Penuntun Praktikum Rancangan Percobaan PDF
Penuntun Praktikum Rancangan Percobaan PDF
I. PENDAHULUAN
Dalam usaha meningkatkan suasana akedemik di perguruan tinggi serta dalam
upaya menumbuhkan sikap, kemampuan dan keterampilan meneliti pada mahasiswa dan
dosen, pengetahuan program kemasan komputer 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.
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 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
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.
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.
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.
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.
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.
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)
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
Graph
300.0
250.0
200.0
Mean Berat (Kg)
150.0
100.0
50.0
0.0
Jantan Betina
Jenis Kelamin
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)
Untuk model matematis yang lain dan pembahasan hasilnya dibicaran pada BAB
selanjutnya.
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
Means
Report
Log Jumlah Ecoli
Untuk menjalankan Syntak Klik tanda ►(Run Current) pada tampilan diatas
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
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.
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
ANOVA
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
Bila muncul change existing variable Klik OK lagi , maka diperoleh hasil seperti dibawah ini.
Graph
7.00
6.00
Mean Log Jumlah E coli
5.00
3.00
2.00
0 1 2 3 4 5 6 7 8
Keterangan :
Semakin lama didesinfeksi nilai log jumlah bakteri E coli semakin menurun, penurunannya
mula-mula cepat kemudian lambat dan akhirnya bertambah cepat.
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.
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.
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
Setelah kembali ke Gambar 5.6 Klik Paste, maka muncul Gambar 7.7 seperti tampilan
dibawah ini :
Kesimpulan :
Jenis Antibiotika berpengaruh sangat nyata (P<0,01) terhadap diameter Zona bakteri Coliform
Kelompok atau hari pengambilan sampel tidak berpengaruh nyata (P>0,05) atau P=0,811 terhadap
diameter zona bakteri Coliform.
Jenis Antibiotika
Multiple Comparisons
Dependent Variable: Zona Bakteri Coliform
Mean Std. Error Sig. 95% Confidence Interval
Differenc
e (I-J)
(I) Jenis (J) Jenis Lower Bound Upper Bound
Antibiotika Antibiotika
A B 2.0080 .6890 .013 .5068 3.5092
C 3.4400 .6890 .000 1.9388 4.9412
D 5.9000 .6890 .000 4.3988 7.4012
B A -2.0080 .6890 .013 -3.5092 -.5068
C 1.4320 .6890 .060 -6.9190E-02 2.9332
D 3.8920 .6890 .000 2.3908 5.3932
C A -3.4400 .6890 .000 -4.9412 -1.9388
B -1.4320 .6890 .060 -2.9332 6.919E-02
D 2.4600 .6890 .004 .9588 3.9612
D A -5.9000 .6890 .000 -7.4012 -4.3988
B -3.8920 .6890 .000 -5.3932 -2.3908
C -2.4600 .6890 .004 -3.9612 -.9588
Based on observed means.
* The mean difference is significant at the .05 level.
Homogeneous Subsets
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 Other statistic (e.g. mean)
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.
15
Mean Zona Bakteri Koliform
10
0
A B C D
Jenis Antibiotika
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 :
Jika dilakukan pengulangan pada tiap kelompoknya, maka modelnya menjadi sebagai
berikut :
Memasukkan data melalui Programe …SPSS for Windows-..SPSS 13.0 for Windows
Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah,
ditunjuk pada Gmbar 1.7 di bawah kemudian ketik pada Kolom Name ketik P, Kelompok,
Ulangan dan pH, Kolom Type Numeric, kolom Label ketil Dosis Bahan Pengawet,
Kelompok, Ulangan dan pH Daging Ayam Broiler
Klik 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
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)
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
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
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
pH Daging Ayam Broiler
(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
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 4.875E-03.
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)
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
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
Graph
8.00
7.50
Mean pH Daging Ayam Broiler
6.50
6.00
5.50
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
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).
Memasukkan data melalui Programe …SPSS for Windows-..SPSS 13.0 for Windows
Kompurter telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah,
ditunjukkan pada Gambar 1.8 di bawah kemudian pada Kolom Name ketik Kolom, Baris,
Protein dan Darah, pada Type Numeric, kolom Label ketik Cara Pengambil;an darah, Berat
Badan, Suplemen Protein dan Sel darah Merah seperti tampak pada Gambar 1.8.
