Aplikasi SPSS Dan SAS Untuk PERANCANGAN PDF
Aplikasi SPSS Dan SAS Untuk PERANCANGAN PDF
Aplikasi Pertanian
Aplikasi Peternakan
Aplikasi Kehutanan
Aplikasi MIPA
Muhammad Aqil
Roy Efendi
APLIKASI SPSS DAN SAS
UNTUK PERANCANGAN PERCOBAAN
ISBN: 978-602-1083-07-9
Penulis
Muhammad Aqil
Roy Efendi
Editor
Husni Mubarok
Desain Cover
Dany RGB
Setting lay-out:
Eko Taufik
Diterbitkan oleh:
Absolute Media
Beran, Rt 07 No 56 Tirtonirmolo Kasihan Bantul Yogyakarta
Phone: (0274) 8276966/087839515741
email: absolutemedia09@yahoo.com
Dilarang keras mereproduksi sebagian atau seluruh isi buku ini, dalam
bentuk apa pun atau dengan cara apa pun, serta memperjualbelikannya
tanpa izin tertulis dari Penerbit.
©Hak Cipta Dilindungi Oleh Undang-Undang
APLIKASI SPSS DAN SAS
UNTUK PERANCANGAN
PERCOBAAN
Aplikasi Pertanian
Aplikasi Peternakan
Aplikasi Kehutanan
Aplikasi MIPA
Muhammad Aqil
Roy Efendi
KATA PENGANTAR
Penulis
DAFTAR ISI
Kata Pengantar
Bab 1. Pengantar Rancangan Percobaan …………………………………………
Bab 2. Aplikasi Rancangan Acak Lengkap (one way Anova)
Pembuatan Layout Percobaan dan Pengacakan ……………………………….
Contoh Aplikasi RAL 1 Faktor Menggunakan SPSS …………………………
Contoh Aplikasi RAL 1 Faktor Menggunakan SAS …………………………
Bab 3. Aplikasi Rancangan Acak Kelompok (RAK) 1 Faktor
Pembuatan Layout Percobaan dan Pengacakan …………………………..
Contoh Aplikasi RAK 1 Faktor Menggunakan SPSS ……………………….
Contoh Aplikasi RAK 1 Faktor Menggunakan SAS …………………………
Bab 4. Aplikasi Rancangan Acak Lengkap 2 Faktor (Two way Anova)
Pembuatan Layout Percobaan dan Pengacakan Faktorial ……………..
Contoh Aplikasi RAL Faktorial Menggunakan SPSS ……………………..
Contoh Aplikasi RAL Faktorial Menggunakan SAS ………………………..
Bab 5. Aplikasi Rancangan Acak Kelompok 2 Faktor
Pembuatan Layout Percobaan dan Pengacakan Faktorial ……………..
Contoh Aplikasi RAK 2 Faktor Menggunakan SPSS ………………………
Contoh Aplikasi RAK 2 Faktor Menggunakan SAS ………………………..
Bab 6. Rancangan Acak Kelompok 3 Faktor (Three Way Anova)
Layout Percobaan dan Pengacakan 3 Faktor ………………………………
Contoh Aplikasi RAK 3 Faktor Menggunakan SPSS ………………………
Contoh Aplikasi RAK 3 Faktor Menggunakan SAS …………………………
Bab 7. Aplikasi Rancangan Petak Terpisah (RPT)
Layout dan Pengacakan Petakan ………………………………………………
Contoh Aplikasi RPT Menggunakan SPSS …………………………………..
Contoh Aplikasi RPT Menggunakan SAS …………………………………….
Bab 8. Aplikasi Rancangan Petak Petak Terpisah (RPPT)
Layout Percobaan dan Pengacakan RPPT …………………………………..
Contoh Aplikasi RPPT Menggunakan SPSS …………………………………
Contoh Aplikasi RPPT Menggunakan SAS …………………………………..
Bab 9. Aplikasi Rancangan Bujur Sangkar Latin (BSL)
Layout Percobaan dan Pengacakan BSL …………………………………….
Contoh Aplikasi BSL Menggunakan SPSS ……………………………………..
Contoh Aplikasi BSL Menggunakan SAS …………………………………….
Bab 10. Aplikasi Regresi Linier Sederhana ………………………………………
Bab 11. Aplikasi Regresi Linier Berganda ………………………………………..
Bab 12. Aplikasi Analisis Korelasi ……………………………………………………..
Bab 13. Aplikasi Analisis Jalur (Path Analysis) ……………………………….
Bab 14. Uji Deskriptif, Validitas dan Normalitas Data ……………………..
Daftar Pustaka ………………………………………………………………………………..
Profil Penulis …………………………………………………………………………………….
BAB 1
PENGANTAR RANCANGAN PERCOBAAN
Galat Percobaan
Dalam keseharian kadangkala kita dihadapkan pada adanya perbedaan
antara yang kita inginkan dengan kenyataan. Sebagai contoh, kita menanam
jagung menggunakan varietas hibrida yang dikemas dalam kantong 1 kg. Setelah
menanam tentu saja kita mengharapkan akan memperoleh hasil yang sama pada
setiap tanaman atau petakan. Tetapi dalam kenyataan hasil yang diperoleh
berbeda antar tanaman, bahkan tidak ada tanaman yang mempunyai hasil yang
sama.
Perbedaan hasil antara dua tanaman atau kelompok tanaman dalam istilah
statistik disebut galat percobaan (experimental error). Dalam suatu percobaan, nilai
galat dijadikan ukuran ketelitian dan dasar perbandingan antara rata-rata hasil
perlakuan.
Faktor-faktor yang menyebabkan timbulnya galat adalah adanya keragaman
pada lokasi penelitian, dan pada penelitian lapangan galat umumnya terjadi karena
perbedaan tingkat kesuburan antara petak perlakuan. Faktor lain adalah
kesalahan/ketidakcermatan dalam pelaksanaan penelitian termasuk pengukuran
parameter.
Peletakan tiap perlakuan perlu dilakukan secara acak pada seluruh tempat
percobaan. Pada rancangan ini, pengelompokan tidak diperlukan.
Sebuah penelitian dilakukan untuk mengetahui pengaruh dosis pupuk urea terhadap
hasil jagung komposit. Percobaan dilakukan dengan menggunakan pot di rumah kaca.
Percobaan terdiri atas 6 dosis pupuk dengan 5 ulangan.
Penyelesaian
7 8 9 10 11 12
E A E B A D
13 14 15 16 17 18
D B F E B D
19 20 21 22 23 24
C E B A C F
25 26 27 28 29 30
A F C F D B
Perlakuan: A= dosis 0 Kg/ha; B = 50 Kg/ha; C = 100 kg/ha; D = 200 Kg/ha; E = 250 Kg/ha
Penyelesaian
Model yang akan digunakan untuk analisis sidik ragam adalah one way anova dengan
post test uji Duncan. Tahapan analisisnya adalah:
1. Buka program Excel dan lakukan tabulasi seperti Gambar 1. Simpan dengan nama
ral1faktor.xls
2
Gambar 1. Tampilan data entri di Excel
2. Buka program SPSS pada Komputer, selanjutnya akan muncul data view. Impor
data dari Excel dengan klik File > Open > Data
3. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih ral1faktor.xls
dilanjutkan dengan klik Open. Kotak dialog opening excel data source ditampilkan.
3
Gambar 3. Kotak dialog open data
4. klik Continue maka data akan ditampilkan di data view spss seperti berikut.
5. Selanjutnya kita akan melakukan analisis varians, klik Analyze > Compare means
> one way anova.
4
Gambar 5 Tampilan menu one way anova
6. Selanjutnya kotak dialog One way Anova ditampilkan. Pilih variabel Hasil dan klik
ke Dependent List, variabel Hasil akan berpindah ke kanan (lihat gambar 6).
Selanjutnya pada Faktor pilih Perlakuan dan klik tanda panah ke kanan, variabel
perlakuan akan berpindah ke kanan (Lihat gambar 6).
5
7. Masih pada kotak dialog One way anova, kali ini kita akan melakukan uji Duncan.
Klik menu Post Hoc yang terletak di sebelah kanan, pilih uji Duncan dan Klik
Continue. Apabila semua data sudah lengkap maka SPSS siap memproses data,
klik OK, maka Output Model akan ditampilkan.
OUTPUT MODEL
ANOVA
Hasil
Sum of Squares df Mean Square F Sig.
Between Groups 277.686 5 55.537 39.854 .000
Within Groups 33.444 24 1.393
Total 311.130 29
Berdasarkan hasil ANOVA, pada kolom Sig diperoleh nilai P (P-value) = 0.000.
Dengan demikian, pada taraf alpha = 0.05 kita menolak Ho sehingga dapat disimpulkan
bahwa terdapat perbedaan yang sangat nyata antara dosis pemupukan dengan hasil
jagung.
Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan
uji lanjut (post Hoc) untuk melihat pengaruh antar perlakuan. Hasil uji Duncan adalah:
6
Post Hoc Tests Homogeneous Subset
Duncan Hasil
Subset for alpha = 0.05
perlaku
an N 1 2 3
1 5 32.00
2 5 37.58
3 5 39.60
5 5 40.02
4 5 40.42
6 5 40.80
Untuk memudahkan interpretasi maka tabel diatas dapat diberi kode huruf, dimulai
dengan huruf “ a “ pada kolom dengan nilai tertinggi. Selain itu perlu diingat bahwa kolom
yang sama mempunyai kode huruf yang sama.
Duncan Hasil
Subset for alpha = 0.05
Perlaku
an N 1 2 3
1 5 32.00 c
2 5 37.58 b
3 5 39.60 a
5 5 40.02 a
4 5 40.42 a
6 5 40.80 a
Kesimpulan: Pemberian pupuk dengan dosis 100 kg/ha menghasilkan produksi 39,60
ku/ha dan tidak berbeda nyata dengan dosis 250 kg/ha yang menghasilkan 40,80 ku/ha
sehingga dosis pupuk 100 kg/ha yang direkomendasikan (Perlakuan 3).
7
Dalam analisis Anova, seringkali kita bekerja dengan lebih dari satu
parameter yang harus di uji secara bersamaan.
Penyelesaian
Model yang akan digunakan untuk analisis sidik ragam adalah one way anova dengan
post test uji Duncan. Tahapan analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti beriku. Simpan
dengan nama ral3parameter.xls
8
Gambar 8. Tampilan data entri di Excel
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Impor data dari Excel dengan klik File > Open > Data
3. Selanjutnya pada dialog File Type pilih Excel dan File name pilih
ral3parameter.xls dilanjutkan dengan klik Open.
4. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.
9
5. Selanjutnya kita akan melakukan analisis anova secara bersamaan terhadap
ketiga parameter. Klik Data > Split File sebagai berikut.
10
7. Untuk analisis varians, klik Analyze > Compare means > one way anova
sebagai berikut.
9. Masih pada kotak dialog One way anova, kali ini kita akan melakukan uji Duncan.
Caranya Klik menu Post Hoc dan pilih uji Duncan > Continue. Apabila semua
data sudah lengkap maka SPSS siap memproses data, klik OK.
11
OUTPUT MODEL
ANOVA
Sum of Squares df Mean Square F Sig.
