.9084 .3792
Sel Darah Merah * Cara Pengambilan Darah

Sel Darah Merah
Cara Pengambilan Darah N Mean Std. Deviation
1 5 5.8960 .3970
2 5 5.9120 .4132
3 5 5.9180 .4282
4 5 5.9060 .4279
5 5 5.9100 .4094
Total 25 5.9084 .3792
Sel Darah Merah * Suplementasi Protein

Sel Darah Merah
Suplementasi Protein Sum N Mean Std. Deviation
A 26.88 5 5.3760 2.074E-02

B 28.10 5 5.6200 1.581E-02
C 29.66 5 5.9320 1.483E-02
D 31.32 5 6.2640 1.817E-02
E 31.75 5 6.3500 2.550E-02
Total 147.71 25 5.9084 .3792
8.2. Analisis Ragam.
Analisis Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh

Suplementasi Protein (Protein) pakan kelinci terhadap sel darah merah kelinci,
apakah ada pengaruhnya atau tidak. Disamping itu juga untuk mengetahui apakah
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 :
Gambar 5.8. Kotak Diolog Univariate

Klik Sel Darah Merah pindahkan dengan tanda► ke kotak Dependent List
Klik Cara pengambilan Darah(Kolom) pindahkan dengan tanda► ke kotak Fixed Factor(s)
Klik Berat badan (Baris) pindahkan dengan tanda► ke kotak Fixed Factor(s)

Klik Suplementasi Protein (Protein) pindahkan dengan tanda► ke kotak Fixed Factor(s)
Klik Post Hoc, maka muncul Gambar 6.8
Gambar 6.8. Kotak Diolog Post Hoc

Klik Suplementasi Protein (Protein) pindahkan dengan tanda► ke kotak Post Hoc Tests for.
Berikan tanda V pada Duncan, kemudin Klik Continue, maka kembali ke Gambar 5.8
Klik Paste, maka muncul Gambar 7.8

Perhatikan /DESIGN = Kolom Baris Protein, kemungkinan pada Gambar 6.8. ada interaksinya
yaitu Kolom*Baris dan seterusnya, harus dihilangkan interaksinya jika tidak hasilnya akan berbeda.
Klik tanda ►untuk menjalankan Syntax, maka diperoleh hasil analisis sebagai berikut :

Dependent Variable: Sel Darah Merah
Squares
Corrected Model 3.446 12 .287 722.728 .000
Intercept 872.730 1 872.730 2196467.527 .000
BARIS 1.416E-03 4 3.540E-04 .891 .499
KOLOM 1.336E-03 4 3.340E-04 .841 .525
PROTEIN 3.443 4 .861 2166.453 .000
Error 4.768E-03 12 3.973E-04
Total 876.180 25
Corrected Total 3.451 24
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.
Post Hoc Tests

Suplementasi Protein
Homogeneous Subsets
Sel Darah Merah

Duncan
Suplementasi Protein N Subset
1 2 3 4 5
A 5 5.3760
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
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

8.3. Analisi Regresi.
Oleh karena perlakuan yaitu jenis Suplementasi Protein bersifat kualitatif, maka
tidak bisa melakukan analisis regresi, maka cukup digambar dengan grafik histogram.
Klik Graph pada Gambar 3.8, kemudian pilih dan Klik Bar, Klik Simple, lalu Klik
Define, maka muncul Gambar 7.8
Klik Other statistic (e.g.Mean)
Klik Sel Darah Merah, pindahkan dengan tanda► ke Kotak Variable
Klik Suplementasi Protein, pindahkan dengan tanda► ke Catagori Axis
Klik OK, maka muncul Grafik Histogram
Gambar 7.8. Kotak Diolog Define Simple Bar.
Graph

7.00
6.00
5.00
Mean Sel Darah Merah
4.00
3.00
2.00
1.00
0.00
A B C D E
Suplemtasi Protein
IX. RANCANGAN ACAK LENGKAP POLA FAKTORIAL AxB
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 :
Yijk = µ + Ai + Bj + ABij + єijk

i = 1, 2, 3,…………,a j = 1,2,3...........,b dan k =1.2.3,.......u
Disini :
Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf kej dan Ulangan ke-k
µ : Rataan Umum

Ai : Pengaruh Faktor A pada taraf ke-i
Bj : Pengaruh Faktor B pada taraf ke-j
ABij : Interaksi antara Faktor A dengan Faktor B
єijk : Pengaruh galat pada Faktor A taraf ke-i, Faktor B taraf ke-j dan ulangan ke-k
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.
Tabel 6. Data Log Angka Lempeng Total Bakteri (Log ALTB).:

Jenis Lama Ulangan (k)
Bawang Simpan
Putih (i) Hari (j) 1 2 3 4
0 6.0128 5.9868 6.1139 5.9494
Kontrol 3 7.3345 7.2833 7.1072 7.5051
6 8.2923 7.9513 8.3655 8.1703
9 9.8645 9.7292 10.064 9.7993
0 5.3541 5.1931 5.5416 5.2878
Lokal 3 6.1703 5.9754 5.9395 6.1206
6 7.7388 7.7482 7.8195 7.7559
9 8.7694 8.4843 8.6776 8.7126
0 5.4216 5.1075 5.1818 5.3139
Import 3 5.9782 5.7782 5.9243 5.8062
6 6.7619 6.8235 6.8136 6.7738
9 7.7910 7.7295 7.9405 7.7993
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.
Gambar 1.9. Kotak Diolog Variable View
Klik pada pojok kiri atas pada baris 1 yaitu Jenis, kolom Values, maka muncul Gambar 2.9.
Gambar 2.9 Kotak Diolog Value Labels

Ketik angka 1 pada kotak Value, ketik Kontrol pada kotak Value Label, kemudian Klik Add
Ketik angka 2 pada kotak Value, ketik Lokal pada kotak Value Label, kemudian Klik Add
Ketik angka 3 pada kotak Value, ketik Import pada kotak Value Label, kemudian Klik Add
Kelik OK, maka kembali ke Gambar 1.9, kemudian Klik Data View pada pojok kiri bawah,
maka muncul Gambar 3.9
Lengkapi atau salin data Tabel 6. seperti tertera pada Gambar 3.9.

Std Deviation (Standar Deviasi) dari Log ALTB pada jenis ekrtak bawang putih yang berbeda dan
lama simpan selama 9 hari.yaitu 0, 3, 6 dan 9 hari) .

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
Gambar 4.8. Kotak Diolog Mean
KLik OK, maka diperoleh hasil beriklut :
Means
Log. ALTB * Ekstrak Bawang Putih
Log. ALTB
Ekstrak Bawang Putih N Mean Std. Deviation
Kontrol 16 7.845588 1.451340
Bawang Putih Lokal 16 6.955544 1.367891
Bawang Putih Impor 16 6.434031 1.002393
Total 48 7.078388 1.391744
Log. ALTB * Lama Simpan (Hari)

Log. ALTB
Lama Simpan (Hari) N Mean Std. Deviation
0 12 5.538667 .371653
3 12 6.410233 .676908
6 12 7.584550 .620203
9 12 8.780100 .885003
Total 48 7.078388 1.391744
Analisis Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh Jenis Ekstrak
Bawang Putih dan Lama Penyimpanan(L) terhadap Log. ALTB daging sapi yang disimpan pada
suhu dingin, apakah ada pengaruhnya atau tidak. Disamping itu juga untuk menguji apakah
terdapat interaksi yang nyata antara Jenis ekstrak bawang putih dengan lama penyimpanan

(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 :
Gambar 5.9. Kotak Dialog Univariate
Klik Log ALTB, pindahkan dengan tanda► ke kotak Dependent List

Klik Jenis Ekstrak Bawang Putih (Ekstrak), pindahkan dengan tanda► ke kotak Fixed
Factor(s)
Klik Lama Simpan(L), pindahkan dengan tanda► ke kotak Fixed Factor(s)
Klik Ekstrak, pindahkan dengan tanda► ke kotak Post Hoc Test for
Klik L, pindahkan dengan tanda► ke kotak Post Hoc Test for
Berikan tanda V pada Duncan
Klik Continu, maka kembali ke Gambar 5.9.

Gambar 6.9. Kotak Diolog Univariate Post Hoc
Klik Paste, maka muncul Gambar 7.9

Perhatikan /DESIGN = Ekstrak L Ekstrak*L . bila tidak sama, harus disamakan dengan yang
tertera pada Gambar 7.9., jika tidak hasilnya akan berbeda.
Klik tanda ►untuk menjalankan Syntax, maka diperoleh hasil analisis sebagai beriku :

Dependent Variable: Log. ALTB

Source Type III Sum df Mean Square F Sig.
of Squares
Corrected Model 90.516 11 8.229 568.995 .000
Intercept 2404.971 1 2404.971 166297.434 .000
EKSTRAK 16.302 2 8.151 563.624 .000
L 71.630 3 23.877 1651.017 .000
EKSTRAK * L 2.584 6 .431 29.775 .000
Error .521 36 1.446E-02
Total 2496.008 48
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.
Post Hoc Tests
Ekstrak Bawang Putih
Homogeneous Subsets
Log. ALTB
Duncan
Ekstrak Bawang Putih N Subset
1 2 3
Bawang Putih Impor 16 6.434031
Bawang Putih Lokal 16 6.955544
Kontrol 16 7.845588
Sig. 1.000 1.000 1.000
b Alpha = .05.
Kesimpulan :
Hasil Uji Duncan pada Alpha 0,05 menunjukkan bahwa terdapat perbedaan yang nyata
(P,0,05) log jumlah ALTB antara ketiga jenis ekstrak bawang putih yang diberikan pada daging
sapi yang disimpan pada suhu dingin.
Homogeneous Subsets
Log. ALTB