Klik pada pojok kiri atas pada baris 3 Protein, kolom Values, maka muncul Gambar 2.8.
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.
Means
Sel Darah Merah * Berat Badan
Sel Darah Merah
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.
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
Graph
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
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 :
µ : Rataan Umum
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.
Memasukkan data melalui Programe …SPSS for Windows-..SPSS 13.0 for Windows
Kompurter telah siap dengan Program SPSS, Klik Variable View pada pojok keri bawah,
ditunjukan pada Gambar 1.9 di bawah ini, kemudian pada Kolom Name ketik, Jenis, L,
Klik pada pojok kiri atas pada baris 1 yaitu Jenis, kolom Values, maka muncul Gambar 2.9.
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
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
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
Means for groups in homogeneous subsets are displayed. Based on Type III Sum of
Squares The error term is Mean Square(Error) = 1.446E-02.
a Uses Harmonic Mean Sample Size = 16.000.
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
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
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
Regression : Kontrol
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
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
Model Sum of Squares Df Mean Square F Sig.
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
a Predictors: (Constant), Lama Simpan (Hari)
b Predictors: (Constant), Lama Simpan (Hari), LLL
c Predictors: (Constant), Lama Simpan (Hari), LLL, LL
d Dependent Variable: Log. ALTB
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .985 .970 .967 .247009
a Predictors: (Constant), Lama Simpan (Hari)
(f) ANOVA
Model Sum of Squares Df Mean Square F Sig.
1 Regression 27.213 1 27.213 446.013 .000
Residual .854 14 6.101E-02
Total 28.067 15
a Predictors: (Constant), Lama Simpan (Hari)
b Dependent Variable: Log. ALTB
Coefficients
Unstandardized Standardized T Sig.
Coefficients Coefficients
Model B Std. Error Beta
1 (Constant) 5.206 .103 50.380 .000
Lama Simpan .389 .018 .985 21.119 .000
(Hari)
a Dependent Variable: Log. ALTB
R = 0.985
Regression pada Ekstrak Bawang Putih Import
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .990 .981 .980 .142839
2 .996 .992 .991 9.63018E-02
a Predictors: (Constant), Lama Simpan (Hari)
ANOVA
Model Sum of Squares df Mean Square F Sig.
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
a Predictors: (Constant), Lama Simpan (Hari)
b Predictors: (Constant), Lama Simpan (Hari), LL
c Dependent Variable: Log. ALTB
Coefficients
Unstandardized Std. Error Standardized T Sig.
Coefficients Coefficients
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
a Dependent Variable: Log. ALTB
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
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)
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.
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
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
Kita kembali ke Gambar 2.10., hilangkan atau delete Kelompoknya, lalu Klik Compute, maka
muncul Gambar 7.10.
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
Model R R Square Adjusted R Square Std. Error of the Estimate
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
Rancangan Acak Lengkap Pola Tersarang adalah rancangan percobaan dengan materi homogen
atau tanpa peubah pengganggu, terdiri dari dua peubah bebas atau faktor dalam klasifikasi tersarang
yaitu Faktor A terdiri dari a taraf dan Faktor B terdiri dari b taraf yang tersarang (tergantung) dari
pada Ai. (taraf B pada A1 tidak sama dengan taraf B pada A2 dan seterusnya) Rancangan ini
seolah-olah terdiri dari dua atau lebih Rancangan Acak Lengkap yang responsnya sama kemudian
digabung menjadi satu model percobaan.
Model Matematisnya :
µ : Rataan Umum
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
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 anggak 2 kotak Value dan 4 Jam/1 Hari Value Label, kemudian Klik Add
Ketik anggak 3 kotak Value dan 8 Jam/2 Hari Value Label, kemudian Klik Add
Ketik OK
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 :
Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 5.11
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).
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))
ANOVA
Model Sum of Squares df Mean Square F Sig.
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
Unstandardized Standardized t Sig.