Protein Between Groups 112.691 2 56.345 40.743 .000
Within Groups 8.298 6 1.383
Total 120.988 8
Karbohidrat Between Groups 9.479 2 4.740 42.888 .000
Within Groups .663 6 .111
Total 10.142 8
Lemak Between Groups 16.577 2 8.288 6.109E4 .000
Within Groups .001 6 .000
Total 16.578 8
Berdasarkan hasil ANOVA, pada kolom Sig diperoleh nilai P (P-value) = 0.000 (< 0,05)
pada parameter karbohidrat, protein dan lemak. Dengan demikian, pada taraf alpha =
0.05 kita menolak Ho sehingga dapat disimpulkan bahwa terdapat perbedaan yang
sangat nyata antara RPM alat dengan kadar karbohidrat, protein dan lemak ransum.
Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan uji
lanjut (post Hoc) untuk melihat pengaruh antar perlakuan. Hasil uji Duncan adalah:
Karbohidrat
Duncan
Subset for alpha = 0.05
per N 1 2
3 3 5.70 b
2 3 6.06 b
1 3 8.04 a
Sig. .231 1.000
12
Lemak
Duncan
Subset for alpha = 0.05
per N 1 2 3
3 3 1.25 c
2 3 2.34 b
1 3 4.52 a
Sig. 1.000 1.000 1.000
Protein
Duncan
Subset for alpha = 0.05
per N 1 2 3
1 3 5.56 c
2 3 10.54 b
3 3 14.19 a
Sig. 1.000 1.000 1.000
13
Kesimpulan :
1. kecepatan putaran alat pencampur pakan mempengaruhi secara nyata komposisi
nutirsi karbohidrat, protein, dan lemak pada pakan ternak yang dihasilkan.
2. Kecapatan putaran alat 600 RPM merupakan kecepatan putaran yang terbaik untuk
pencampuran pakan dengan hasil kadar karbohidrat dan lemak yang nyata paling
tinggi, masing-masing sebesar 8,04% dan 4,52%.
3. Kecapatan putaran alat 800 RPM merupakan kecepatan putaran yang terbaik untuk
pencampuran pakan dengan hasil kadar protein nyata paling tinggi yaitu 14,19%.
14
ANALISIS DATA MENGGUNAKAN SOFWARE SAS
Sistem SAS (Statistical Analysis System) merupakan sistem paket program untuk analisis data
dan pelaporan. Pemrograman SAS dibuat pada suatu sistem manajer, yaitu Display Manager
System yang terdiri dari tiga window yaitu:
1) Window editor program, berfungsi untuk menulis program. Perintah-perintah SAS ditulis
pada window editor program. Suatu perintah dimulai dengan kata kunci dan diakhiri dengan
tanda titik koma. Satu program lengkap diakhiri dengan pernyataan run;
2) Wndow Log berguna untuk menampilkan pesan apakah suatu perintah telah berhasil
dikerjakan atau terdapat kesalahan;
3) Window Output berfungsi untuk menampilkan hasil proses dari suatu program
15
Analsis Data
1. Penyusunan data.
Sebelum melakukan anlasis data, data yang telah dikumpulkan di input di MS Excel
untuk memudahkan pengaturan dan pengeditan data. Setiap faktor dan varibel yang
akan dianalisi disusun secara verikal.
16
2. Pengetikan listing SAS
Buka software SAS, kemudian klik windows Editor untuk melakukan pengetikan listing SAS
OPTION PS=100;
TITLE'RANCANGAN ACAK LENGKAP_ satu faktor';
Data RAL;
input Perlakuan$ Ulangan Hasil;
cards;
;
proc anova;
class Perlakuan;
Model Hasil=Perlakuan;
MEAN Perlakuan/DUNCAN;
RUN;
Keterangan:
Title = ketik nama judul percobaan disetai dengan tanda ‘...’
Input = merupakan nama faktor dan variabel yang akan dianalisis
17
proc anova = analisis varian;
class = input nama faktor percobaan “perlakuan”
Model Hasil = Perlakuan = model analisis anova
MEAN Perlakuan/DUNCAN = Mean Perlakuan/Duncan = rata-rata setiap perlakuan
dan uji lanjut dengan menggunakan uji Duncan.
Uji lanjut yang lain dapat digunakan sebagai berikut:
3. Copy data dari MS Excel di baris bagian cards; (data yang di copy tidak termasuk
nama “factor” dan “variabel”
OPTION PS=60;
TITLE'RANCANGAN ACAK LENGKAP_ satu faktor';
Data RAL;
input Perlakuan$ Ulangan Hasil;
cards;
0 1 31.3
0 2 33.4
0 3 29.2
0 4 32.2
0 5 33.9
50 1 38.8
50 2 37.5
50 3 37.4
50 4 35.8
50 5 38.4
100 1 40.9
100 2 39.2
100 3 39.5
100 4 38.6
100 5 39.8
150 1 40.9
150 2 41.7
150 3 39.4
150 4 40.1
150 5 40.0
200 1 39.7
200 2 40.6
200 3 39.2
200 4 38.7
200 5 41.9
250 1 40.6
250 2 41.0
250 3 41.5
250 4 41.1
250 5 39.8
18
proc anova;
class Perlakuan;
Model Hasil=Perlakuan;
MEAN Perlakuan/DUNCAN;
RUN;
setelah listing SAS telah selesai diketik, klik Submit atau tekan F8
19
RANCANGAN ACAK LENGKAP 14:20 Friday, February 19, 2015 1
Perlakuan 6 A B C D E F
Number of observations 30
Sum of
Source DF Squares Mean Square F Value Pr > F
20
RANCANGAN ACAK LENGKAP 14:20 Friday, February 19, 2015 3
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 24
Error Mean Square 1.3935
Number of Means 2 3 4 5 6
Critical Range 1.541 1.618 1.668 1.703 1.730
A 40.8000 5 250
A
A 40.4200 5 150
A
A 40.0200 5 200
A
A 39.6000 5 100
B 37.5800 5 50
C 32.0000 5 0
Hasil Output di buat dalam bentuk Tabel Anova adalah sebagai berikut:
Berdasarkan hasil ANOVA, pada kolom Pr > F (Probality) tercantum nilai signifikan
<.0001 yang menunjukkan perlakuan sangat nyata pada taraf α =0,05 sehingga dapat
disimpulkan terdapat perbedaan yang sangat nyata antara dosis pemupukan dengan hasil jagung.
Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan uji lanjut
untuk melihat pengaruh antar perlakuan. Hasil uji Duncan pada output SAS adalah:
21
Pada kasus RAL 1 faktor dengan tiga parameter, penyelesaian di SAS adalah:
OPTION PS=100;
TITLE'RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel';
Data RAL;
input RPM ulangan Krbohdrt Lemak Protein ;
cards;
600 1 8.037 4.504 5.680
700 1 6.064 2.350 11.540
800 1 5.036 1.254 14.040
600 2 8.035 4.540 4.750
700 2 6.063 2.340 10.200
800 2 6.034 1.255 15.940
600 3 8.037 4.510 6.250
700 3 6.061 2.342 9.890
800 3 6.034 1.250 12.600
;
proc anova;
class RPM Ulangan;
Model Krbohdrt Lemak Protein = RPM;
MEAN RPM/DUNCAN;
RUN;
Jalankan perhitungan anlisis dengan mengklik Submit atau F8
22
ulangan 3 1 2 3
Number of observations 9
Sum of
Source DF Squares Mean Square F Value Pr > F
Sum of
Source DF Squares Mean Square F Value Pr > F
Sum of
Source DF Squares Mean Square F Value Pr > F
23
RPM 2 112.6905556 56.3452778 40.74 0.0003
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 6
Error Mean Square 0.110668
Number of Means 2 3
Critical Range .6646 .6888
A 8.0363 3 600
B 6.0627 3 700
B
B 5.7013 3 800
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 6
Error Mean Square 0.000136
Number of Means 2 3
Critical Range .02327 .02412
A 4.518000 3 600
B 2.344000 3 700
C 1.253000 3 800
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 6
Error Mean Square 1.382956
Number of Means 2 3
Critical Range 2.350 2.435
24
Means with the same letter are not significantly different.
A 14.1933 3 800
B 10.5433 3 700
C 5.5600 3 600
Berdasarkan hasil ANOVA, pada kolom Sig diperoleh nilai P (P-probality) = 0.000 (< 0,001)
pada parameter karbohidrat, protein dan lemak pada taraf nyata α = 0.05.
Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan uji lanjut untuk
melihat pengaruh antar perlakuan. Hasil uji Duncan pada output SAS adalah
25
BAB 3
Blok I D1 B1 C1 A1 E1
Blok II C1 A1 E1 B1 D1
Blok III
B1 E1 D1 C1 A1
Perlakuan: A = Varietas Pulut A, B = Pulut B, C = Pulut C, D = Pulut D dan E = Pulut E
Penyelesaian
Model yang akan digunakan untuk analisis sidik ragam adalah general linear model
dengan post test uji Duncan. Tahapan analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan
dengan nama rak1faktor.xls
Gambar 1. Tampilan data entri di Excel
2. Buka program SPSS, selanjutnya akan muncul data view pada komputer. Impor data
dari Excel dengan klik File > Open > Data
3. Selanjutnya pada dialog File Type pilih Excel dan File name pilih rak1faktor.xls
dilanjutkan dengan klik Open. Selanjutnya akan muncul kotak dialog data source.
5. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model > univariate.
7. Klik model maka akan keluar tampilan seperti gambar 7. Klik custom dan
masukkan perlakuan dan ulangan ke kotak model dengan klik tanda panah.
Selanjutnya klik continue.
OUTPUT MODEL
Between-Subjects Factors
N
Ulangan 1 5
2 5
3 5
Perlakuan 1 3
2 3
3 3
4 3
5 3
Tests of Between-Subjects Effects
Dependent Variabel:Hasil
Type III Sum of
Source Squares Df Mean Square F Sig.
Corrected Model
.466a 6 .078 6.293 .010
Berdasarkan hasil ANOVA, diperoleh nilai Sig (P-value) dari perlakuan sebesar
0.004 (<0.05) sehingga hipotesis Ho ditolak dan disimpulkan bahwa terdapat
perbedaan yang nyata antara perlakuan varietas terhadap hasil jagung.
Karena terdapat perbedaan yang nyata antara perlakuan maka dilakukan uji
lanjut untuk melihat pengaruh antar perlakuan. Hasil uji Duncan adalah:
Hasil
Duncan
Subset
Perlakuan N 1 2 3
1 3 4.67
2 3 4.83 4.83
3 3 4.90
4 3 5.05 5.05
5 3 5.17
Untuk memudahkan interpretasi maka tabel diatas dapat diberi notasi huruf sebagai
berikut.
Hasil
Duncan
Subset
Perlakuan N 1 2 3
1 3 4.67 c
2 3 4.83 c 4.83 b
3 3 4.90 b
4 3 5.05 b 5.05 a
5 3 5.17 a
Kesimpulan: Varietas Pulut E memberikan hasil jagung yang tertinggi yaitu 5,17 t/ha
namun tidak berbeda nyata dengan varietas pulut D yang menghasilkan 5,05 t/ha.
Dalam analisis RAK, seringkali kita bekerja dengan lebih dari satu parameter
yang harus di uji secara bersamaan. Hal tersebut dimungkinkan dalam SPSS.
Penyelesaian
Model yang akan digunakan untuk analisis sidik ragam adalah general linear model
dengan post test uji Duncan. Tahapan analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan
dengan nama rak3parameter.xls
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Impor data dari Excel dengan klik File > Open > Data. Pada dialog File
Type pilih Excel dan File name pilih rak3parameter.xls dilanjutkan dengan klik
Open. Selanjutnya akan muncul kotak dialog opening excel data source.