Duncan
Lama Simpan (Hari) N Subset

1 2 3 4
0 12 5.538667
3 12 6.410233
6 12 7.584550
9 12 8.780100
Sig. 1.000 1.000 1.000 1.000
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, hal ini disebabkan karena lama
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

Klik Analyze, kemudian pilih Regression, lalu Linear, maka muncul Gambar 11. 9.
Klik Lama Simpan, pindahkan dengan tanda ►Independent(s)
Klik LL pindahkan dengan tanda ►Independent(s)
Klik LLL, pindahkan dengan tanda ►Independent(s)
Klik Log ALTB(Y1), pindahkan dengan tanda ►Dependent
Perhatikan Kotak Method, biasanya tertulis Enter, ganti atau pilih Stepwise
Kelik OK
Dengan cara yang sama Log ALTB Kontrol (Y1), diganti dengan Log ALTB Lokal(Y2), Klik
OK, selanjutnya diganti dengan Log ALTB Impor(Y3), Klik OK, maka diperoleh hasil
analisisnya. Ingat tampilan hasil analisis yang tidak penting telah di delete

Gambar 11.9. Kotak Diolog Linear Regression
Regression : Kontrol
Model Summary
1 .989 .978 .977 .220457
2 .992 .985 .983 .191427
3 .996 .992 .990 .146133
a Predictors: (Constant), Lama Simpan (Hari)
b Predictors: (Constant), Lama Simpan (Hari), LLL
c Predictors: (Constant), Lama Simpan (Hari), LLL, LL
ANOVA
1 Regression 30.915 1 30.915 636.101 .000
Residual .680 14 4.860E-02
Total 31.596 15
2 Regression 31.119 2 15.560 424.615 .000
Residual .476 13 3.664E-02
Total 31.596 15
3 Regression 31.340 3 10.447 489.189 .000
Residual .256 12 2.135E-02
Total 31.596 15
b Predictors: (Constant), Lama Simpan (Hari), LLL
c Predictors: (Constant), Lama Simpan (Hari), LLL, LL
d Dependent Variable: Log. ALTB

Coefficients Unstandardize Standardized T Sig.
d Coefficients Coefficients
1 (Constant) 5.981 .092 64.849 .000
Lama Simpan (Hari) .414 .016 .989 25.221 .000
2 (Constant) 6.085 .091 66.533 .000
Lama Simpan (Hari) .342 .034 .815 10.050 .000
LLL 9.193E-04 .000 .191 2.360 .035
3 (Constant) 6.016 .073 82.332 .000
Lama Simpan (Hari) .630 .093 1.503 6.740 .000
LLL 7.324E-03 .002 1.525 3.631 .003
LL -8.839E-02 .028 -1.981 -3.211 .007
a Dependent Variable: Log. ALTB
Persamaan Garis Regresi Kontrol (Tanpa Bawang Putih) :
Y1 = 6.016 + 0.630L – 0.08839L2 + 0.007324L3
R = 0.996
Regression : Bawang Putih Lokal
Model Summary
1 .985 .970 .967 .247009
(f) ANOVA
1 Regression 27.213 1 27.213 446.013 .000
Residual .854 14 6.101E-02
Total 28.067 15
b Dependent Variable: Log. ALTB
Coefficients
Unstandardized Standardized T Sig.
1 (Constant) 5.206 .103 50.380 .000
Lama Simpan .389 .018 .985 21.119 .000
(Hari)
Persamaan Garis Regei Bawang Putih local : Y2 = 5.206 + 0.389L
R = 0.985
Regression pada Ekstrak Bawang Putih Import
Model Summary
1 .990 .981 .980 .142839
2 .996 .992 .991 9.63018E-02

b Predictors: (Constant), Lama Simpan (Hari), LL
ANOVA
1 Regression 14.786 1 14.786 724.721 .000
Residual .286 14 2.040E-02
Total 15.072 15
2 Regression 14.952 2 7.476 806.099 .000
Residual .121 13 9.274E-03
Total 15.072 15
b Predictors: (Constant), Lama Simpan (Hari), LL
c Dependent Variable: Log. ALTB
Coefficients
Unstandardized Std. Error Standardized T Sig.
Model B Beta
1 (Constant) 5.144 .060 86.091 .000
Lama Simpan .287 .011 .990 26.921 .000
(Hari)
2 (Constant) 5.246 .047 111.776 .000
Lama Simpan .185 .025 .639 7.365 .000
(Hari)
LL 1.129E-02 .003 .366 4.219 .001
Persamaan Garis Regresi Bawang Putih Import : Y 3 = 5..246 + 0.185L + 0.01129L 2
R = 0.992
Setelah kita peroleh persamaan garis regresi yaitu Y1, Y2 dan Y3, maka kita
menggambar ketiga persamaan tersebut, dengan langkah sebagai berikut :
Kita buat data buat Data View seperti Gambar 13.9, ketik data pada kolom L angka 0 – 9,.
Klik Tranform, kemudian pilih dan Klik Compute, maka muncul Gambar 12.9
Ketik Yi pada kotak Target Variable, dan ketik 6.016 + 0.630*L – 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

Untuk bisa menggambar dalam satu Grafik, maka kita gabung saja Y1, Y2 dan Y3 menjadi
Y pada satu Kolom, dan diletakkan sesuai dengan jenis ekstrak bawang putih (Kolom
Eklstrak) yaitu Y1 pada Estrak 1, Y2 pada ekstrak 32 dan Y3 pada estrak 3, seperti
tampak pada Gambar 13.9

Klik Graphs, pilih dan Klik Line, Klik Mutiple, Klik Difine, maka muncul Gambar 14.9.
tandai atau Klik Other statistic (e.g. mean).
Klik Log ALTB (Y), dan pindahkan dengan tanda ►ke Variable
Klik Lama Simpan (L), dan pindahkan dengan tanda ►ke Catagori Axis
Klik Jenis Ekstrak Bawang Putih (Ekstrak), dan pindahkan dengan tanda ►ke Define
Lines by

Gambar 14.9 Kotak Dialog Define Multiple Line
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
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.
Yijk = µ + Ai + Bj + Kk + ABijk+ єijk

i = 1, 2, 3,…………,a j = 1,2,3...........,b dan k =1.2.3,.......u
Disini :
Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf kej dan kelompok ke-k
µ : Rataan Umum
Bj : Pengaruh Faktor B pada taraf ke-j
Kk : Pengaruh Kelompok ke-k
ABij : Interaksi antara Faktor A dengan Faktor B
єijk : Pengaruh galat pada Faktor A taraf ke-i, Faktor B taraf ke-j dan kelompok ke-k
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.

Tabel 7. Jumlah Bakteri E. Coli (Data Transformasi Log Y.
Konsentrasi LamaDesinfeksi Kelompok (k)
Hidrogen Peroksida (i) Dalam Jam (j) 1 2 3
0 7.4150 7.4314 7.3502
0,00% 2 7.9325 7.9754 8.000
4 8.8739 8.9106 8.8909
6 8.8954 9.0645 8.9031
0 7.2041 6.9912 7.0828
0,15% 2 6.6355 6.7559 6.7796
4 5.8921 6.0170 5.8129
6 4.9243 5.0864 5.0964
0 6.8808 6.8692 6.7482
0,30% 2 5.7853 5.7110 6.0792
4 5.6191 5.5105 5.5775
6 4.7324 4.7993 4.8573
0 5.9243 6.2833 5.7882
0,45% 2 5.6821 5.6721 5.3010
4 4.7324 4.8056 4.7655
6 4.1367 4.3054 4.3304
Memasukkan data melalui Programe …SPSS for Windows-..SPSS 13.0 for

Windows
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 Peroksida, Lama Lama Desinfeksi(jam(, Kelompok dan Log. Jumlah E. coli
seperti tampak pada Gambar 1.10.

Klik Data View, maka munncul Gambar 2.10
Salinlah data Tabel 7 pada Kolom K, L Kelompok dan Ecoli seperti pada Gambar 2.10.


10.1.Analisis Deskriptif
Analisis deskripif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data,
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
Gambar 3.10 Kotak Dialog Mean

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

Lama Desinfeksi (Jam) N Mean Std. Deviation
0 12 6.830725 .557566
2 12 6.525800 .987893
4 12 6.284000 1.631727
6 12 5.760967 1.949604
Total 48 6.350373 1.403742
Log. Jumlah E. coli * Kelompok

Log. Jumlah E. coli
Kelompok N Mean Std. Deviation
1 16 6,329119 1,447483
2 16 6,386800 1,433299
3 16 6,335200 1,422150
Total 48 6,350373 1,403742
Analisis Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh Konsentrasi

Hidrogen Peroksida dan Lama Desinfeksi terhadap Log. Jumlah E coli air limbah RPH
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

Gambar 4.10 Kotak Dialog Univariate
Klik Log Jumlah E coli, pindahkan dengan tanda ►ke Dependent Variable
Klik Kelompok, pindahkan dengan tanda ►ke Fixed Factor*s)
Klik Konsentrasi Hidrogen Peroksida, pindahkan dengan tanda ►ke Fixed Factor*s)
Klik Lama Desinfeksi, pindahkan dengan tanda ►ke Fixed Factor*s)
Klok Post Hoc, maka muncul Gambar 5.10
Gambar 5.10. Kotak dialog Univariate Post Hoc

Klik K, pindahkan dengan tanda ►Post Hoc Tests for
Klik L, pindahkan dengan tanda ►Post Hoc Tests for
Tandai dengan tanda V pada Kotak Duncan
Klik Continu, maka layar kembali ke Gambar 4.10, kemudian Klik Paste, maka muncul
Gambar 6.10
Gambar 6.10 Kotak Dialog Syntax
Perhatikan /DESIGN = Kelompok K L K*L, mungkin di lahar anda akan muncul tidak
seperti Gambar 6.10., sesuaikan dengan gambar tersebut.
Klik tanda ►untuk menjalankan program, maka diperoleh hasil analisisnya
(g) Tests of Between-Subjects Effects

Dependent Variable: Log. Jumlah E. coli
Squares
Corrected Model 92.195 17 5.423 389.331 .000
Intercept 1935.707 1 1935.707 138962,990 .000
KELOMPOK 3.214E-02 2 1.607E-02 1.154 .329
K 67.680 3 22.560 1619.554 .000
L 7.360 3 2.453 176.119 .000
K*L 17.124 9 1.903 136.589 .000
Error .418 30 1.393E-02
Total 2028.320 48

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
b Alpha = .05.
Lama Desinfeksi (Jam)

Homogeneous Subsets
Log. Jumlah E. coli

Duncan
Lama Desinfeksi (Jam) N a. Subset
1 2 3 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
b Alpha = .05.