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
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
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
Model Sum of Squares Df Mean Square F Sig.
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
Unstandardized Standardized t Sig.
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
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.
7.40
Mean ph Daging Ayam
7.20
6.80
6.60
6.40
0 1 2 3 4 5 6 7 8
7.60
7.40
Mean ph Daging Ayam
7.20
6.80
6.60
6.40
0 1 2 3 4 5 6 7 8
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.
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.
Model Matematisnya :
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
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.
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 :
Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 5.12
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).
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
Dependent Variable: Citarasa
95% Confidence Interval
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
Citrasa olahan daging itik berbeda sangat nyata (P<0,01) dibandingkan dengan citarasa
daging ayam buras dan Broiler, demikian juga citarasa olahan daging ayam buras berbeda sangat
nyata (P<0,01) dengan ayam Broiler (lihat Sig 0,000<0,01).
2. Unggas * Jenis
Dependent Variable: Citarasa
95% Confidence Interval
Unggas Jenis Mean Std. Error Lower Bound Upper Bound
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
6.0
4.0
2.0
0.0
Itik Ayam Buras Ayam Broiler
Unggas
_
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 :
µ : Rataan Umum
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
Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri
bawah, ditunjukan pada Gambar 1.13. di bawah ini. kemudian pada Kolom Name ketik
Sistem, Periode, Ulangan dan Fertilitas, pada Kolom Type Numeric, pada Kolom Decimal
ketik 0, 0, 0 dan 2, Kolom Label ketik Sistem Pemeliharaan, Periode Peneluran, Ulangan
dan Fertilitas Telur (%) seperti tampak pada Gambar 1.13.
.
Gambar 3.13. Kotak dialog Means
Klik Fertilitas Telur, pindahkan dengan tanda ►ke Dependent List
Klik Sistem Pemeliharaan, pindahkan dengan tanda ►ke Independent List
Klik Periode Peneluran, pindahkan dengan tanda ►ke Independent List
Klik OK, maka diperoleh hasil analisisnya sebagai berikut :
Means
Fertilitas * Sistem Pemeliharaan
Fertilitas
Sistem Pemeliharaan 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
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
Dependent Variable: Fertilitas
95% Confidence Interval
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
Pairwise Comparisons
Dependent Variable: Fertilitas
(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
Based on estimated marginal means
* The mean difference is significant at the .05 level.
a Adjustment for multiple comparisons: Least Significant Difference (equivalent to
no adjustments).
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.
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
_
_
_
_
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.
µ : Rataan Umum
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
Komprter telah siap dengan Program SPSS, Klik Variable View pada pojok kiri
bawah, ditunjukan pada Gambar 1.14. di bawah ini. kemudian pada Kolom Name ketik L,
K, Kelompok dan Koliform, pada Kolom Type Numeric, pada Kolom Decimal ketik 0, 0, 0
dan 4, Kolom Label ketik Konsentrasi Hidrogen Peroksida (ppm), Lana Kloronasi (Jam),,
UKelompok dan Log Jumlah Koligorm seperti tampak pada Gambar 1.14.
.
Gambar 3.14. Kotak dialog Means
Klik Log Jumlah Koliform, pindahkan dengan tanda ►ke Dependent List
Klik Konsentrasi Kaporit, pindahkan dengan tanda ►ke Independent List
Klik Lama Klorinasi, pindahkan dengan tanda ►ke Independent List
Klik Kelompok, pindahkan dengan tanda ►ke Independent List
Klik OK, maka diperoleh hasil analisisnya sebagai berikut :
Means
Log Jumlah koliform * Konsentrasi Kaporit (ppm)
(j) Log Jumlah koliform
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.
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).
Jumlah Koliform air limbah RPH Sanggaran Denpasar yang diberikan Kaporit 200
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).
Jumlah Koliform air limbah RPH Sanggaran Denpasar yang diberikan Kaporit 300
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).
Lihat batas bawah dan batas atas 95% Confidence Interval.
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.
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..
Madel terbaik adalah Model 6 karena R cukup besar dan koefesien garis Regresinya
semuanya nyata (P<0.05)
Persamaan Garis Regresinya :
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.
..
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.
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.