3. Klik Continue maka akan ditampilkan data view spss seperti berikut.
Gambar 8. Data view SPSS
4. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model > multivariate sebagai berikut :
5. Selanjutnya kotak dialog Multivariate ditampilkan. Pilih variabel Umur dan klik ke
Dependent List, variabel Umur akan berpindah ke kanan. Lakukan hal yang sama
pada variabel tinggi dan hasil. Selanjutnya Pada Faktor pilih Perlakuan dan
ulangan, maka variabel perlakuan dan ulangan akan berpindah ke kanan.
Gambar 10. Memasukkan variable
6. Klik model maka akan keluar tampilan Dialog moodel. Klik custom dan masukkan
perlakuan dan ulangan ke kotak model dengan klik tanda panah. Selanjutnya klik
continue.
7. Kali ini kita akan melakukan uji Duncan. Caranya Klik menu Post Hoc, dan
masukkan perlakuan. Pilih uji Duncan > Continue > OK. Output Model adalah.
OUTPUT MODEL
Between-Subjects Factors
N
1 4
Ulangan 2 4
3 4
1 3
2 3
Perlakuan
3 3
4 3
Tests of Between-Subjects Effects
Depend
ent
Variabl Type III Sum of
Source e Squares Df Mean Square F Sig.
a
Corrected Model Umur 49.083 5 9.817 32.127 .000
b
Tinggi 99.833 5 19.967 13.562 .003
c
Hasil .242 5 .048 4.462 .048
Intercept Umur 74734.083 1 74734.083 2.446E5 .000
Tinggi 390241.333 1 390241.333 2.651E5 .000
Hasil 284.213 1 284.213 2.624E4 .000
ulangan Umur 18.167 2 9.083 29.727 .001
Tinggi 1.167 2 .583 .396 .689
Hasil .022 2 .011 1.000 .422
perlakuan Umur 30.917 3 10.306 33.727 .000
Tinggi 98.667 3 32.889 22.340 .001
Hasil .220 3 .073 6.769 .024
Error Umur 1.833 6 .306
Tinggi 8.833 6 1.472
Hasil .065 6 .011
Total Umur 74785.000 12
Tinggi 390350.000 12
Hasil 284.520 12
Corrected Total Umur 50.917 11
Tinggi 108.667 11
Hasil .307 11
a. R Squared = .964 (Adjusted R Squared = .934)
b. R Squared = .919 (Adjusted R Squared = .851)
c. R Squared = .788 (Adjusted R Squared = .611)
Berdasarkan hasil analisis, diperoleh nilai Sig (P-value) dari perlakuan sebesar
0.00 untuk parameter umur, 0.001 untuk tinggi tanaman dan 0,030 untuk parameter
hasil. Nilai signifikansi dari ketiga parameter <0.05 sehingga hipotesis Ho ditolak
sehingga dapat disimpulkan bahwa terdapat perbedaan yang nyata antara perlakuan
varietas terhadap umur, tinggi tanaman dan hasil jagung.
Karena terdapat perbedaan yang nyata antara perlakuan maka dilakukan uji
lanjut (Post Hoc test) untuk melihat pengaruh antar perlakuan. Hasil uji Duncan adalah:
Umur
Duncan
Subset
perlaku
an N 1 2 3 4
1 3 76.66 d
2 3 78.33 c
3 3 79.66 b
4 3 81.00 a
Sig. 1.000 1.000 1.000 1.000
Tinggi
Duncan
Subset
perlaku
an N 1 2 3
1 3 176.3 c
2 3 179.0 b
3 3 183.67 a
4 3 183.67 a
Sig. 1.000 1.000 .227
Hasil
Duncan
Subset
perlaku
an N 1 2
1 3 4.67 b
2 3 4.83 b 4.83 a
3 3 4.93 a
4 3 5.03 a
Sig. .098 .064
Ketiga tabel diatas dapat disusun ulang sebagai berikut:
Kesimpulan:
Varietas Pulut D memberikan hasil jagung yang tertinggi yaitu 5,03 t/ha namun
tidak berbeda nyata dengan Varietas Pulut B dan Pulut C. Varietas Pulut A
mempunyai hasil yang terendah, yang menghasilkan 4,67 t/ha.
Varietas D mempunyai tinggi tanaman yang tertinggi yaitu 183,67 cm namun
tidak berbeda nyata dengan Varietas Pulut C. Sementera itu dari aspek umur
tanaman, diperoleh perbedaan yang nyata antara setiap varietas
ANALISIS DATA RAK 1 FAKTOR MENGGUNAKAN SAS
OPTION PS=60;
TITLE'Evaluasi beberapa genotipe jagung pulut';
Data pulut;
input Pulut$ Ulangan Hasil;
cards;
A 1 4.5
B 1 4.8
C 1 4.9 bila data faktor percobaan
D 1 5.1
E 1 5.2 menggunkan huruf (non numeric)
A 2 4.7 harus ditulis simbol $ di belakang
B 2 4.9 nama faktor, contoh nama pulut pada
C 2 5 data adalah A, B, .. E. Agar dianggap
D 2 5.1 numeric maka beri simbol $ sebagai
E 2 5.1
A 3 4.8 berikut : “pulut$”
B 3 4.8
C 3 4.8
D 3 4.9
E 3 5.2
;
proc anova;
class Pulut ulangan;
Model hasil = Pulut ulangan;
Mean Pulut/duncan; Klik Submit untuk
RUN; menjalankan analisis
data
Kemudian klik Submit untuk menjalan analisis data. Kemudian akan muncul hasil analisis data
di window Output
Output dapat di transfer dalam file MS. Words, langkah-langkah sebagai berikut:
Pulut 5 A B C D E
Ulangan 3 1 2 3
Number of observations 15
Sum of
Source DF Squares Mean Square F Value Pr > F
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 8
Error Mean Square 0.011833
Number of Means 2 3 4 5
Critical Range .2048 .2134 .2183 .2211
A 5.16667 3 E
A
B A 5.03333 3 D
B
B 4.90000 3 C
B
B C 4.83333 3 B
C
C 4.66667 3 A
Berdasarkan hasil ANOVA, diperoleh nilai Sig (P-value) dari perlakuan (genotipe Pulut)
sebesar 0.0043 yang berarti <α =0,05 sehingga disimpulkan bahwa terdapat perbedaan hasil
yang sangat nyata antara genotipe jagung pulut.
OPTION PS=60;
TITLE'Evaluasi beberapa genotipe jagung pulut';
Data pulut;
input Pulut$ Ulangan Umur_Pan T_Tan Hasil;
cards;
PulutA 1 75 178 4.5
PulutB 1 77 179 4.8
PulutC 1 78 181 4.9
PulutD 1 80 183 5.1
PulutA 2 77 176 4.7
PulutB 2 78 180 4.9
PulutC 2 80 183 5.0
PulutD 2 80 184 5.1
PulutA 3 78 175 4.8
PulutB 3 80 178 4.8
PulutC 3 81 183 4.9
PulutD 3 83 184 4.9
;
proc anova;
class Pulut ulangan;
Model umur_Pan T_Tan Hasil = Pulut ulangan;
Mean Pulut/duncan;
RUN;
Ulangan 3 1 2 3
Number of observations 12
Sum of
Source DF Squares Mean Square F Value Pr > F
Sum of
Source DF Squares Mean Square F Value Pr > F
Sum of
Source DF Squares Mean Square F Value Pr > F
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 6
Error Mean Square 0.305556
Number of Means 2 3 4
Critical Range 1.104 1.145 1.165
A 81.0000 3 PulutD
B 79.6667 3 PulutC
C 78.3333 3 PulutB
D 76.6667 3 PulutA
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 6
Error Mean Square 1.472222
Number of Means 2 3 4
Critical Range 2.424 2.512 2.556
A 183.6667 3 PulutD
A
A 182.3333 3 PulutC
B 179.0000 3 PulutB
C 176.3333 3 PulutA
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 6
Error Mean Square 0.010833
Number of Means 2 3 4
Critical Range .2079 .2155 .2193
A 5.03333 3 PulutD
A
A 4.93333 3 PulutC
A
B A 4.83333 3 PulutB
B
B 4.66667 3 PulutA
Berdasarkan hasil analisis, diperoleh nilai Sig (P-value) dari perlakuan sebesar 0.0004
untuk parameter umur, 0.0012 untuk parameter tinggi tanaman dan 0.0236 untuk
parameter hasil. Nilai signifikansi dari ketiga parameter <0.05 sehingga dapat
disimpulkan bahwa terdapat perbedaan umur, tinggi tanaman dan hasil jagung yang
nyata antara varietas jagung pulut.
Karena terdapat perbedaan yang nyata antara perlakuan maka dilakukan uji
untuk melihat pengaruh antar perlakuan. Hasil Duncan pada output SAS adalah:
Seperti pada percobaan RAL 1 faktor, penempatan kombinasi perlakuan pada RAL
faktorial dilakukan secara acak dan bebas pada petak percobaan.
Perlakuan: A0= Agen Hayati A; A1= Agen B; A2 = Agen C; W0 = 1 minggu setelah tanam
(mst) ; W1 = 2 mst; W2 = 3 mst
Data intensitas serangan penyakit (%) pada berbagai jenis mikrobia dan waktu
inokulasi adalah sebagai berikut:
Model yang digunakan untuk analisis sidik ragam adalah general linear model
dengan post test uji Duncan. Tahapan analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan
dengan nama Ralfaktorial.xls
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Impor data dari Excel dengan klik File > Open > Data.
3. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih
Ralfaktorial.xls dilanjutkan dengan klik Open. Klik Continue maka data akan
ditampilkan di data view spss seperti berikut.
Gambar 2. Data view perlakuan
4. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model > univariate sebagai berikut:
6. Klik model maka akan keluar tampilan seperti gambar 5. Klik custom dan
masukkan Mikrobia dan Waktu ke kotak model dengan klik tanda panah.
Selanjutnya kita akan menganalisis interaksi mikrobia dengan waktu inokulasi. Klik
Mikrobia sambil menekan Shift klik Waktu maka kedua variabel akan terblok.
Klik tanda panah ke kanan maka akan terbentuk interaksi Mikrobia*Waktu. Klik
continue > Ok.
Hasil analisis sidik ragam diperoleh nilai Sig (p-value) variabel Mikrobia =
0,000 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat
perbedaan yang sangat nyata antara perlakuan Mikrobia dengan intensitas serangan
penyakit busuk batang pada tanaman jagung.
Selanjutnya variabel kedua yaitu Waktu (saat inokulasi dilakukan) diperoleh
nilai Sig (p-value) variabel waktu = 0,003 (< 0,05) sehingga hipotesis H0 ditolak dan
disimpulkan bahwa terdapat perbedaan yang nyata antara perlakuan waktu inokulasi
dengan intensitas serangan penyakit busuk batang pada tanaman jagung.
Interaksi jenis mikrobia dengan waktu inokulasi mempunyai nilai Sig (p-value)
= 0,0003 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat
perbedaan yang sangat nyata antara perlakuan jenis Mikrobia dan waktu inokulasi
terhadap intensitas serangan penyakit busuk batang pada tanaman jagung.