Kesimpulan Uji Duncan :
Makin tinggi Konsentrasi Hidrogen Peoksida yang diberikan terjadi penurunan
jumlah bakteri E. coli yang nyata (P>0,05).
Makin lama waktu Desinfeksi terjadi penurunan jumlah bakteri E coli yang nyata
(P<0,05).
Kedua uji Duncan tersebut diatas dilakukan pada Alpha 0,05, sehingga disimpulkan
nyata (P<0,05), uji Duncan juga bisa dilakukan pada Alpha 0,01 dan disimpulkan sangat
nyata (P<0,01).
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.

Ketik KK pada Target Variable dan L*L pada Numeric Expression, Klik OK
Denan cara yang sama :
Ketik KKK pada Target Variable dan K*K*k pada Numeric Expression, Klik OK
Ketik LL pada Target Variable dan L*L pada Numeric Expression, Klik OK
Ketik LLL pada Target Variable dan L*L*L pada Numeric Expression, Klik OK
Ketik KL pada Target Variable dan K*L pada Numeric Expression, Klik OK
Ketik KLL pada Target Variable dan K*L*L pada Numeric Expression, Klik OK
Ketik KLLL pada Target Variable dan K* L*L pada Numeric Expression, Klik OK
Ketik KKL pada Target Variable dan K* K*L pada Numeric Expression, Klik OK
Ketik KKLL pada Target Variable dan K*K*L*L pada Numeric Expression, Klik OK
Ketik KKLLL pada Target Variable dan K*K* L*L pada Numeric Expression, Klik OK
Ketik KKKL pada Target Variable dan K*K* K*L pada Numeric Expression, Klik OK
Ketik KKKLL pada Target Variable dan K* K*K*L*L pada Numeric Expression, Klik OK
Ketik KKKLLL pada Target Variable dan K*K*K* L*L pada Numeric Expression,
Klik OK, maka tampak seperti Gambar 8.10
Ingat Kolom Decimals ketik angka 0


Klik Analyze, pilih Regression, kemudian Lenear, maka muncul Gambar 9.10
Gambar 10.10 Linear Regression
Klik Log Jumlah E coli, kemudian dengan tanda ► ke kotak Dependent
Klik Konsentrasi Hidrogen Peroksida (K), Lama Desinfeksi (L), KK, KKK, LL, LLL, KL,
KLL, KLLL, KKL, KKLL, KKLLL, KKKL, KKKLL, KKKLLL, kemudian dengan tanda
► ke kotak Independent(s)
Pilih atau Klik Stepwise pada kotak Method
Klik Ok maka diperoleh hasil analisisnya (dalam tampilan hasil analisis sebagian yang
dianggap tidak penting telah di delete)
Regression
Model Summary
1 .816 .666 .659 .820303
2 .895 .801 .792 .640095
3 .951 .905 .899 .447104
4 .972 .945 .940 .342850
5 .991 .983 .981 .194701
6 .993 .985 .983 .183035
7 .992 .985 .983 .183046
8 .993 .987 .985 .173676
9 .994 .989 .987 .159845

ANOVA
Model Sum of df Mean Square F Sig.

Squares
1 Regression 61.660 1 61.660 91.633 .000
Residual 30.953 46 .673
Total 92.613 47
2 Regression 74.176 2 37.088 90.519 .000
Residual 18.437 45 .410
Total 92.613 47
3 Regression 83.817 3 27.939 139.764 .000
Residual 8.796 44 .200
Total 92.613 47
4 Regression 87.559 4 21.890 186.222 .000
Residual 5.054 43 .118
Total 92.613 47
5 Regression 91.021 5 18.204 480.216 .000
Residual 1.592 42 3.791E-02
Total 92.613 47
6 Regression 91.240 6 15.207 453.902 .000
Residual 1.374 41 3.350E-02
Total 92.613 47
7 Regression 91.206 5 18.241 544.418 .000
Residual 1.407 42 3.351E-02
Total 92.613 47
8 Regression 91.376 6 15.229 504.898 .000
Residual 1.237 41 3.016E-02
Total 92.613 47
9 Regression 91.591 7 13.084 512.102 .000
Residual 1.022 40 2.555E-02
Total 92.613 47
a Predictors: (Constant), KL
b Predictors: (Constant), KL, Konsentrasi Hidrogen Peroksida
c Predictors: (Constant), KL, Konsentrasi Hidrogen Peroksida, KKL
d Predictors: (Constant), KL, Konsentrasi Hidrogen Peroksida, KKL, Lama
Desinfeksi (Jam)
e Predictors: (Constant), KL, Konsentrasi Hidrogen Peroksida, KKL, Lama
Desinfeksi (Jam), KKKL
f Predictors: (Constant), KL, Konsentrasi Hidrogen Peroksida, KKL, Lama
Desinfeksi (Jam), KKKL, KK
g Predictors: (Constant), KL, KKL, Lama Desinfeksi (Jam), KKKL, KK
h Predictors: (Constant), KL, KKL, Lama Desinfeksi (Jam), KKKL, KK, LLL
i Predictors: (Constant), KL, KKL, Lama Desinfeksi (Jam), KKKL, KK, LLL, KLLL
j Dependent Variable: Log. Jumlah E. coli
Penuntum Praktikum Rancangan Percobaan dengan SPS-100

Coefficients
Unstandardiz Standardi
ed Std. Error zed t Sig.
Model Coefficients Coefficie
nts
B Beta
1 (Constant) 7.302 .155 47.237 .000
KL -1.409 .147 -.816 -9.573 .000
2 (Constant) 7.836 .155 50.687 .000
KL -.900 .147 -.521 -6.114 .000
Konsentrasi Hidrogen Peroksida -3.903 .706 -.471 -5.527 .000
3 (Constant) 8.174 .118 69.000 .000
KL -2.834 .297 -1.641 -9.547 .000
KKL 5.014 .722 1.239 6.945 .000
4 (Constant) 7.584 .139 54.736 .000
KL -3.898 .296 -2.257 -13.186 .000
KKL 6.129 .588 1.515 10.427 .000
Lama Desinfeksi (Jam) .222 .039 .357 5.642 .000
5 (Constant) 7.584 .079 96.385 .000
KL -7.251 .389 -4.198 -18.643 .000
KKL 27.529 2.264 6.803 12.160 .000
KKKL -31.704 3.317 -3.488 -9.557 .000
6 (Constant) 7.471 .086 86.699 .000
KL -7.735 .412 -4.479 -18.783 .000
Konsentrasi Hidrogen Peroksida -.925 .923 -.112 -1.002 .322
KKL 28.605 2.170 7.069 13.184 .000
KKKL -31.704 3.119 -3.488 -10.166 .000
KK -5.018 1.965 -.285 -2.554 .014
7 (Constant) 7.412 .063 118.548 .000
KL -7.933 .361 -4.593 21.960 .000
KKL 29.009 2.132 7.169 13.607 .000
KKKL -31.704 3.119 -3.488 10.165 .000
KK -6.906 .561 -.392 12.301 .000
8 (Constant) 7.357 .064 115.537 .000
KL -7.933 .343 -4.593 -23.145 .000
KKL 29.009 2.023 7.169 14.341 .000
KKKL -31.704 2.959 -3.488 -10.714 .000
KK -6.906 .533 -.392 -12.965 .000
LLL -1.638E-03 .001 -.102 -2.378 .022
9 (Constant) 7.298 .062 117.762 .000
KL -8.236 .332 -4.769 -24.782 .000
KKL 28.850 1.862 7.130 15.490 .000
KKKL -31.704 2.724 -3.488 -11.641 .000
KK -6.164 .553 -.349 -11.145 .000
LLL -4.073E-03 .001 -.254 -3.870 .000
KLLL 1.082E-02 .004 .212 2.899 .006
a Dependent Variable: Log. Jumlah E. coli

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 buat Data View seperti
Gambar 8.10. dengan Kolom diisi dengan K, L dan Y, pada K dan Y datanya diisi seperti
Gambar 11.10.

Gambar 11. 10 Compute Variable.
Sebelum ditampilkan dalam bentuk Grafik , definisikan dulu Variabelnya seperti tampak
pada Gambar 12.10, sehingga grafiknya tampak lebih menarik,
Gambar 12.10. Kotak Dialog Variable View dan Value Label

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
Gambar 13.10. Kotak Dialog Define Multiple Line

Graph
Dari Grafik diatas dapat disimpul;kan bahwa :

Makin tinggi konsentrasi Hidrogen Peroksida yang diberikan jumlah bakteri E coli semakin
menurun.
Semakin lama waktu Desinfeksi yang diberikan Hidrogen Peroksida jumlah E coli-nya
semakin menurun, sedangkan yang tidak diberikan Hidrogen Peroksida (0,00) jumlah E coli-nya
semakin meningkat.

XI. RANCANGAN ACAK LENGKAP POLA TERSARANG
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.
Yijk = µ + Ai + Bj(i) + єijk

i = 1, 2, 3,…………,a j = 1,2,3...........,b dan k =1.2.3,.......u
Disini :
Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf ke-j dan ulangan ke-k
µ : Rataan Umum

Bj(i) : Pengaruh Faktor B pada taraf ke-j pada Ai
єijk : Pengaruh galat pada Faktor A taraf ke-i, Faktor B taraf ke-j dan Ulangan ke-k
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 Lama Simpan Ulangan (k)
(i) (j) 1 2 3 4
0 hari 7.43 7.47 7.42 7.46
Dingin 4 hari 6.52 6.59 6.62 6.65
8 hari 6.19 6.22 6.31 6.68
0 bulan 7.58 7.74 7.68 7.85
Beku 1 bulan 6.78 6.74 6.72 6.78
2 bulan 6.46 6.41 6.45 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

Gasmbar 1.11. Kotak Dialog Variabele View
Klik pada Kolom Value pada baris 1, maka muncul Gamabr 2.11 atas
Ketik anggak 1 kotak Value dan Dingin Value Label, kemudian Klik Add
Ketik anggak 2 kotak Value dan Beku Value Label, kemudian Klik Add
Klik OK
Klik pada Kolom Value pada baris 1, maka muncul Gamabr 2.11 bawah
Ketik anggak 1 kotak Value dan 0 Jam/0 Hari Value Label, kemudian Klik Add
Ketik OK
Gambar 2.11. Kotak dialog Value Label

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.
Gamabar 3.11. Data View

11.1. Analisis Deskriptif
Std Deviation (Standar Deviasi) dari pH daging ayam pada Suhu penyimpanan suhu dingin dan
suhu beku serta lama penyimpanan yang berbeda.
Klik : Analyze , pilih Compare Means, lalu Klik Means, maka muncul Gambar 4.11.
Klik pH Daging, pindahkan dengan tanda► ke kotak Dependent List
Klik Suhu, pindahkan dengan tanda► ke kotak Independent List
Klik Lama Penyimpanan, pindahkan dengan tanda► ke kotak Independent List
Gamabar 4.11. Kotak Dialog Mean
Means
pH * Suhu
pH
Suhu N Mean Std. Deviation
Dingin 12 6.7967 .5051
Beku 12 6.9750 .5630
Total 24 6.8858 .5309
pH * Lama
pH
Lama N Mean Std. Deviation
o jam/0 hari 8 7.5788 .1617
4 jam/ 1 hari 8 6.6750 9.502E-02
8 jam/2hari 8 6.4037 .1609
Total 24 6.8858 .5309

Analisis Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh Suhu Penyimpanan
dan Lama Penyimpanan pada suhu Dingin dan Suhu Beku terhadap pH daging ayam, apakah ada
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 :
Gamabar 5.11. Kotak Dialog Univaiate
Klik pH Daging, pindahkan dengan tanda ►ke Dependent Variable

Klik Suhu, pindahkan dengan tanda ►ke Fixed Factor(s)
Klik Lama Penyimpanan, pindahkan dengan tanda ► ke Fixed Factor(s)
Klik Options, maka muncul Gambar 6.11

Gambar 6.11. Univarate Options
Klik Suhu*Lama, pindahkan dengan tanda ►ke Display Means for
Klik Contionue, maka kembali ke Gambar 5.11.
Klik Paste, maka muncul Gambar 7.11.
Gamabar 7.11 Dialog Syntax

Perhatikan /DESIGN + Suhu Suhu*Lama. , periksa yang tampak pada layer computer
apakah sudah sesuai, jika belum sesuaikan
Klik tanda ►untuk menjalankan Syntax, maka diperoleh hasil nalisis dibawah ini :


Source Type III Sum of Squares df Mean Square F Sig.
Corrected Model 6.273 5 1.255 107.517 .000
Intercept 1137.953 1 1137.953 97515.595 .000
SUHU .191 1 .191 16.352 .001
SUHU * LAMA 6.083 4 1.521 130.309 .000
Error .210 18 1.167E-02
Total 1144.436 24
Kesimpulan :
Suhu Penyimpanan berpengaruh sangat nata (P<0,01) terhadap pH Daging (lihat
Sig 0,001<0,01). Jadi rata-rta pH daging yang disimpan pada suhu dingin berbeda sangat
nyata (P<0,01) dibandingkan dengan yang disimpan pada suhu beku.
Lama penyimpanan berpengaruh sangat nyata (P<0,01) papa suhu dingan dan
suhu beku (liaht SUHU*LAMA Sig. 0,000<0,01).
Estimated Marginal Means

Suhu * Lama
95% Confidence Interval
Suhu Lama Mean Std. Error Lower Bound Upper Bound
Dingin 0 hari/0 bulan 7.445 .054 7.332 7.558
4 hari 1 bulan 6.595 .054 6.482 6.708
8 hari /2 bulan 6.350 .054 6.237 6.463
Beku 0 hari/0 bulan 7.713 .054 7.599 7.826
4 hari 1 bulan 6.755 .054 6.642 6.868
8 hari /2 bulan 6.457 .054 6.344 6.571
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)).

Analisis reresi diperlukan untuk mencari hubungan antara Lama penyimpanan pada suhu
Dingin dan suhu Beku dengan pH daging ayam. Oleh karena suhu dingin disimpan pada 0, 4, dan
8 hari, sedangkan pada suhu beku disimpan pada 0, 1 dan 2 bulan, maka analisis regresi dilakukan
secara terpisah pada kedua suhu tersebut
Persamaan garis Regresi dugaannya sebagai berikut :
Suhu Dingin : Y1 = o + 1D + 2D2
Suhu Beku : Y2 = o + 1B + 2B2
Kita kembali ke Vareible View Gambar 8.11., Ketik pada Name D, B, Y1 dan Y2, pada
Kotak Decimals Ketik 0, 0, 2 dan 2, pada Kolom Label Ketik Lama Simpan (Hari) pada Suhu
Dingin, Lama Simpan (Bulan) pada Suhu Beku, pH Daging Ayam dan pH Daging Ayam

Klik Data View pada pojok kiri bawah, maka muncul gambar 9.11

Lengkapi Gambar 7.11, Kolom D, B, Y1 dan Y2 dengan Data seperti tampak pada gambar
tersebut
Klik Transform, Klik Compute, maka muncul Gambar 8.11

Untuk melangkapi Kolom DD dan BB, maka lakukan prosedur sebagai berikut :
Ketik BB pada Target Variable dan B*B pada Numeric Expression, lalu Klik OK
Ketik DD pada Target Variable dan D*D pada Numeric Expression, lalu Klik OK
Klik Analisis, pilih Regession, Klik Linear, maka muncul Gambar 9.11.
Gambar 9.11. Linear Regression

Klik pH Daging Ayam(Y1), pindahkan dengan tanda ►ke kotak Dependent

Klik Lama Simpan (Hari), pindahkan dengan tanda ►ke kotak Independent(s)
Klik DD, pindahkan dengan tanda ►ke kotak Independent(s)
Klik OK
Dengan cara yang sama seperti diatas :
Klik pH Daging Ayam(Y2), pindahkan dengan tanda ►ke kotak Dependent
Klik Lama Simpan (Bulan), pindahkan dengan tanda ►ke kotak Independent(s)
Klik BB, pindahkan dengan tanda ►ke kotak Independent(s)
Klik Ok, maka diperoleh hasil analisis sebagai berikut :
Regression pada Suhu Dingin
Model Summary
Mod
el R R Square Adjusted R Square Std. Error of the Estimate
1 .924(a) .855 .840 .20199
2 .970(b) .942 .929 .13499
a Predictors: (Constant), Lama Simpan (Hari) pada Suhu Dingin
b Predictors: (Constant), Lama Simpan (Hari) pada Suhu Dingin, DD
ANOVA
1 Regression 2.398 1 2.398 58.773 .000
Residual .408 10 4.080E-02
Total 2.806 11
2 Regression 2.642 2 1.321 72.496 .000
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
Coefficients
Model Coefficients Std. Error Coefficients
B Beta
1 (Constant) 7.344 .092 79.657 .000
Lama Simpan -.137 .018 -.924 -7.666 .000
(Hari) pada
Suhu Dingin
2 (Constant) 7.445 .067 110.305 .000
Lama Simpan -.288 .043 -1.946 -6.698 .000
(Hari) pada
Suhu Dingin
DD 1.891E-02 .005 1.063 3.659 .005
a Dependent Variable: ph Daging Ayam
Jadi persamaannya Y1 = 7.445 - 0.288D + 0.01991D2

Regression pada Suhu Beku
Model Summary
1 .951 .903 .894 .1834
2 .993 .987 .984 7.153E-02
a Predictors: (Constant), Lama Penyimpanan(Bulan) pada Suhu Beku
b Predictors: (Constant), Lama Penyimpanan(Bulan) pada Suhu Beku, BB
ANOVA
1 Regression 3.150 1 3.150 93.626 .000
Residual .336 10 3.364E-02
Total 3.487 11
2 Regression 3.440 2 1.720 336.200 .000
Residual 4.605E-02 9 5.117E-03
Total 3.487 11
a Predictors: (Constant), Lama Penyimpanan(Bulan) pada Suhu Beku
b Predictors: (Constant), Lama Penyimpanan(Bulan) pada Suhu Beku, BB
c Dependent Variable: pH Daging Ayam
Coefficients
Model Coefficients Std. Error Coefficients
B Beta
1 (Constant) 7.603 .084 90.806 .000
Lama -.628 .065 -.951 -9.676 .000
Penyimpana
n(Bulan)
pada Suhu
Beku
2 (Constant) 7.713 .036 215.641 .000
Lama -1.288 .091 -1.950 -14.120 .000
Penyimpana
n(Bulan)
pada Suhu
Beku
BB .330 .044 1.041 7.534 .000
a Dependent Variable: pH Daging Ayam
Jadi persamaannya Y 2 = 7.713 - 1.288B + 0.330B2
Untuk menggambar kedua persamaan garis regresi diatas, maka kita kembali ke Data
View Gambar 7.11. Dengan mengganti data pada Kolom D dan B (ingat Decimal diganti
dari 0 menjadi 2), seperti tampak pada Gambar 10.11.