Apabila ingin melakukan uji interaksi dua arah prosedurnya adalah:
1. Ubah konfigurasi penyusunan data seperti gambar berikut. Tampilan data di
Excel adalah
(A). Penyusunan Interaksi arah horizontal di excel (B). Penyusunan Interaksi arah vertikal di excel
1. Buka program SPSS pada computer. Impor data dari Excel dengan klik File >
Open > Data
2. Selanjutnya pada dialog File Type pilih Excel dan File name pilih
Ralfaktorhorizontal.xls dilanjutkan dengan klik Open.
3. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.
Perl. A0 terhadap W0_W1 &W2 Perl. A1 terhadap W0_W1 &W2 Perl. A2 terhadap W0_W1 &W2
Duncan Duncan Duncan
Subset for alpha = 0.05 Subset for alpha = 0.05 Subset for alpha = 0.05
Perla Perla Perla
kuan N 1 2 3 kuan N 1 2 3 kuan N 1 2 3
1 3 10.03 C 1 3 11.97 C 1 3 13.18 C
2 3 18.13 B 2 3 19.99 B 2 3 19.43 B
3 3 28.20 A 3 3 30.13 A 3 3 30.23 A
Sig. 1.000 1.000 1.000 Sig. 1.000 1.000 1.000 Sig. 1.000 1.000 1.000
Untuk melakukan uji Duncan arah vertikal ulangi prosedur di atas dengan
menggunakan data interaksi arah vertikal (Lihat Gambar 6.B). Output uji interaksi
adalah:
Catatan:
Kolom yang sama mempunyai kode huruf yang sama
Kedua hasil uji Duncan diatas selanjutnya dapat di sederhanakan menjadi tabel
dua arah sebagai berikut
Kesimpulan:
A0 W0 1 10.50
A0 W0 2 9.68
A0 W0 3 9.90
A0 W1 1 18.75
A0 W1 2 17.65
A0 W1 3 18.00
A0 W2 1 27.80
A0 W2 2 28.50
A0 W2 3 28.30
A1 W0 1 11.43
A1 W0 2 12.12
A1 W0 3 12.35
A1 W1 1 19.89
A1 W1 2 20.20
A1 W1 3 19.88
A1 W2 1 29.80
A1 W2 2 30.10
A1 W2 3 30.50
A2 W0 1 13.12
A2 W0 2 12.98
A2 W0 3 13.45
A2 W1 1 19.20
A2 W1 2 19.60
A2 W1 3 19.50
A2 W2 1 29.90
A2 W2 2 30.70
A2 W2 3 30.10
;
proc anova;
class Mikrobia Waktu ulangan;
Model Serangan = Mikrobia Waktu Mikrobia*Waktu ;
RUN;
proc glm;
class Mikrobia Waktu ulangan inter;
Model Serangan = Mikrobia Waktu inter/NOUNI;
MEAN Mikrobia Waktu inter/DUNCAN;
MEAN Mikrobia Waktu inter/LSD;
RUN;
Dua jenis uji lanjut dapat
dilakukan sekaligus yaitu
Duncan dan LSD
Klik Subnit atau F8 untuk menjalankann analisis data
untuk melihat out klik windows Output
Mikrobia 3 A0 A1 A2
Waktu 3 W0 W1 W2
ulangan 3 1 2 3
Number of observations 27
Sum of
Source DF Squares Mean Square F Value Pr > F
Mikrobia 3 A0 A1 A2
Waktu 3 W0 W1 W2
ulangan 3 1 2 3
inter 9 A0W0 A0W1 A0W2 A1W0 A1W1 A1W2 A2W0 A2W1 A2W2
Number of observations 27
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 18
Error Mean Square 0.142948
Number of Means 2 3
Critical Range .3744 .3929
A 20.9500 9 A2
A
A 20.6967 9 A1
B 18.7867 9 A0
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 18
Error Mean Square 0.142948
Number of Means 2 3
Critical Range .3744 .3929
A 29.5222 9 W2
B 19.1856 9 W1
C 11.7256 9 W0
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 18
Error Mean Square 0.142948
Number of Means 2 3 4 5 6 7 8 9
Critical Range .6486 .6805 .7006 .7146 .7248 .7325 .7385 .7431
A 30.2333 3 A2W2
A
A 30.1333 3 A1W2
B 28.2000 3 A0W2
C 19.9900 3 A1W1
C
C 19.4333 3 A2W1
D 18.1333 3 A0W1
E 13.1833 3 A2W0
F 11.9667 3 A1W0
G 10.0267 3 A0W0
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 18
Error Mean Square 0.142948
Critical Value of t 2.10092
Least Significant Difference 0.3744
A 20.9500 9 A2
A
A 20.6967 9 A1
B 18.7867 9 A0
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 18
Error Mean Square 0.142948
Critical Value of t 2.10092
Least Significant Difference 0.3744
A 29.5222 9 W2
B 19.1856 9 W1
C 11.7256 9 W0
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 18
Error Mean Square 0.142948
Critical Value of t 2.10092
Least Significant Difference 0.6486
A 30.2333 3 A2W2
A
A 30.1333 3 A1W2
B 28.2000 3 A0W2
C 19.9900 3 A1W1
C
C 19.4333 3 A2W1
D 18.1333 3 A0W1
E 13.1833 3 A2W0
F 11.9667 3 A1W0
G 10.0267 3 A0W0
Karena pengaruh agensi hayati mikroba, waktu inokulasi, dan interaksi agensi hayati
mikroba dan waktu inokulasi kesemuanya berpengaruh sangat nyata, maka penyajian data dan
pembahasan hanya memfokuskan pada interaksi agensi hayati mikroba dan waktu.
Penyusunan data berdasarkan output sas
Selanjutnya dilakukan pengacakan pada setiap blok, oleh sebab itu jumlah
pengacakan yang dilakukan sebanyak jumlah kelompok, yaitu 3 kali dan di setiap blok
tidak muncul perlakuan yang sama. Hasil pengacakan yang diperoleh adalah:
BLOK
VAP0 VCP0 VBP12 VDP0 VAP12 VCP6 VDP6 VBP0 VCP12 VAP6 VDP12 VBP6
II
VBP0 VCP12 VAP6 VCP0 VBP6 VBP12 VAP0 VDP0 VCP6 VDP6 VAP12 VDP12
III
VAP12 VCP6 VBP0 VDP0 VCP12 VDP6 VAP6 VBP6 VDP12 VBP12 VCP0 VAP0
Data Persentase tanaman tumbuh (%) empat varietas jagung pada tiga periode
penyimpanan (bulan) adalah:
Varietas Periode penyimpanan
Ulangan 12 bulan
0 bulan (P0) 6 bulan (P6)
(P12)
Varietas A (VA) 1 100 98 97
2 100 98 98
3 100 98 97
Varietas B (VB) 1 97 96 95
2 97 96 96
3 98 96 96
1 97 96 94
Varietas C (VC) 2 95 94 93
3 95 94 94
1 95 92 86
Varietas D (VD) 2 92 90 88
3 92 90 89
Penyelesaian
Model yang akan digunakan untuk analisis sidik ragam adalah general linear model
dengan post test uji Duncan. Tahapan analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan
dengan nama rak2faktor.xls
Gambar 1. Tampilan data entri di Excel
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Impor data dari Excel dengan klik File > Open > Data
3. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih Rak2faktor.xls
dilanjutkan dengan klik Open. > Continue, data akan ditampilkan seperti berikut.
4. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model > univariate
5. Selanjutnya kotak dialog Univariate ditampilkan. Pilih variabel Tumbuh dan klik ke
Dependent List, variabel Hasil akan berpindah ke kanan. Selanjutnya Pada Fixed
Faktor pilih Var, Simpan dan Blok, (Lihat gambar 4).
Gambar 3. Memasukkan variabel
6. Klik model maka akan keluar tampilan seperti gambar 4. Klik custom dan
masukkan Var, Simpan dan Blok ke kotak model dengan klik tanda panah.
Selanjutnya kita akan menganalisis interaksi varietas dan lama penyimpanan. Klik
Var selanjutnya sambil menekan Shift klik Simpan maka kedua variabel akan
terblok. Klik tanda panah ke kanan maka akan terbentuk interaksi Simpan*Var
pada model. Selanjutnya klik continue > OK.
Berdasarkan hasil analisis sidik ragam diperoleh nilai Sig (P-value) dari variabel
Var (varietas) sebesar 0.000 (< = 0.05) sehingga hipotesis Ho ditolak sehingga dapat
disimpulkan bahwa terdapat perbedaan yang sangat nyata antara perlakuan Varietas
terhadap persentase biji tumbuh.
Selanjutnya variabel kedua yaitu Simpan (lama waktu penyimpanan sebelum
varietas ditanam) sebesar 0.000 (< = 0.05) sehingga hipotesis Ho ditolak sehingga
dapat disimpulkan bahwa terdapat perbedaan yang sangat nyata antara perlakuan
Simpan terhadap persentase biji tumbuh.
Interaksi varietas dengan lama penyimpanan (Var*Simpan) mempunyai nilai
Sig sebesar 0.027 (< = 0.05) sehingga hipotesis Ho ditolak sehingga dapat
disimpulkan bahwa interaksi antara Varietas dengan lama waktu penyimpanan
berpengaruh nyata terhadap persentase biji tumbuh.
Karena terdapat perbedaan yang nyata antara perlakuan maka dilakukan uji
lanjut. Prosedur uji interaksi varietas dan lama penyimpanan adalah:
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Impor data dari Excel dengan klik File > Open > Data
3. Selanjutnya pada dialog File Type pilih Excel dan File name pilih
RAKfaktorhorizontal.xls dilanjutkan dengan klik Open. > Continue.
Gambar 6. Data view SPSS
4. Selanjutnya kita akan melakukan analisis varians, klik Analyze >General linear
model > Multivariate
5. Selanjutnya kotak dialog multivariate ditampilkan. Pilih variabel VAP_0_6_12,
VBP_0_6_12, VCP_0_6_12 dan VDP_0_6_12 dilanjutkan dengan klik
panah Dependent List. Pada Fixed Faktor pilih Ulangan dan Perlakuan.
6. Klik model maka akan keluar tampilan seperti gambar 7. Klik custom dan
masukkan Ulangan dan Perlakuan . Klik continue untuk lanjut.
7. Selanjutnya kita akan melakukan uji Duncan. Klik menu Post Hoc, pilih variabel
Perlakuan dilanjutkan dengan menekan panah kekanan maka variabel akan
berpindah ke kanan. Klik Continue. Apabila semua data sudah lengkap klik OK.
Gambar 8. Tampilan Uji Post-Hoc Model
OUTPUT MODEL
3 3 97.33 B 3 3 95.67 B
2 3 98.00 B 2 3 96.00 B
1 3 100.00 A 1 3 97.33 A
Sig 0.070 1.000 Sig 0.374 1.000
3 3 93.67 B 3 3 87.67 B
2 3 94.67 B 94.67 A 2 3 90.67 B 90.67 A
1 3 95.67 A 1 3 93.00 A
Sig 0.101 0.101 Sig 0.09 0.171
Untuk melakukan uji Duncan arah vertikal ulangi prosedur di atas dengan
menggunakan data interaksi arah vertikal (Lihat Gambar 7.B).