Gambar 10.11.
Sedangkan untuk mengisi Kolom Y1 dan Y2, Klik Tranform, lalu Klik Compute,
maka muncul gambar 11.11.

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
Gambar 12.11. Kotak Dialog Define Simple Line
Dengan cara yang sama :

Klik pH Daging Ayam (Y2), pindahkan dengan tanda ►ke kotak Variable
Klik Lama Penyimpanan (Bulan), pindahkan dengan tanda ►ke Category Axis
Klik OK, maka diperoleh Gambar Grafik dibawah ini :

Graph
7.60
7.40
Mean ph Daging Ayam
7.20
Y1 = 7.445 - 0.288D + 0.01991D2

7.00
6.80
6.60
6.40
0 1 2 3 4 5 6 7 8
Lama Simpan (Hari) pada Suhu Dingin
7.60
7.40
Mean ph Daging Ayam
7.20
Y 2 = 7.713 - 1.288B + 0.330B2

7.00
6.80
6.60
6.40
0 1 2 3 4 5 6 7 8
Lama Simpan (Hari) pada Suhu Dingin
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.

X.II. RANCANGAN ACAK KELOMPOK POLA TERSARANG
Rancangan Acak Kelompok Pola Tersarang adalah rancangan percobaan dengan materi tidak
homogen atau ada peubah pengganggu, terdiri dari dua peubah bebas atau faktor dalam klasfikasi
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 setrusnya).
Rancangan ini seolah-olah terdiri dari dua atau lebih Rancangan Acak Lengkap yang responsnya
sama kemudian digabung menjadi satu model percobaan.
Yijk = µ + Ai + Bj(i) + Kk + єijk

i = 1, 2, 3,…………,a j = 1,2,3...........,b dan k =1.2.3,.......u
Disini :
Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf kej dan ulangan ke-k
µ : Rataan Umum, Ai : Pengaruh Faktor A pada taraf ke-i

Bj(i) : Pengaruh Faktor B pada taraf ke-j pada Ai
Kk : Pengaruh Kelompok ke-k.
єijk : Pengaruh galat pada Faktor A taraf ke-i, Faktor B taraf ke-j dan kelompok 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 Jenis Panelis (k)
(i) (j) 1 2 3
Itik 1 5.5 5.5 5.4
2 6.6 6.5 6.7
3 6.6 6.2 6.6
Ayam Buras 1 6.7 6.8 6.7
2 5.4 5.5 5.4
3 4.5 4.2 4.5
Ayam Briler 1 7.5 7.8 7.6
2 8.1 8.3 8.6
3 6.6 6.4 6.5

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 dan Citarasa seperti tampak pada Gambar 1.12. Setelah kolom tersebut
dilengkapi, kemudian Klik pada pojok kiri atas Kolom Values baris 1 (Unggas), maka
muncul Gambar 2.12.
Gambar 1.12. Kotak dialog Variable View
Gambar 2.12. Kotak Dialog Value Label
Ketik angka 1 pada kotak Value dan Itik pada kotak Value Label, lalu Klik Add
Ketik angka 2 pada kotak Value dan Ayam Buras pada kotak Value Label, lalu Klik Add
Ketik angka 3 pada kotak Value dan Ayam broiler pada kotak Value Label, lalu Klik Add
Klik OK, maka layar kembali ke Gambar 1.12, lalu Klik Data View pda pojok ,kiri bawah,
cul Gambar 3.12.
Salinlah data pada Tabel 9. pada kolom Unggas, Jenis, Panelis dan Cita Rasa, sesui dengan
yang tampak pada Gambar 3.12.

12.1. Analisis Deskriptif
Std Deviation (Standar Deviasi). dari Citarasa olahan daging Itik, ayam buras dan ayam Broiler
serta citarasa masing-masing jenis pada unggas yang berbeda. Disamping itu juga untuk mengetahui
ukuran pemusatan dan penyebaran citarata antara panelis.
Klik : Analyze , pilih Compare Means, lalu Klik Means, maka muncul Gambar 4.12.

Gambar 4.12. Kotak Diaolog Means
Klik Citarasa, pindahkan dengan tanda► ke kotak Dependent List
Klik Unggas, pindahkan dengan tanda► ke kotak Independent List
Klik Jenis, pindahkan dengan ► ke kotak Independent List
Klik Panelis, pindahkan dengan ► ke kotak Independent List
Klik OK, maka diperoleh hasil analisis sebagai berikut :
Means
Citarasa * Unggas
Citarasa
Unggas Mean N Std. Deviation
Itik 6.178 9 .552
Ayam Buras 5.522 9 1.017
Ayam Broiler 7.489 9 .816
Total 6.396 27 1.145
Citarasa * Jenis
Citarasa
Jenis Mean N Std. Deviation
1 6.611 9 .947
2 6.789 9 1.271
3 5.789 9 1.053
Total 6.396 27 1.145
Citarasa * Panelis
Citarasa
Panelis Mean N Std. Deviation
1 6.389 9 1.103
2 6.356 9 1.236
3 6.444 9 1.230
Total 6.396 27 1.145

Analisis Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh Unggas dan Jenis
terhadap Citarasa olahan dagingnya, apakah ada pengaruhnya atau tidak. Disamping itu juga untuk
mengatahui apakah ada pengarus atau variasi penelain antara Panelis. Uji LSD (Uji BNT)
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 :
Gambar 5.12. Kotak Dialog univariate
Klik Citarasa, pindahkan dengan tanda► ke kotak Dependent Variable

Klik Panelis, pindahkan dengan tanda► ke kotak Fixed Factor(s)
Klik Unggas, pindahkan dengan tanda► ke kotak Fixed Factor(s)
Klik Jenis, pindahkan dengan tanda► ke kotak Fixed Factor(s)
Klik Options, maka muncul Gambar 6.12.
Klik Unggas, pindahkan dengan tanda► ke kotak Display Mean for
Klik Unggas*Jenis, pindahkan dengan tanda► ke kotak Display Mean for
Kasi tanda V di depan Copare main effects, pilih LSD pada kotak dibawahnya.
Klik Continue, mka layer kembali ke Gambar 5.12.

Gambar 6.12. Kotak Dialog Univariate Options
Klik Paste, maka muncul Gambar 7.12.
Perhatika /DESIGN = Panelis Unggas Unggas*Jenis. Jadi dalam Design Jenis, karena
tersarang pada unggas, demikian juga interaksi antara Panelis dengan Unggas dan Jenis
(Panelis*Unggas, Panelis*Jenis) kapene kita buat modelnya tidak berinteraksi.
Untuk menjalankan Syntax Klik tanda ► maka diperoleh hasil analisisnya
Ingat hasil analisis yang dianggap tidak penting tidak ditampilkan (didelete).

(h) Tests of Between-Subjects Effects
Dependent Variable: Citarasa
Source Type III Sum of Df Mean Square F Sig.
Squares
Corrected Model 33.726 10 3.373 148.367 .000
Intercept 1104.640 1 1104.640 48595.177 .000
PANELIS 3.630E-02 2 1.815E-02 .798 .467
UNGGAS 18.050 2 9.025 397.018 .000
UNGGAS * JENIS 15.640 6 2.607 114.672 .000
Error .364 16 2.273E-02
Total 1138.730 27
Kesimpulan :
Panelis tidak berpengaruh nyata(P>0,05) terhadap citarasa daging olahan (lihat
PANELIS Sig 0,467>0,05), hal ini berarti tidak ada variasi diantara Panelis yang
mengetest citarasa olahan daging tersebut.
Unggas berpengaruh sangat nyata (P<0,01) terhadap citarasa daging olahan (lihat
UNGGAS Sig 0,000<0,01).
Klasfikasi unggas/Jenis unggas pada itik, ayam buras dan ayam Broiler
berpengaruh sangat nyata (P<0,01) terhadap citarasa daging olahan (lihat
UNGGAS*JENIS Sig. 0,000<0,01)
1. Unggas
Estimates
Unggas Mean Std. Error
Lower Bound Upper Bound
Itik 6.178 .050 6.071 6.284
Ayam Buras 5.522 .050 5.416 5.629
Ayam Broiler 7.489 .050 7.382 7.595

Pairwise Comparisons
Mean 95% Confidence Interval for
(I) Unggas (J) Unggas Difference Std. Sig. Difference
(I-J) Error
Itik Ayam Buras .656 .071 .000 .505 .806
Ayam Broiler -1.311 .071 .000 -1.462 -1.160
Ayam Buras Itik -.656 .071 .000 -.806 -.505
Ayam Broiler -1.967 .071 .000 -2.117 -1.816
Ayam Broiler Itik 1.311 .071 .000 1.160 1.462
Ayam Buras 1.967 .071 .000 1.816 2.117
Based on estimated marginal means
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
Unggas Jenis Mean Std. Error Lower Bound Upper Bound
Itik 1 5.467 .087 5.282 5.651

2 6.600 .087 6.415 6.785
3 6.467 .087 6.282 6.651
Ayam Buras 1 6.733 .087 6.549 6.918
2 5.433 .087 5.249 5.618
3 4.400 .087 4.215 4.585
Ayam Broiler 1 7.633 .087 7.449 7.818
2 8.333 .087 8.149 8.518
3 6.500 .087 6.315 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

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.
12,3, Analsis Regresi.

Oleh karena kedua faktor bersifat kualitatif, maka kita tidak bisa melakukan analisis
Regresi-korelasi, kita hanya bisa menggambar dalam bentuk Histogram pada masing-masing Jenis
Unggas, prosedurnya sebagai berikut :
Klik Graphs, lalu Klik Bar, pilh dan Klik Custered, Klik Define, maka muncul Gambar 8.12.