Output uji interaksi arah vertikal adalah:
P0 V_A _VB_VC_VD P6 V_A _VB_VC_VD
Perlaku Subset Perlaku Subset
an N 1 2 3 an N 1 2 3 4
4 3 93.00 c 4 3 90.67 d
3 3 95.67 b 3 3 94.67 c
2 3 97.33 b 2 3 96.00 b
1 3 100.00a 1 3 98.00 a
Sig 1.00 1.000 0.084 Sig 1.000 1.000 1.000 1.000
4 3 87.67 c
3 3 93.67 b
2 3 95.67 a
1 3 97.33 a
Sig 1.00 1.000 1.000 0.057
Kesimpulan:
Berdasarkan uji anova terdapat interaksi antara varietas dengan lama waktu
penyimpanan benih jagung terhadap persentase tanaman yang tumbuh.
Varietas A dengan lama penyimpanan benih 0 bulan mempunyai persentase
tanaman tumbuh yang tertinggi yaitu 100 % dan berbeda nyata dengan
perlakuan lainnya. Sementara itu Varietas D dengan lama penyimpanan 12 bulan
mempunyai persentase tanaman tumbuh yang terendah yaitu 87,67%.
ANALISIS DATA MENGGUNAKAN SOFWARE SAS
Penyusunan data di MS Excel
proc glm;
Class Varietas WaktuSim ulangan inter;
Model DayaTum = ulangan Varietas WaktuSim Varietas*WaktuSim inter/NOUNI;
MEANS Varietas WaktuSim inter/DUNCAN;
RUN;
Copy data dari MS. Excel di bagian bawah “cards”, sehingga listing SAS menjadi
seperti di bawah ini
OPTION PS=160;
TITLE'RAK FAKTORIAL--varietas dan lama penyimpanan';
Data;
input Varietas$ WaktuSim$ ulangan DayaTum;
inter=compress(Varietas||WaktuSim);
cards;
VA P0 1 100
VA P6 1 98
VA P12 1 97
VB P0 1 97
VB P6 1 96
VB P12 1 95
VC P0 1 97
VC P6 1 96
VC P12 1 94
VD P0 1 95
VD P6 1 92
VD P12 1 86
VA P0 2 100
VA P6 2 98
VA P12 2 98
VB P0 2 97
VB P6 2 96
VB P12 2 96
VC P0 2 95
VC P6 2 94
VC P12 2 93
VD P0 2 92
VD P6 2 90
VD P12 2 88
VA P0 3 100
VA P6 3 98
VA P12 3 97
VB P0 3 98
VB P6 3 96
VB P12 3 96
VC P0 3 95
VC P6 3 94
VC P12 3 94
VD P0 3 92
VD P6 3 90
VD P12 3 89
;
proc anova;
class Varietas WaktuSim ulangan;
Model DayaTum = ulangan Varietas WaktuSim Varietas*WaktuSim ;
RUN;
proc glm;
Class Varietas WaktuSim ulangan inter;
Model DayaTum = ulangan Varietas WaktuSim Varietas*WaktuSim inter/NOUNI;
MEANS Varietas WaktuSim inter/DUNCAN;
RUN;
Varietas 4 VA VB VC VD
WaktuSim 3 P0 P12 P6
ulangan 3 1 2 3
Number of observations 36
Sum of
Source DF Squares Mean Square F Value Pr > F
Berdasarkan hasil analisis sidik ragam diperoleh nilai Sig (P-value) dari variabel
varietas dan waktu simpan (WaktuSim) sebesar <0.0001 (< = 0.01) yang berarti berpengaruh
sangat nyata (**), sedangkan interaksi varietas dan waktu simpan (Varietas*WaktuSim) nilai
Sig (P-value) sebesar 0.0495 yang berarti berpengaruh nyata (*). Karena ada interaksi antara
varietas dan waktu simpan maka tabel dan pembahasan yang disajikan difokuskan hanya uji
lanjut interaksi.
Varietas 4 VA VB VC VD
WaktuSim 3 P0 P12 P6
ulangan 3 1 2 3
inter 12 VAP0 VAP12 VAP6 VBP0 VBP12 VBP6 VCP0 VCP12 VCP6 VDP0 VDP12 VDP6
Number of observations 36
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 22
Error Mean Square 0.89899
Number of Means 2 3 4
Critical Range 0.927 0.973 1.003
A 98.4444 9 VA
B 96.3333 9 VB
C 94.6667 9 VC
D 90.4444 9 VD
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 22
Error Mean Square 0.89899
Number of Means 2 3
Critical Range .8028 .8429
Waktu
Duncan Grouping Mean N Sim
A 96.5000 12 P0
B 94.8333 12 P6
C 93.5833 12 P12
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 22
Error Mean Square 0.89899
Number of Means 2 3 4 5 6 7 8 9 10 11 12
Critical Range 1.606 1.686 1.737 1.773 1.800 1.821 1.837 1.850 1.860 1.869 1.876
F 90.6667 3 VDP6
G 87.6667 3 VDP12
Hasil uji Duncan diatas untuk interaksi di susun dalam tabel sebagai berikut
Persentase Tanaman Tumbuh
Varietas
0 bln 6 bln 12 bln
Kemudian data disusun dalam notasi uji lanjut dua arah yang itu arah vertical (kolom) dan
horizontal (baris)
Pengacakan pada percobaan RAK tiga faktor sama dengan prosedur pada RAK dua
faktor. Pertama, lokasi percobaan dibagi ke dalam blok sesuai jumlah
kelompok/ulangan. Selanjutnya di setiap blok dibuat petakan sesuai jumlah kombinasi
perlakuan. Pengacakan dilakukan pada setiap blok. Untuk memudahkan pemahaman
tentang proses pengacakan, sebagai contoh, suatu penelitian dilakukan untuk
mengetahui pengaruh penggunaan pupuk, frekuensi pemberian air serta jenis varietas
terhadap hasil jagung hibrida. Perlakuan terdiri atas tiga faktor dimana faktor pertama
adalah pemupukan yang terdiri atas 3 taraf (P1, P2, P3). Faktor kedua adalah frekuensi
pemberian air terdiri atas 3 taraf (Q1, Q2, Q3). Faktor ketiga adalah jenis varietas yag
terdiri atas 2 taraf (R1, R2). Percobaan dibagi dalam tiga kelompok/ulangan.
Jumlah kombinasi dari ketiga faktor tersebut adalah 3 x 3 x 2 = 18, yaitu:
P1Q1R1, P1Q1R2, P2Q2R1, P2Q3R2 , P3Q1R2, P1Q3R2, P3Q2R1, P2Q1R2, P3Q2R2,
P1Q3R1,P3Q3R2, P1Q2R2, P1Q2R1, P3Q3R1, P2Q3R1, P2Q2R2, P2Q1R1, P3Q1R1. Jika
setiap kombinasi diulang 3 kali sebagai kelompok/blok, maka total unit percobaan
adalah 3 x 3 x 2 x 3 =54 unit percobaan.
CONTOH KASUS: Aplikasi RAK Tiga Faktor Dalam Analisis Pengaruh Dosis
Pemupukan, Frekuensi Pemberian Air Serta Jenis Varietas
Terhadap Hasil Jagung Hibrida
Data hasil pengujian interaksi pupuk, frekuensi pemberian air dan jenis varietas
terhadap hasil jagung (t/ha)
Ulangan
Nomor Perlakuan 1 2 3
1 P1Q1R1 10,5 9,8 9,9
2 P1Q1R2 9,7 9,4 9,6
3 P1Q2R1 9,1 9,3 8,7
4 P1Q2R2 9,2 9,1 8,9
5 P1Q3R1 8,4 8,1 8,0
6 P1Q3R2 8,8 8,2 8,4
7 P2Q1R1 9,9 8,9 8,5
8 P2Q1R2 8,8 8,3 8,6
9 P2Q2R1 8,0 8,2 8,4
10 P2Q2R2 7,6 7,7 7,9
11 P2Q3R1 8,0 8,1 7,9
12 P2Q3R2 7,7 7,4 7,6
13 P3Q1R1 8,6 8,6 8,5
14 P3Q1R2 8,8 8,6 8,9
15 P3Q2R1 8,4 8,2 8,5
16 P3Q2R2 8,2 8,3 8,1
17 P3Q3R1 7,9 7,6 7,8
18 P3Q3R2 7,5 7,3 7,1
Penyelesaian
Model yang digunakan untuk analisis sidik ragam adalah general linear model dengan
post test uji Duncan. Tahapan analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti Gambar 1. Simpan
dengan nama Rak3Faktor.xls
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Impor data dari Excel dengan klik File > Open > Data. Selanjutnya
pada dialog File Type pilih Excel dan File name pilih Rak3Faktor.xls dilanjutkan
dengan klik Open. Klik Continue data akan ditampilkan di data view spss.
Gambar 2. Data view perlakuan
3. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model > univariate, Kotak dialog Univariate selanjutnya ditampilkan. Pilih variabel
Hasil dan klik ke Dependent List. Pada Fixed Faktor pilih Pupuk, Air, Varietas
dan Blok.
Hasil analisis sidik ragam diperoleh nilai Sig (p-value) variabel Pupuk, Air dan
Varietas = 0,000 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa
terdapat perbedaan yang sangat nyata antara perlakuan pemupukan, frekuensi
pemberian air dan varietas dengan hasil tanaman jagung.
Interaksi Pupuk dengan Air mempunyai nilai Sig (p-value) = 0,008 (< 0,05)
sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang nyata
antara perlakuan pemupukan dan frekuensi pengairan terhadap hasil.
Interaksi Pupuk dengan Varietas mempunyai nilai Sig (p-value) = 0,027 (<
0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang
nyata antara perlakuan pemupukan dan varietas terhadap hasil jagung.
Interaksi Air dengan Varietas mempunyai nilai Sig (p-value) = 0,849 (> 0,05)
sehingga hipotesis H0 diterima dan disimpulkan bahwa tidak ada perbedaan yang
nyata antara perlakuan prekuensi pemberian air dan varietas terhadap hasil.
Interaksi Pupuk*Air*Varietas mempunyai nilai Sig (p-value) = 0,013 (<
0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang
nyata antara perlakuan pemupukan, frekuensi pemberian air dan varietas terhadap
hasil jagung.
Untuk melakukan uji lanjut interaksi antar variabel ikuti prosedur berikut:
1. Ubah konfigurasi penyusunan data (lihat bab sebelumnya. Klik File > Open >
Data > Rak3faktorinteraksi.Xls. Tampilan data di SPSS adalah
2. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General
linear model > univariate. Pilih variabel Hasil dan klik ke Dependent List.
Selanjutnya Pada Fixed Faktor pilih Ulangan dan Perlakuan.
Gambar 6. Memasukkanvariabel
3. Klik model maka akan keluar tampilan seperti gambar 7. Klik custom dan
masukkan Ulangan dan Perlakuan . Klik continue.
4. Selanjutnya kita akan melakukan uji Duncan. Klik menu Post Hoc Pilih variabel
Perlakuan dilanjutkan dengan menekan panah kekanan. Pilih uji Duncan >
Continue > OK. Output Model akan ditampilkan sebagai berikut.