Gambar 8.12. Define Clustered Bar
Klik atau tandai Other statistic (e,g, mean)
Klik Citarasa, pindahkan dengan tanda ►ke kotak Variable
Klik Unggas , pindahkan dengan tanda ►ke kotak Catagory Axis
Klik Jenis, pindahkan dengan tanda ►ke kotak Define Clusters by
Klik OK
Graph
Jenis
10.0
Jenis 1
Jenis 2
Jenis 3
8.0
Mean Citarasa
6.0
4.0
2.0
0.0
Itik Ayam Buras Ayam Broiler
Unggas
_

XIII. RANCANGAN ACAK LENGKAP POLA BERJENJANG
Rancangan Acak Lengkap Pola Berjenjang adalah rancangan percobaan dengan materi
homogen atau tidak ada peubah pengganggu, rancangan ini sebenarnya merupakan rancangan acak
lengkap sederhana (satu faktor) yang diulang dengan cara yang berbeda, cara pengulangan yang
berbeda tersebut disebut faktor Tambahan, sedangkan faktor yang dirancang dengan materi yang
homogen disebut faktor Utama. Rancangan ini disebut pula Rancanagan Acak Lengkap Spilt-
Plot atau Petak Terpisah dimensi waktu yang berbedaa maka sering disebut Rancangan Acak
Lengkap Pola Split-Time.
Kita kembali ke Model Matematis RAL :
RAL : Yij = µ + Ai + єij

i = 1, 2, 3,…………,a j = 1,2,3...........,u
Jika diulang sebanyak k yang berbeda, maka model matematisnya menjadi
Model matematis RAL Pola Split-Plot :
Yijk = µ + Ai + єij + Bk + ABij + єiijk

i = 1, 2, 3,…………,a j = 1,2,3...........,u dan k =1.2.3,.......b
Disini :
Yijk : Pengamatan Faktor Utama taraf ke-i , Ulangan ke-j dan Faktor Tambahan taraf ke-k
µ : Rataan Umum
Ai : Pengaruh Utama pada taraf ke-i
єij : Pengaruh Galat I pada Faktor Utama ke-i dan Ulangan ke-j
Bk : Pengaruh Faktor Tambahan pada taraf ke-k
ABik : Interaksi antara faktor Utama dengan faktor Tambahan Kelompok ke-k.
єijk : Pengaruh galat II pada Faktor Utama taraf ke-i, Ulangan ke-j dan faktor tambanan
pada taraf ke-k

Teladan 10.
Seorang peneliti ingin mengetahui perbedaan fertilitas telur ayam Buras yang dipelihara
dengan 3 sistem perkandangan yang berbeda, tiap sistem perkandangan diulang atau digunakan 5
buah kandang dan tiap kandang diisi dengan 5 ekor ayam buras betina dan 1 ekor ayam buras
jantan, sehingga dalam penelitian ini digunakan 75 ekor ayam buras betina dan 15 ekor jantan.

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 Peride Ulangan (j)
Pemeliharaan Peneluran 1 2 3 4 5
(i) (k)
1 50.00 57.14 50.00 50.00 62.50
1 2 71.43 71.43 75.00 71.43 83.33
3 83.33 62.50 85.71 85.71 83.33
1 75.00 75.00 87.50 66.67 71.43
2 2 85.71 71.43 71.43 87.50 85.71
3 100.00 87.50 100.00 87.50 100.00
1 75.00 85.71 71.43 85.71 75.00
3 2 100.00 71.43 83.30 75.00 100.00
3 87.50 87.50 100.00 87.50 100.00
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.

Setelah kolom tersebut dilengkapi, kemudian Klik Data View pada pojok kiri bawah, maka muncul
Gambar 2.13.
Salinlah data Tabel 10 pada Kolom Sistem, Periode, Ulangan dan Fertilitas seperti tampak
pada Gambar 2.13.


Std Deviation (Standar Deviasi). dari fertilitas telur ayam buras pada Sistem Pemeliharaan dan
periode Peneluran yang berbeda.
Klik : Analyze , pilih Compare Means, lalu Klik Means, maka muncul Gambar 3.13
.
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 Mean N Std. Deviation
1 69.5227 15 13.4490
2 83.4920 15 11.1973
3 85.6720 15 10.6374
Total 79.5622 45 13.6309
(i) Fertilitas * Periode Penelursn

Fertilitas
Periode Peneluran Mean N Std. Deviation
1 69.2060 15 12.8930
2 80.2753 15 10.1171
3 89.2053 15 10.0136
Total 79.5622 45 13.6309

Analisis Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh Sistem

Pemeliharaan dan Periode Peneluran terhadap Fertilitas telur ayam Buaras, apakah ada
pengaruhnya atau tidak. Disamping itu juga untuk mengatahui apakah interaksi antara Sistem
Pemeliharaan dengan Periode Peneluran. Uji LSD dilakukan untuk mengetahui apakah ada
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 Fertilitas, pindahkan dengan tanda ►ke Dependent Variable
Klik Sistem Pemeliharaan, pindahkan dengan tanda ►ke Fixed Factor(s)
Klik Periode Peneluran, pindahkan dengan tanda ►ke Fixed Factor(s)
Klik Ulangan, pindahkan dengan tanda ►ke Random Factor(s)
Klik Sistem, pindahkan dengan tanda ►ke kotak Displey Means for
Klik Periode, pindahkan dengan tanda ►ke kotak Displey Means for
Klik Sistem*Periode, pindahkan dengan tanda ►ke kotak Displey Means for
Ketik tanda V di depad Compare main effects, pilih LSD pada kotak di bawahnya

Gamabar 5.13. Univariate Options
Klik Continue, maka layer kembali ke Gambar 4.13, kemudian Klik Paste, maka muncul
Gambar 6.13.

Perhatikan /DESIGN = Sistem Sistem*Ulanagan Periode Sistem*Periode.
Pada layar komputer anda tentu designnya tidak sama dengan yang tampak pada Gambar
6.13. harus disamakan, jika tidak hasil analisisnya akan berbeda.

Untuk menjalankan Syntax Klik tanda ►maka diperoleh hasil analisisnya, sebagai berikut :

Dependent Variable: Fertilitas
Source Type III Sum Df Mean Square F Sig.
of Squares
Error 637.568 12 53.131
Sistem Hypothesis 2303.478 2 1151.739 21.677 .000
Error 637.568 12 53.131
Siatem * Ulangan Hypothesis 637.568 12 53.131 .715 .723
Error 1784.590 24 74.358
Periode Hypothesis 3011.242 2 1505.621 20.248 .000
Error 1784.590 24 74.358
Sistem * Periode Hypothesis 438.357 4 109.589 1.474 .241
Error 1784.590 24 74.358
a MS(SISTEM * ULANGAN)
b MS(Error)
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
SISTEM*PERIODE Sig. 0,241>0,05.
1. Sistem Pemeliharaan
Estimates
Sistem Mean Std. Error Lower Bound Upper Bound
Pemeliharaan
1 69.523 2.226 64.927 74.118
2 83.492 2.226 78.897 88.087
3 85.672 2.226 81.077 90.267

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
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
Periode Peneluran Mean Std. Error
1 69.206 2.226 64.611 73.801
2 80.275 2.226 75.680 84.871
3 89.205 2.226 84.610 93.801
(I) Periode (J) Periode Mean Std. Error Sig. 95% Confidence Interval for
Penelursn Penelursn Difference (I- Difference
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
no adjustments).

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 95% Confidence Interval
Mean Std. Error
Pemeliharaan Peneluran Lower Bound Upper Bound
1 1 53.928 3.856 45.969 61.887
2 74.524 3.856 66.565 82.483
3 80.116 3.856 72.157 88.075
2 1 75.120 3.856 67.161 83.079
2 80.356 3.856 72.397 88.315
3 95.000 3.856 87.041 102.959
3 1 78.570 3.856 70.611 86.529
2 85.946 3.856 77.987 93.905
3 92.500 3.856 84.541 100.459
12.3. Analsais Regresi

Kita juga tidak bisa melakukan analisis rergresi, oleh karena kedua faktor bersifat
kualitatif, maka cukup digambar grafik barnya saja.
Prosedur pembuatan grafiknya adalah sebagai berikut :
Klik Graphs, lalu Klik Bar, pilh dan Klik Simple, Klik Define, maka muncul Gambar 8.12
Gambar 8.12. Kotak Dialog Define Simple Bar

Tandai atau Klik Other statistic (e,g,mean)
Klik Fertilitas Telur, pindahkan dengan tanda ►ke kotak Variable
Klik Sistem Pemeliharaan, pindahkan dengan tanda ►ke kotak Category Axis
Klik OK
Kemudian pada kotak Category Axis Sistem Pemeliharaan diganti dengan Periode
peneluran, lalu Klik OK, maka diperoleh hasil sebagai berikut :
Graph
100.00
80.00
Mean Fertilitas Telur (%)
60.00
40.00
20.00
0.00
1 2 3
Sistem Pemeliharaan
_
100.00
80.00
Mean Fertilitas Telur (%)
60.00
40.00
20.00
0.00
1 2 3
Periode Peneluran
_
_

Klik Graphs, lalu Klik Bar, pilh dan Klik Custered, Klik Define, maka muncul Gambar 8.12.
Gambar 9.12. Define Clustered Bar

Klik atau tandai Other statistic (e,g, mean)
Klik Fertilitas, pindahkan dengan tanda ►ke kotak Variable
Klik Sistem Pemeliharaan, pindahkan dengan tanda ►ke kotak Catagory Axis
Klik Periode Peneluran, pindahkan dengan tanda ►ke kotak Define Clusters by
Klik OK
Graph
_
_

XIV. RANCANGAN ACAK KELOMPOK POLA BERJENJANG
Rancangan Acak Kelompok Pola Berjenjang adalah rancangan percobaan dengan materi tidak
homogen atau ada peubah pengganggu, rancangan ini sebenarnya merupakan rancangan acak
kelompok sederhana (satu faktor) yang diulang dengan cara yang berbeda, cara pengulangan yang
berbeda tersebut disebut faktor Tambahan, sedangkan faktor yang dirancang dengan materi yang
homogen disebut faktor Utama. Rancangan ini disebut pula Rancangan Acak Kelompok Pola
Split-Plot atau Petak Terpisah, jika diulang dengan dimensi waktu yang berbedaa maka sering
disebut Rancangan Acak Kelompok Pola Split-Time.
Model Matematis RAL : Yij = µ + Ai+ Kj + єij

i = 1, 2, 3,…………,a j = 1,2,3...........,u
Jika diulang sebanyak k yang berbeda, maka model matematisnya menjadi
Model matematis RAL Pola Split-Plot :
Yijk = µ + Ai + Kj + єij + Bk + ABij + єiijk

i = 1, 2, 3,…………,a j = 1,2,3...........,u dan k =1.2.3,.......b
Disini :
Yijk : Pengamatan Faktor Utama taraf ke-i , Kelompok, ke-j dan Faktor Tambahan taraf
ke-k
µ : Rataan Umum
Ai : Pengaruh Utama pada taraf ke-i

Kj : Pengaruh Kelompok ke-j
єij : Pengaruh Galat I pada Faktor Utama ke-i dan Ulangan ke-j
Bk : Pengaruh Faktor Tambahan pada taraf ke-k
ABik : Interaksi antara faktor Utama dengan faktor Tambahan Kelompok ke-k.
єijk : Pengaruh galat II pada Faktor Utama taraf ke-i, Ulangan ke-j dan faktor tambanan
pada taraf ke-k

Teladan 11.
Seorang Peneliti ingin mengetahui pengaruh pemberian Kaporit dan lama Klorinasi
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

ppm, 200 ppm dan 300 ppm kaporit. Waktu Klorinasi yang diamati 0, 2, 4 dan 6 jam. Penelitian
ini diulang sebanyak 3 kali, setiap 3 hari sekali.
Tabel 11. Data Log Jumlah Koliform.
Dosis Kaporit (i) Kelompok Lama Klrinasi (k)

(j) 0 2 4 6
1 9.1761 9.9877 10.9370 11.0170
0 ppm 2 9.3345 10.1700 11.0090 12.7980
3 10.2040 10.2740 11.2360 12.7780
1 9.0828 8.7868 7.5955 7.4216
100 ppm 2 8.9581 8.2833 7.6454 6.9445
3 8.9201 8.3010 7.3729 7.1703
1 8.7910 7.8704 7.2823 6.8573
200 ppm 2 8.8704 8.1206 7.1072 6.8573
3 8.7160 7.9415 6.9243 6.7709
1 8.7782 7.3181 6.7451 6.3655
300 ppm 2 8.6513 7.8549 7.0492 6.7924
3 8.5051 7.8573 6.4346 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 1.14. Kotak Dialog Variable View.

Klik Data View pada pojok kiri bawah, maka muncul Gambar 2.14.
Salinlah data Tabel 11. pada kolom K, L, Kelompok dan Koliform


Std Deviation (Standar Deviasi). dari Log Jumlah Koliform. Air Limbah RPH pada Berbagai
konsentrasi Kaporit yang diberikan dan antara lam klorinasi yang berbeda. Disamping itu juga
mencari rataan dan standar deviasi masing-masing kelompok atau waktu pengambilan sample.
Adapun prosedurnya sebagai berikut :.
Klik Analyze pada Gambar 2.14, pilih Compare Means, lalu Klik Means, maka muncul
Gambar 3.14
.
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) Mean N Std. Deviation

0 10.743442 12 1.153615
100 8.040192 12 .770311
200 7.675850 12 .812399
300 7.377792 12 .929839
Total 8.459319 48 1.624635

Log Jumlah koliform * Lama Klorinasi (Jam)
Log Jumlah koliform
Lama Klorinasi (Jam) Mean N Std. Deviation
0 8.998967 12 .443575
2 8.563800 12 1.015675
4 8.111625 12 1.811127
6 8.162883 12 2.492333
Total 8.459319 48 1.624635
Log Jumlah koliform * Kelompok

Log Jumlah koliform
Kelompok Mean N Std. Deviation
1 8.375838 16 1.434594
2 8.527881 16 1.673853
3 8.474238 16 1.843291
Total 8.459319 48 1.624635
Analisis Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh Kelompok,

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 Log Jumlah Kolifor, pindahkan dengan tanda ►ke Dependent Variable
Klik Kosentrasi Kaporit, pindahkan dengan tanda ►ke Fixed Factor(s)
Klik Lama Klorinasi, pindahkan dengan tanda ►ke Fixed Factor(s)
Klik Kelompok pindahkan dengan tanda ►ke Random Factor(s)
Gambar 5.14. Univariate Options

Klik K*L, pindahkan dengan tanda ►ke kotak Displey Means for
Klik Cotinue, maka kembali ke Gambar 4.14
Klik K, pindahkan dengan tanda ►ke Post Hoc Test for
Klik L, pindahkan dengan tanda ►ke Post Hoc Test for
Berikan tanda V pada kotak Duncan, lalu Klik Continue, mak kembali ke Gambar 4.14

Gamabar 6.14. Univariate Post Hoc
Klik Continue, maka layer kembali ke Gambar 4.13, kemudian Klik Paste, maka muncul
Gambar 7.14.

Perhatikan /DESIGN = Kelompok K K*Kelompok L K*L.
Pada layar komputer anda tentu designnya tidak sama dengan yang tampak pada Gambar
6.13. harus disamakan, jika tidak hasil analisisnya akan berbeda.
Untuk menjalanklan Syntax Klik tanda►maka diperoleh hasil analisis sebagai berikut :

Dependent Variable: Log Jumlah koliform
Source Type III Sum df Mean F Sig.
of Squares Square
Error .190 2 9.514E-02
Kelompok Hypothesis .190 2 9.514E-02 .319 .739
Error 1.792 6 .299
K Hypothesis 86.117 3 28.706 96.119 .000
Error 1.792 6 .299
K * Kelompok Hypothesis 1.792 6 .299 3.820 .008
Error 1.876 24 7.817E-02
L Hypothesis 6.131 3 2.044 26.143 .000
Error 1.876 24 7.817E-02
K*L Hypothesis 27.948 9 3.105 39.724 .000
Error 1.876 24 7.817E-02
a MS(Kelompok))
b MS(K * Kelompok)
c MS(Error)
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 Kaporit berpengaruh sangat nyata (P<0,01) terhadap jumlah
Koliform Air Limbah RPH Pesanggaran Denpasar. Lihat L sig 0,00<0,01.
Terjadi interaksi yang sangat nyata (P<0,01) antara pemberian kaporit dengan lama
klorinasi Kaporit terhadap jumlah Koliform Air Limbah RPH Pesanggaran Denpasar.
Lihat K*L sig 0,00<0,01.

1. KonsentrasiKaporit (ppm) * Lama Klorinasi (Jam)
Dependent Variable: Log Jumlah koliform
Konsentrasi Lama Klorinasi Mean Std. Error 95% Confidence Interval
Kaporit (ppm) (Jam) Lower Bound Upper Bound
0 0 9.572 .161 9.238 9.905
2 10.144 .161 9.811 10.477
4 11.061 .161 10.728 11.394
6 12.198 .161 11.865 12.531
100 0 8.987 .161 8.654 9.320
2 8.457 .161 8.124 8.790
4 7.538 .161 7.205 7.871
6 7.179 .161 6.846 7.512
200 0 8.792 .161 8.459 9.126
2 7.978 .161 7.644 8.311
4 7.105 .161 6.772 7.438
6 6.828 .161 6.495 7.162
300 0 8.645 .161 8.312 8.978
2 7.677 .161 7.344 8.010
4 6.743 .161 6.410 7.076
6 6.447 .161 6.113 6.780
Kesimpulan :
Jumlah Koliform air limbah RPH Sanggaran Denpasar yang tidak diberikan Kaporit
(K = 0 ppm) makin lama Klorinasi terjadi peningkatan yang nyata (P<0,05) mulai jam ke-4
sampai dengan jam ke-6, sedangkan antara jam ke-0 dengan jam ke-2 peningkatannya
tidak nyata (P>0,05).
Jumlah Koliform air limbah RPH Sanggaran Denpasar yang diberikan Kaporit 100
ppm makin lama Klorinasi terjadi penurunan yang nyata (P<0,05) mulai jam ke-0 sampai
dengan jam ke-4, sedangkan antara jam ke-4 dengan jam ke-6 peningkatannya tidak
nyata (P>0,05).
nyata (P>0,05).
nyata (P>0,05).
Lihat batas bawah dan batas atas 95% Confidence Interval.

Post Hoc Tests
Konsentrasi Kaporit (ppm)
Homogeneous Subsets
Log Jumlah koliform
Duncan
Konsentrasi N Subset
Kaporit (ppm) 1 2 3 4
300 12 7,377792
200 12 7,675850
100 12 8,040192
0 12 10,743442
Sig. 1,000 1,000 1,000 1,000
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.
Lama Klorinasi (Jam)

Homogeneous Subsets
(k) Log Jumlah koliform
Duncan
Lama Klorinasi (Jam) N 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
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 rata-
rata 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..

Oleh karena kedua faktor yaitu faktor Utama dan faktor Tambahan bersifat kuantitatif, maka
perlu dicari persamaan garis Regresi antara Dosis Kaporit (K) dan Lama Klorinasi (L) dengan
jumlah Log Koliform (Y) dengan melakukan analisis Regresi-Korelasi dengan persamaan penduga
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
Klik Tranform pada Gambar 2.14. , lalu Klik Compute, maka muncul Gambnar 8.14.