OUTPUT MODEL
HASIL
Duncan
PERLAKUAN N Subset
1 2 3 4 5 6 7 8 9 10
18 3 7.30 j
12 3 7.56 j 7.56 i
10 3 7.73 i 7.73 h
17 3 7.76 i 7.76 h 7.76 g
11 3 8.00 h 8.00 g 8.00 f
5 3 8.16 g 8.16 f 8.16 e
9 3 8.20 f 8.20 e
16 3 8.20 f 8.20 e
15 3 8.36 f 8.36 e 8.36 d
6 3 8.46 e 8.46 d
8 3 8.56 e 8.56 d
13 3 8.56 e 8.56 d
14 3 8.76 d 8.76 c
3 3 9.03 c
4 3 9.06 c
7 3 9.10 c
2 3 9.56 b
1 3 10.06 a
Sig. .174 .334 .199 .056 .096 .078 .070 .121 1.000 1.000
Kesimpulan:
OPTION PS=60;
TITLE'RAK 3 FAKTORIAL--Pupuk,air, dan varietas';
Data;
input Pupuk$ Air$ Varietas$ Ulangan Hasil;
inter1=compress(Pupuk||Air);
inter2=compress(Pupuk||Varietas);
inter3=compress(Air||Varietas);
inter4=compress (Pupuk||Air||Varietas);
cards;
Copy data dari excel dan paste di bagian bahwah “crads”
;
proc anova;
class Pupuk Air Varietas Ulangan ;
Model Hasil= ulangan Pupuk Air Varietas pupuk*Air Pupuk*Varietas
Air*Varietas Pupuk*Air*Varietas;
RUN;
proc glm;
Class Pupuk Air Varietas Ulangan inter1 inter2 inter3 inter4;
Model Hasil = ulangan Pupuk Air Varietas pupuk*Air Pupuk*Varietas
Air*Varietas Pupuk*Air*Varietas inter1 inter2 inter3 inter4/NOUNI;
MEANS Pupuk Air Varietas inter1 inter2 inter3 inter4/DUNCAN;
RUN;
copy paste data dari MS. Excel Listing SAS di Windows editor di bagian sintax “cards” . contoh sintax SAS
dengan data
OPTION PS=60;
TITLE'RAK 3 FAKTORIAL--Pupuk,air, dan varietas';
Data;
input Pupuk$ Air$ Varietas$ Ulangan Hasil;
inter1=compress(Pupuk||Air);
inter2=compress(Pupuk||Varietas);
inter3=compress(Air||Varietas);
inter4=compress (Pupuk||Air||Varietas);
cards;
P1 Q1 R1 1 10.5
P1 Q1 R2 1 9.7
P1 Q2 R1 1 9.1
P1 Q2 R2 1 9.2
P1 Q3 R1 1 8.4
P1 Q3 R2 1 8.8
P2 Q1 R1 1 9.9
P2 Q1 R2 1 8.8
P2 Q2 R1 1 8.0
P2 Q2 R2 1 7.6
P2 Q3 R1 1 8.0
P2 Q3 R2 1 7.7
P3 Q1 R1 1 8.6
P3 Q1 R2 1 8.8
P3 Q2 R1 1 8.4
P3 Q2 R2 1 8.2
P3 Q3 R1 1 7.9
P3 Q3 R2 1 7.5
P1 Q1 R1 2 9.8
P1 Q1 R2 2 9.4
P1 Q2 R1 2 9.3
P1 Q2 R2 2 9.1
P1 Q3 R1 2 8.1
P1 Q3 R2 2 8.2
P2 Q1 R1 2 8.9
P2 Q1 R2 2 8.3
P2 Q2 R1 2 8.2
P2 Q2 R2 2 7.7
P2 Q3 R1 2 8.1
P2 Q3 R2 2 7.4
P3 Q1 R1 2 8.6
P3 Q1 R2 2 8.6
P3 Q2 R1 2 8.2
P3 Q2 R2 2 8.3
P3 Q3 R1 2 7.6
P3 Q3 R2 2 7.3
P1 Q1 R1 3 9.9
P1 Q1 R2 3 9.6
P1 Q2 R1 3 8.7
P1 Q2 R2 3 8.9
P1 Q3 R1 3 8.0
P1 Q3 R2 3 8.4
P2 Q1 R1 3 8.5
P2 Q1 R2 3 8.6
P2 Q2 R1 3 8.4
P2 Q2 R2 3 7.9
P2 Q3 R1 3 7.9
P2 Q3 R2 3 7.6
P3 Q1 R1 3 8.5
P3 Q1 R2 3 8.9
P3 Q2 R1 3 8.5
P3 Q2 R2 3 8.1
P3 Q3 R1 3 7.8
P3 Q3 R2 3 7.1
;
proc anova;
class Pupuk Air Varietas Ulangan ;
Model Hasil= ulangan Pupuk Air Varietas pupuk*Air Pupuk*Varietas
Air*Varietas Pupuk*Air*Varietas;
RUN;
proc glm;
Class Pupuk Air Varietas Ulangan inter1 inter2 inter3 inter4;
Model Hasil = ulangan Pupuk Air Varietas pupuk*Air Pupuk*Varietas
Air*Varietas Pupuk*Air*Varietas inter1 inter2 inter3 inter4/NOUNI;
MEANS Pupuk Air Varietas inter1 inter2 inter3 inter4/DUNCAN;
RUN;
Pupuk 3 P1 P2 P3
Air 3 Q1 Q2 Q3
Varietas 2 R1 R2
Ulangan 3 1 2 3
Number of observations 54
Sum of
Source DF Squares Mean Square F Value Pr > F
Pupuk 3 P1 P2 P3
Air 3 Q1 Q2 Q3
Varietas 2 R1 R2
Ulangan 3 1 2 3
inter1 9 P1Q1 P1Q2 P1Q3 P2Q1 P2Q2 P2Q3 P3Q1 P3Q2 P3Q3
inter4 18 P1Q1R1 P1Q1R2 P1Q2R1 P1Q2R2 P1Q3R1 P1Q3R2 P2Q1R1 P2Q1R2 P2Q2R1 P2Q2R2 P2Q3R1
P2Q3R2 P3Q1R1 P3Q1R2 P3Q2R1 P3Q2R2 P3Q3R1 P3Q3R2
Number of observations 54
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 34
Error Mean Square 0.055359
Number of Means 2 3
Critical Range .1594 .1675
A 9.06111 18 P1
B 8.19444 18 P2
B
B 8.16111 18 P3
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 34
Error Mean Square 0.055359
Number of Means 2 3
Critical Range .1594 .1675
A 9.10556 18 Q1
B 8.43333 18 Q2
C 7.87778 18 Q3
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 34
Error Mean Square 0.055359
Number of Means 2
Critical Range .1301
A 8.58519 27 R1
B 8.35926 27 R2
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 34
Error Mean Square 0.055359
Number of Means 2 3 4 5 6 7 8 9
Critical Range .2761 .2902 .2994 .3060 .3110 .3149 .3181 .3207
A 9.8167 6 P1Q1
B 9.0500 6 P1Q2
B
C B 8.8333 6 P2Q1
C
C 8.6667 6 P3Q1
D 8.3167 6 P1Q3
D
D 8.2833 6 P3Q2
E 7.9667 6 P2Q2
E
F E 7.7833 6 P2Q3
F
F 7.5333 6 P3Q3
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 34
Error Mean Square 0.055359
Number of Means 2 3 4 5 6
Critical Range .2254 .2369 .2444 .2498 .2539
A 9.0889 9 P1R1
A
A 9.0333 9 P1R2
B 8.4333 9 P2R1
B
C B 8.2333 9 P3R1
C
C D 8.0889 9 P3R2
D
D 7.9556 9 P2R2
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 34
Error Mean Square 0.055359
Number of Means 2 3 4 5 6
Critical Range .2254 .2369 .2444 .2498 .2539
A 9.2444 9 Q1R1
B 8.9667 9 Q1R2
C 8.5333 9 Q2R1
C
C 8.3333 9 Q2R2
D 7.9778 9 Q3R1
D
D 7.7778 9 Q3R2
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 34
Error Mean Square 0.055359
Number of Means 2 3 4 5 6 7 8 9 10
Critical Range .3904 .4104 .4234 .4327 .4398 .4454 .4499 .4536 .4567
Number of Means 11 12 13 14 15 16 17 18
Critical Range .4593 .4615 .4634 .4651 .4665 .4678 .4688 .4698
A 10.0667 3 P1Q1R1
B 9.5667 3 P1Q1R2
C 9.1000 3 P2Q1R1
C
C 9.0667 3 P1Q2R2
C
C 9.0333 3 P1Q2R1
C
D C 8.7667 3 P3Q1R2
D
D E 8.5667 3 P2Q1R2
D E
D E 8.5667 3 P3Q1R1
D E
D E 8.4667 3 P1Q3R2
D E
D E F 8.3667 3 P3Q2R1
E F
E F 8.2000 3 P2Q2R1
E F
E F 8.2000 3 P3Q2R2
E F
G E F 8.1667 3 P1Q3R1
G F
G H F 8.0000 3 P2Q3R1
G H
G H I 7.7667 3 P3Q3R1
H I
H I 7.7333 3 P2Q2R2
I
J I 7.5667 3 P2Q3R2
J
J 7.3000 3 P3Q3R2
Tabel interaksi pemupukan, pemberian air dan varietas dapat disusun ulang sebagai berikut:
Takaran Frekuensi
Varietas pupuk pemberian air Hasil
R1 P1 Q1 10.0667 a
R1 P1 Q2 9.0333 c
R1 P1 Q3 8.1667 efg
R1 P2 Q1 9.1 c
R1 P2 Q2 8.2 ef
R1 P2 Q3 8 fgh
R1 P3 Q1 8.5667 de
R1 P3 Q2 8.3667 def
R1 P3 Q3 7.7667 hgi
R2 P1 Q1 9.5667 b
R2 P1 Q2 9.0667 c
R2 P1 Q3 8.4667 de
R2 P2 Q1 8.5667 de
R2 P2 Q2 7.7333 hi
R2 P2 Q3 7.5667 ij
R2 P3 Q1 8.7667 cd
R2 P3 Q2 8.2 ef
R2 P3 Q3 7.3 j
KK (%) 2.8
BAB 7
APLIKASI RANCANGAN PETAK TERPISAH
Rancangan split plot design atau dalam bahasa Indonesia disebut Rancangan
Petak Terpisah atau Rancangan Petak Terbagi (RPT) merupakan jenis percobaan
faktorial (lebih dari satu faktor). Rancangan ini dicirikan oleh adanya petak utama dan
anak petak. Rancangan ini digunakan pada berbagai kondisi seperti:
A1 A3 A2 A2 A3 A1 A3 A1 A2
Kombinasi perlakuan adalah: A1B1, A1B2, A1B3, A3B2, A3B1, A3B3, A2B2, A2B3, A2B1,
A2B3, A2B2, A2B1, A3B2, A3B1, A3B3, A1B1, A1B3, A1B2, A3B2, A3B3, A3B1, A1B1,
A1B2, A1B3, A2B3, A2B1, dan A2B2.
Data hasil pengujian interaksi pupuk dengan genotype terhadap hasil jagung.
Penyelesaian
Model yang digunakan untuk analisis sidik ragam adalah general linear model dengan
post test uji Duncan. Tahapan analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan
dengan nama splitplot.xls
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Impor data dari Excel dengan klik File > Open > Data
3. Selanjutnya pada dialog File qType pilih Excel dan File nama pilih splitplot.xls
dilanjutkan dengan klik Open. Klik Continue maka data view spss ditampilkan.
4. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General linear
model >univariate.
5. Kotak dialog Univariate selanjutnya ditampilkan. Pilih variable Hasil dan klik ke
Dependent List. Pada Fixed Faktor pilih Pupuk dan Genotipe. Pada Random
Faktor (s) pilih Ulangan (Lihat gambar 3).