Ketik KK pada Target Varible, Ketik K*K pada Numeric Expression, Klik OK
Ketik KKK pada Target Varible, Ketik K*K*K pada Numeric Expression, Klik OK
Ketik LL pada Target Varible, Ketik L*L pada Numeric Expression, Klik OK
Ketik LLL pada Target Varible, Ketik L*L*L pada Numeric Expression, Klik OK
Ketik KL pada Target Varible, Ketik K*L pada Numeric Expression, Klik OK
Ketik KLL pada Target Varible, Ketik K*L*L pada Numeric Expression, Klik OK
Ketik KLLL pada Target Varible, Ketik K*L*L*L pada Numeric Expression, Klik OK
Ketik KKL pada Target Varible, Ketik K* K*L* pada Numeric Expression, Klik OK
Ketik KKL L pada Target Varible, Ketik K* K*L*L pada Numeric Expression, Klik OK
Ketik KKLL pada Target Varible, Ketik K* K*L*L*L pada Numeric Expression, Klik OK
Ketik KKKL pada Target Varible, Ketik K* K*K*K*L pada Numeric Expression, Klik OK
Ketik KKLLL pada Target Varible, Ketik K* K*K*L*L pada Numeric Expression, Klik OK
Ketik KKKLLL pada Target Varible, Ketik K* K*K*L*L*L pada Numeric Expression,
Klik OK, maka diperoleh hasil pada Gambar 9.14.


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.
Gambar 10.14. Linear Regresision

Klik Log Jumlah Koliform, pindahkan dengan tanda ►ke kotak Dependent
Klik K, L, KK, KKK, LL, LLL, KL, Kll,KLLL, KKl,KKLL,KKLLL, KKKL, KKKLL,
KKKLLL, pindahkan dengan tanda ►ke kotak Independent(s)
Pilih atau Klik Stepwise pada kotak Method, lalu Klik OK, maka diperoleh hasil analisisnya
Regression
Moel Summary

1 .763(a) .582 .573 1.0615924
2 .840(b) .706 .693 .9003323
3 .946(c) .895 .887 .5450397
4 .964(d) .930 .923 .4507578
5 .978(e) .956 .950 .3619974
6 .983(f) .965 .960 .3233932
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 F Sig.
1 Regression 72.213 1 72.213 64.076 .000(a)
Residual 51.841 46 1.127
Total 124.054 47
2 Regression 87.577 2 43.788 54.020 .000(b)
Residual 36.477 45 .811
Total 124.054 47
3 Regression 110.983 3 36.994 124.531 .000(c)
Residual 13.071 44 .297
Total 124.054 47
4 Regression 115.317 4 28.829 141.888 .000(d)
Residual 8.737 43 .203
Total 124.054 47
5 Regression 118.550 5 23.710 180.934 .000(e)
Residual 5.504 42 .131
Total 124.054 47
6 Regression 119.766 6 19.961 190.862 .000(f)
Residual 4.288 41 .105
Total 124.054 47
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

Coefficients(a)
Model Unstandardized Std. Standardized t Sig.

Coefficients B Error Coefficients
Beta
1 (Constant) 9.489 .200 47.434 .000
KL -.002 .000 -.763 -8.005 .000
2 (Constant) 9.137 .188 48.640 .000
KL -.003 .000 -1.027 10.164 .000
LL .050 .012 .440 4.354 .000
3 (Constant) 9.287 .115 80.780 .000
KL -.009 .001 -2.848 13.301 .000
LL .077 .008 .673 10.111 .000
KKL 1.84E-005 .000 1.747 8.876 .000
4 (Constant) 9.316 .095 97.770 .000
KL -.014 .001 -4.706 10.707 .000
LL .082 .006 .717 12.836 .000
KKL 7.20E-005 .000 6.837 6.137 .000
KKKL -1.19E-007 .000 -3.363 -4.619 .000
5 (Constant) 9.780 .121 80.943 .000
KL -.014 .001 -4.519 12.727 .000
LL .065 .006 .570 10.615 .000
KKL 7.33E-005 .000 6.959 7.776 .000
KKKL -1.22E-007 .000 -3.423 -5.853 .000
K -.004 .001 -.259 -4.967 .000
6 (Constant) 9.483 .139 68.329 .000
KL -.014 .001 -4.730 14.636 .000
LL .030 .012 .265 2.605 .013
KKL 7.60E-005 .000 7.212 8.982 .000
KKKL -1.26E-007 .000 -3.548 -6.775 .000
K -.003 .001 -.212 -4.369 .000
L .271 .079 .377 3.410 .001
a Dependent Variable: Log Jumlah Koliform
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.


Ketik Y pada kotak Target Varible

Ketik 9.483 – 0.003*K + 0.271*L + 0.030*L*L – 0.014*K*L + 0.00007*K*K*L -
0.000000126*K*K*K*L pada kotak Numeric Expression
Klik OK, maka Gambar kembali ke Gambar 11.14, dimana Kolom Y telah dilengkapi
datanya. Ingat definisikan masing-masing variable, pada Variable View
Klik Graphs, Klik Line, lalu Klik Multiple, kemudian Klik Define, maka muncul
Gambar 13.14

Gambar 13.14. Kotak dialog Define Multiple Line
Klik Log Jumlah Koliform (Y), pindahkan dengan tanda ►ke kotak Variable
Klik Lama Klorinasi (L), pindahkan dengan tanda ►ke kotak Catagori Axis
Klik Log Konsentrasi Kaporit(K), pindahkan dengan tanda ►ke kotak define Line by
Klik OK, maka diperoleh Grafik sebagai berikut :

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.

Penuntun Praktikum Rancangan Percobaan PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Penuntun Praktikum Rancangan Percobaan PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Penuntum Praktikum Rancangan Percobaan dengan SPS- 0

Penuntum Praktikum Rancangan Percobaan dengan SPS- 1

Penuntum Praktikum Rancangan Percobaan dengan SPS- 2

Penuntum Praktikum Rancangan Percobaan dengan SPS- 3

Penuntum Praktikum Rancangan Percobaan dengan SPS- 4

Faktor Kualitatif dan Faktor Kuanditatif

Penuntum Praktikum Rancangan Percobaan dengan SPS- 5

Skala Ordinal (Ranking).

Penuntum Praktikum Rancangan Percobaan dengan SPS- 6

Merancang Perlakuan dalam Rancangan Percobaan

Penuntum Praktikum Rancangan Percobaan dengan SPS- 7

Penuntum Praktikum Rancangan Percobaan dengan SPS- 8

Pemilihan Analisis atau Uji Statistika yang Cocok

Penuntum Praktikum Rancangan Percobaan dengan SPS- 9

Penuntum Praktikum Rancangan Percobaan dengan SPS- 10

Penuntum Praktikum Rancangan Percobaan dengan SPS- 11

Penuntum Praktikum Rancangan Percobaan dengan SPS- 12

Penuntum Praktikum Rancangan Percobaan dengan SPS- 13

4.1. Memasukkan Data pada SPSS.

Penuntum Praktikum Rancangan Percobaan dengan SPS- 14

Gambar 2.4 Menu Utama SPSS

Penuntum Praktikum Rancangan Percobaan dengan SPS- 15

Gambar 4.4. Kotak Dialog Value Labels

Penuntum Praktikum Rancangan Percobaan dengan SPS- 16

4.2. Analisis Data pada SPSS.

Penuntum Praktikum Rancangan Percobaan dengan SPS- 17

Gambar 6.4. Kotak Dialog Cumpute Variable.

Penuntum Praktikum Rancangan Percobaan dengan SPS- 18

Gambar 5.4. Kotak Data View setelah Tranformasi Data

Penuntum Praktikum Rancangan Percobaan dengan SPS- 19

Gambar 7.4. Kotak Dialog Means Options

Penuntum Praktikum Rancangan Percobaan dengan SPS- 20

Berat (Kg) * Jenis Kelamin

Berat (Kg) * Umur (Tahun)

Penuntum Praktikum Rancangan Percobaan dengan SPS- 21

Penuntum Praktikum Rancangan Percobaan dengan SPS- 22

Gambar 9.4. Kotak Dialog Define Multiple Lines

Penuntum Praktikum Rancangan Percobaan dengan SPS- 23

Penuntum Praktikum Rancangan Percobaan dengan SPS- 24

Klip Paste, maka muncul Gambar 10. 4.

Jika Model Matematis : Yijk = µ + Ki + Uj + єijk

Gambar 10.4. Kotak Dialog Syntax1 SPSS

Dependent Variable: Berat (Kg)

Penuntum Praktikum Rancangan Percobaan dengan SPS- 25

Gambar 11.4. Kotak Dialog Syntax2 SPSS

Dependent Variable: Berat (Kg)

Penuntum Praktikum Rancangan Percobaan dengan SPS- 26

Yij = µ + Pi + єij i = 1, 2, 3,…………,p dan j = 1, 2, 3,…………,u

Penuntum Praktikum Rancangan Percobaan dengan SPS- 27

Gambar 2.5 Data View

Penuntum Praktikum Rancangan Percobaan dengan SPS- 28

Gambar 3.5. Kotak Diolog Means

Klik OK untuk mendapatkan hasil analisisnya

Lama Desinfeksi (Jam) Mean N Std. Deviation

5.2. Analisis Ragam

Penuntum Praktikum Rancangan Percobaan dengan SPS- 29

Gambar 4.5. Kotak Diolog Univariabe

Penuntum Praktikum Rancangan Percobaan dengan SPS- 30

Klik Continue maka layar kembali ke Gambar 4.5

seperti mengetik biasa

Gambar 6.5. Kotak Dialog Syntax

Penuntum Praktikum Rancangan Percobaan dengan SPS- 31

Based on observed means.