Gambar 3. Memasukkan variabel
6. Klik model maka akan keluar tampilan seperti gambar 4. Klik custom dan
masukkan variable Pupuk, Genotipe dan Ulangan. Selanjutnya kita akan
menganalisis interaksi pupuk dengan genotype serta pupuk dengan ulangan. Klik
variable pupuk sambil menekan Shift klik genotipe, kedua variable terblok. Klik
panah ke kanan maka akan terbentuk interaksi Pupuk*Genotipe. Ulangi hal yang
sama untuk interaksi Pupuk*Ulangan. Klik continue > OK.
Hasil analisis sidik ragam diperoleh nilai Sig (p-value) variable Pupuk = 0,000
(< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan
yang sangat nyata antara perlakuan Pupuk dengan hasil tanaman jagung.
Selanjutnya variabel kedua yaitu Genotipe diperoleh nilai Sig (p-value)
variable Genotipe = 0,000 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan
bahwa terdapat perbedaan yang sangat nyata antara perlakuan Genotipe dengan hasil.
Interaksi Genotipe dengan Pupuk mempunyai nilai Sig (p-value) = 0,000 (<
0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang
sangat nyata antara perlakuan pupuk dan genotipe terhadap hasil jagung.
Apabila ingin dilakukan uji lanjut atau interaksi varietas dan lama penyimpanan
prosedurnya adalah:
1. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Impor data dari Excel dengan klik File > Open > Data
2. Selanjutnya pada dialog File Type pilih Excel dan File name pilih
Splitfaktorhorizontal.xls dilanjutkan dengan klik Open.
3. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.
Gambar 8. Data view SPSS
2. Selanjutnya kita akan melakukan analisis varians, klik Analyze >General linear
model >Multivariate
3. Selanjutnya kotak dialog multivariate ditampilkan. Pilih variabel P0_G12,
P50_G12, P75_G12, P100_G12, P125_G12, dan P150_G12 dilanjutkan
dengan klik panah Dependent List. Pada Fixed Faktor pilih Ulangan dan
Perlakuan.
4. Klik model dilanjutkan Klik custom dan masukkan Ulangan dan Perlakuan .
Klik continue.
5. Selanjutnya kita akan melakukan uji Duncan. Klik menu Post Hoc, pilih variabel
Perlakuan > Continue. Pilih Uji Duncan dan klik Continue > OK.
OUTPUT MODEL
1 4 4.10 B 1 4 6.75 B
2 4 5.13 A 2 4 7.93 A
P75G1_G2 P100G1_G2
1 4 7.75 B 1 4 8.55 B
2 4 8.88 A 2 4 9.75 A
P125G1_G2 P150G1_G2
1 4 9.23 B 1 4 11.15 B
2 4 10.43 A 2 4 12.48 A
Untuk melakukan uji Duncan arah vertikal ulangi prosedur di atas dengan
menggunakan data interaksi arah vertikal (Lihat Gambar 7.B).
G1P0_P50_P75_P100_P125_P150
Subset
Perlaku
an N 1 2 3 4 5 6
1 4 5.13 f
2 4 7.93 e
3 4 8.8 d8
4 4 9.75 c
5 4 10.43 b
6 4 11.15 a
G2P0_P50_P75_P100_P125_P150
Subset
Perlaku
an N 1 2 3 4 5 6
1 4 4.10 f
2 4 6.75 e
3 4 7.75 d
4 4 8.55 c
5 4 9.23 b
6 4 12.4 8 a
Hasil uji Duncan arah horizontal dan vertical selanjutnya dapat di sederhanakan sebagai
berikut
Hasil (t/ha)
Pupuk
Genotipe A Genotipe B
Kontrol (0 N) 5,13 f 4,10 f
A B
50 Kg N 7,93 e 6,75 e
A B
75 Kg N 8,88 d 7,75 d
A B
100 Kg N 9,75 c 8,55 c
A B
125 Kg N 10,43 b 9,23 b
A B
150 Kg N 11,15 a 12,48 a
A B
Keterangan: Angka yang diikuti huruf yang sama tidak berbeda nyata menurut uji Duncan pada taraf 5%. Huruf
kapital di baca horizontal (baris) dan huruf kecil dibaca arah vertical (kolom)
Kesimpulan:
1. Berdasarkan uji Duncan, pemberian pupuk dengan dosis 150 Kg/ha pada
genotipe B memberikan hasil tertinggi yaitu 12,48 Kg/ha dan berbeda nyata
dengan perlakuan lainnya.
2. Perlakuan kontrol (tanpa pupuk) pada genotipe B memberikan hasil yang
terendah yaitu 4,10 t/ha.
ANALISIS DATA MENGGUNAKAN SOFWARE SAS
PU AP Ulangan Hasil
0 G1 1 5.4
0 G1 2 5.2
0 G1 3 4.9
0 G1 4 5
0 G2 1 4.3
0 G2 2 4.2
0 G2 3 4
0 G2 4 3.9
50 G1 1 7.8
50 G1 2 8.1
50 G1 3 7.8
50 G1 4 8
50 G2 1 6.8
50 G2 2 6.7
50 G2 3 6.8
50 G2 4 6.7
75 G1 1 9
75 G1 2 8.7
75 G1 3 8.8
75 G1 4 9
75 G2 1 8
75 G2 2 7.9
75 G2 3 7.5
75 G2 4 7.6
100 G1 1 9.9
100 G1 2 9.8
100 G1 3 9.8
100 G1 4 9.5
100 G2 1 8.9
100 G2 2 8.5
100 G2 3 8.8
100 G2 4 8
125 G1 1 10.6
125 G1 2 10.4
125 G1 3 10
125 G1 4 10.7
125 G2 1 9.8
125 G2 2 9.2
125 G2 3 9
125 G2 4 8.9
150 G1 1 11.2
150 G1 2 10.9
150 G1 3 11
150 G1 4 11.5
150 G2 1 12
150 G2 2 12.4
150 G2 3 12.5
150 G2 4 13
Keterangan: PU = petak utama yaitu takaran pupuk
AP = anak petak yaitu varieatas
Ketik syntax SAS dalam windows Editors sebagai berikut:
OPTION PS=60;
TITLE'Anlsis data dengan RANCANGAN SPLIT PLOT. PU=pupuk AP=Varietas';
Data;
input PU AP$ Ulangan Hasil;
inter=compress(PU||AP);
cards;
INSERT DATA atau paste data
dari Excel
;
proc anova;
class PU AP Ulangan;
Model hasil= Ulangan PU Ulangan*PU AP PU*AP;
TEST H=PU E=Ulangan*PU;
RUN;
proc glm;
Class PU AP Ulangan INTER;
Model hasil = Ulangan PU Ulangan*PU AP PU*AP INTER/NOUNI;
MEANS PU AP INTER/DUNCAN;
RUN;
Copy data dari MS. Excel di bagian bawah “cards”, sehingga listing SAS menjadi
seperti di bawah ini
OPTION PS=60;
TITLE'Anlsis data dengan RANCANGAN SPLIT PLOT. PU=pupuk AP=Varietas';
Data;
input PU AP$ Ulangan Hasil;
inter=compress(PU||AP);
cards;
0 G1 1 5.4
0 G1 2 5.2
0 G1 3 4.9
0 G1 4 5
0 G2 1 4.3
0 G2 2 4.2
0 G2 3 4
0 G2 4 3.9
50 G1 1 7.8
50 G1 2 8.1
50 G1 3 7.8
50 G1 4 8
50 G2 1 6.8
50 G2 2 6.7
50 G2 3 6.8
50 G2 4 6.7
75 G1 1 9
75 G1 2 8.7
75 G1 3 8.8
75 G1 4 9
75 G2 1 8
75 G2 2 7.9
75 G2 3 7.5
75 G2 4 7.6
100 G1 1 9.9
100 G1 2 9.8
100 G1 3 9.8
100 G1 4 9.5
100 G2 1 8.9
100 G2 2 8.5
100 G2 3 8.8
100 G2 4 8
125 G1 1 10.6
125 G1 2 10.4
125 G1 3 10
125 G1 4 10.7
125 G2 1 9.8
125 G2 2 9.2
125 G2 3 9
125 G2 4 8.9
150 G1 1 11.2
150 G1 2 10.9
150 G1 3 11
150 G1 4 11.5
150 G2 1 12
150 G2 2 12.4
150 G2 3 12.5
150 G2 4 13
;
proc anova;
class PU AP Ulangan;
Model hasil= Ulangan PU Ulangan*PU AP PU*AP;
TEST H=PU E=Ulangan*PU;
RUN;
proc glm;
Class PU AP Ulangan INTER;
Model hasil = Ulangan PU Ulangan*PU AP PU*AP INTER/NOUNI;
MEANS PU AP INTER/LSD;
RUN;
AP 2 G1 G2
Ulangan 4 1 2 3 4
Number of observations 48
Sum of
Source DF Squares Mean Square F Value Pr > F
Hasil analisis sidik ragam diperoleh nilai Sig (p-value) variable Pupuk, varietas
dan interaksi pupuk*varietas sebesar < 0,0001 lebih kecil (α< 0,01) sehingga
disimpulkan terdapat perbedaan yang sangat nyata antara perlakuan Pupuk, genotipe
dan interaksi pupuk*genotipe terhadap hasil tanaman jagung. Karena interkasi
pupuk*genotipe menujukkan pengaruh yang sangat nyata maka dalam penyajian data
dan pembahsan difokuskan pada pengaruh interaksi
Hasil uji Duncan sebagai berikut
Duncan's Multiple Range Test for Hasil
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 18
Error Mean Square 0.041389
Number of Means 2 3 4 5 6
Critical Range .2137 .2242 .2309 .2355 .2388
B 9.8250 8 125
C 9.1500 8 100
D 8.3125 8 75
E 7.3375 8 50
F 4.6125 8 0
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 18
Error Mean Square 0.041389
Number of Means 2
Critical Range .1234
A 8.87500 24 G1
B 8.14167 24 G2
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 18
Error Mean Square 0.041389
Number of Means 2 3 4 5 6 7 8 9 10 11 12
Critical Range .3022 .3171 .3265 .3330 .3377 .3413 .3441 .3463 .3480 .3494 .3505
B 11.1500 4 150G1
C 10.4250 4 125G1
D 9.7500 4 100G1
E 9.2250 4 125G2
F 8.8750 4 75G1
G 8.5500 4 100G2
H 7.9250 4 50G1
H
H 7.7500 4 75G2
I 6.7500 4 50G2
J 5.1250 4 0G1
K 4.1000 4 0G2
Hasil (t/ha)
Pupuk Genotipe G1 Genotipe G2
0 5.13 j 4.10 K
50 7.93 h 6.75 I
75 8.88 f 7.75 H
100 9.75 d 8.55 G
125 10.43 c 9.23 E
150 11.15 b 12.48 A
KK (%) 2.39%
BAB 8.
APLIKASI RANCANGAN PETAK PETAK TERPISAH
Rancangan split split plot design atau Rancangan Petak Petak merupakan
jenis percobaan yang melibatkan tiga faktor atau lebih sekaligus dengan tingkat
ketelitian yang berbeda.
Rancangan petak petak terpisah (RPPT) dicirikan oleh adanya petak utama,
anak petak. dan anak anak petak. Pada petak utama diharapkan tingkat ketelitian yang
lebih rendah, pada anak petak diinginkan tingkat ketelitian yang lebih tinggi, dan pada
anak anak petak diinginkan tingkat ketelitian yang paling tinggi. Sebelum melakukan
analisis dengan menggunakan rancangan ini, pembaca disarankan untuk memahami
bab tentang aplikasi split plot design.
Dalam pelaksanaan percobaan RPPTpercobaan dibagi menjadi kelompok/blok.
Pembagian kelompok didasarkan pada pertimbangan bahwa keragaman pada setiap
kelompok yang sama relatif homogen.
Sebagai contoh, sebuah penelitian dilakukan untuk mengetahui pengaruh
pemupukan N, varietas dan populasi tanaman terhadap hasil jagung. Faktor pertama
adalah taraf pemupukan Nitrogen (N) sebagai faktor yang kurang dipentingkan
ditempatkan di petak utama yang terdiri atas tiga taraf (N1, N2, dan N3).
Faktor kedua adalah varietas (V) yang ditempatkan sebagai anak petak, terdiri
atas dua (P dan B). Faktor ketiga yang diharapkan tingkat ketelitian yang paling tinggi
adalah populasi tanaman yang terdiri atas tiga taraf yaitu (D1, D2 dan D3). Percobaan
diulang sebanyak tiga kali.
Jumlah seluruh petak percobaan yang dibutuhkan adalah 4 (petak utama) X 2
(anak petak) X 3 (anak anak petak) X 3 (ulangan) = 72 petak percobaan. Bagan
percobaan split split plot dibuat sebagai berikut:
N4 V1 D1 N4 V2 D3 N3 V1 D2 N3 V2 D3 N1 V2 D1 N1 V1 D1 N2 V2 D2 N2 V1 D2
N4 V1 D3 N4 V2 D1 N3 V1 D3 N3 V2 D2 N1 V2 D2 N1 V1 D2 N2 V2 D1 N2 V1 D3
Ul. 1
N4 V1 D2 N4 V2 D2 N3 V1 D1 N3 V2 D1 N1 V2 D3 N1 V1 D3 N2 V2 D3 N2 V1 D1
N1 V2 D1 N1 V1 D1 N2 V1 D3 N2 V2 D1 N4 V1 D1 N4 V2 D2 N3 V1 D2 N3 V2 D1
N1 V2 D2 N1 V1 D2 N2 V1 D2 N2 V2 D2 N4 V1 D2 N4 V2 D1 N3 V1 D3 N3 V2 D2
Ul. 2
N1 V2 D3 N1 V1 D3 N2 V1 D1 N2 V2 D3 N4 V1 D3 N4 V2 D3 N3 V1 D1 N3 V2 D3
N3 V2 D3 N3 V1 D2 N1 V2 D1 N1 V1 D3 N2 V1 D1 N2 V2 D1 N4 V1 D2 N4 V2 D3
N3 V2 D2 N3 V1 D1 N1 V2 D2 N1 V1 D2 N2 V1 D3 N2 V2 D2 N4 V1 D1 N4 V2 D1
Ul. 3
N3 V2 D1 N3 V1 D3 N1 V2 D3 N1 V1 D1 N2 V1 D2 N2 V2 D3 N4 V1 D3 N4 V2 D2
Keterangan
N1 = 50 N kg/ha V1 = Pionir 22 D1 = 80808 (75x16.5)
N2 = 75 N kg/ha V2 = Bisi 2 D2 = 72924
N3 = 125 N kg D3 = 65040 (75x20.5)
N4 = 225 N kg/ha
Data hasil pengujian interaksi pupuk, varietas dan populasi tanaman terhadap hasil
jagung
Penyelesaian
Model yang digunakan untuk analisis sidik ragam adalah general linear model dengan
post test uji Duncan. Tahapan analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan
dengan nama splitsplitplot.xls
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Klik File > Open > Data
3. Pada dialog FileType pilih Excel dan File nama pilih splitplot.xls dilanjutkan
dengan klik Open. Klik Continue maka data view spss ditampilkan.
Gambar 2. Data view perlakuan
4. Selanjutnya kita akan melakukan analisis varians, klik Analyze >General linear
model >univariate
5. Pilih variable Hasil dan klik ke Dependent List. Pada Fixed Faktor pilih
Petak_Ut, Anak_Petak, Anak_anak_petak dan Ulangan, maka keempat
variabel akan berpindah ke kanan. (Lihat gambar 3).
OUTPUT MODEL
Hasil analisis sidik ragam diperoleh nilai Sig (p-value) variable Petak_Ut dan
Anak_Anak_Petak = 0,000 dan 0,032 (< 0,05) sehingga hipotesis H0 ditolak dan
disimpulkan bahwa terdapat perbedaan yang sangat nyata dan nyata antara perlakuan
Pupuk dengan hasil tanaman jagung. Selanjutnya variable Anak_Petak diperoleh nilai
Sig (p-value) = 0,521 (> 0,05), atau perlakuan tidak berbeda nyata dengan hasil.
Interaksi Petak_Ut*Anak_Petak, Petak_Ut*Anak_Petak*Anak_Anak_Petak,
Petak_Ut*Ulangan dan Petak_Ut*Anak_Petak_Ulangan mempunyai nilai Sig < 0,05
(berbeda nyata) sementara interaksi Anak_Petak*Anak_Anak_Petak serta
Petak_Ut*Anak_Anak_Petak mempunyai Sig > 0,05 (tidak berbeda nyata).
Apabila kita akan melakukan uji lanjut interaksi Petak Utama-Anak Petak dan
Anak-Anak Petak prosedurnya adalah sebagai berikut:
1. Ubah konfigurasi penyusunan data seperti pada Gambar 5. Klik File > Open >
Data > Splitsplitinteraksi.Xls. Tampilan data adalah
Gambar 5. Data view
2. Selanjutnya kita akan melakukan analisis varians, klik Analyze > General
linear model > univariate. Pilih variable Hasil dan klik ke Dependent List.
Selanjutnya Pada Fixed Faktor pilih Ulangan dan Perlakuan.
3. Klik model > custom kemudian masukkan Ulangan dan Perlakuan. Klik
continue.
OUTPUT MODEL
PERLAK Subset
N
UAN 1 2 3 4 5 6
4 3 6.37 f
5 3 6.73 f
3 3 7.10 f
6 3 7.20 f
1 3 7.47 f
2 3 7.57 f
7 3 9.57 e
10 3 9.63 e 9.63 d
8 3 9.70 e 9.70 d
12 3 10.00 e 10.00 d
11 3 10.13 e 10.13 d
13 3 10.43 e 10.43 d 10.43 c
9 3 10.90 e 10.90 d 10.90 c 10.90 b
14 3 11.00 d 11.00 c 11.00 b
17 3 11.53 c 11.53 b 11.53 a
16 3 11.70 c 11.70 b 11.70 a
18 3 11.80 c 11.80 b 11.80 a
22 3 11.83 b 11.83 a
15 3 11.87 b 11.87 a
21 3 11.97 b 11.97 a
23 3 12.23 b 12.23 a
19 3 12.60 a
24 3 12.60 a
20 3 12.70 a
Sig. .089 .062 .056 .053 .067 .112
Hasil uji Duncan diatas selanjutnya dapat di sederhanakan sebagai berikut
Kesimpulan:
proc glm;
Class Ulangan PU AP AAP INTER1 INTER2 INTER3 INTER4;
Model Hasil =Ulangan PU Ulangan*PU AP AAP INTER1 Ulangan*INTER1 INTER2 INTER3
INTER4/NOUNI;
TEST H=PU E=Ulangan*PU;
TEST H=AP INTER1 E=Ulangan*INTER1;
MEANS PU AP AAP INTER1 INTER2 INTER3 INTER4/DUNCAN;
RUN;
Copy data dari MS. Excel di bagian bawah “cards”, sehingga listing SAS menjadi
seperti di bawah ini
OPTION PS=160;
TITLE'RANCANGAN SPLIT SPLIT PLOT DATA hasil';
Data;
input Ulangan PU$ AP$ AAP$ Hasil;
inter1=compress(PU||AP);
inter2=compress(PU||AAP);
inter3=compress(AP||AAP);
inter4=compress(PU||AP||AAP);
cards;
1 N4 P D3 11.1
1 N4 B D1 12.0
1 N4 B D3 12.1
1 N4 P D1 11.4
1 N4 P D2 12.3
1 N4 B D2 12.5
1 N3 P D2 9.9
1 N3 B D1 12.3
1 N3 B D2 11.6
1 N3 P D1 9.8
1 N3 P D3 10.9
1 N3 B D3 11.9
1 N1 B D3 6.5
1 N1 P D3 7.6
1 N1 P D2 6.9
1 N1 B D2 7.6
1 N1 B D1 6.0
1 N1 P D1 6.7
1 N2 B D2 9.5
1 N2 P D2 10.5
1 N2 P D1 9.5
1 N2 B D3 9.7
1 N2 B D1 9.1
1 N2 P D3 10.7
2 N1 B D3 7.2
2 N1 P D3 7.2
2 N1 P D2 8.3
2 N1 B D2 6.1
2 N1 B D1 7.4
2 N1 P D1 7.5
2 N2 P D1 8.8
2 N2 B D3 9.7
2 N2 B D2 10.1
2 N2 P D2 9.3
2 N2 P D3 10.6
2 N2 B D1 10.3
2 N4 P D3 12.3
2 N4 B D2 11.7
2 N4 B D3 12.8
2 N4 P D2 13.7
2 N4 P D1 13.4
2 N4 B D1 12.1
2 N3 P D2 12.1
2 N3 B D3 12.5
2 N3 B D2 12.5
2 N3 P D1 11.4
2 N3 P D3 13.0
2 N3 B D1 12.6
3 N3 B D1 10.2
3 N3 P D2 11.0
3 N3 P D3 11.7
3 N3 B D2 10.5
3 N3 B D3 11.0
3 N3 P D1 10.1
3 N1 B D3 7.9
3 N1 P D1 8.2
3 N1 P D2 7.5
3 N1 B D2 6.5
3 N1 B D1 5.7
3 N1 P D3 6.5
3 N2 P D3 11.4
3 N2 B D3 10.6
3 N2 B D2 10.8
3 N2 P D1 10.4
3 N2 P D2 9.3
3 N2 B D1 9.5
3 N4 P D2 12.1
3 N4 B D1 11.4
3 N4 B D3 12.9
3 N4 P D3 12.5
3 N4 P D1 13.0
3 N4 B D2 12.5
;
proc anova;
class Ulangan PU AP AAP;
Model Hasil =Ulangan PU Ulangan*PU AP PU*AP Ulangan*PU*AP AAP PU*AAP AP*AAP
PU*AP*AAP;
TEST H=PU E=Ulangan*PU;
TEST H=AP PU*AP E=Ulangan*PU*AP;
RUN;
proc glm;
Class Ulangan PU AP AAP INTER1 INTER2 INTER3 INTER4;
Model Hasil =Ulangan PU Ulangan*PU AP AAP INTER1 Ulangan*INTER1 INTER2 INTER3
INTER4/NOUNI;
TEST H=PU E=Ulangan*PU;
TEST H=AP INTER1 E=Ulangan*INTER1;
MEANS PU AP AAP INTER1 INTER2 INTER3 INTER4/DUNCAN;
RUN;
Ulangan 3 1 2 3
PU 4 N1 N2 N3 N4
AP 2 B P
AAP 3 D1 D2 D3
Number of observations 72
Sum of
Source DF Squares Mean Square F Value Pr > F
Berdasarkan analisis sidik ragam bahwa menunjukkan bahwa hasil jagung dipengaruhi
secara nyata oleh pengaruh Pupuk (petak utama) dengan nilai sig. = 0,0001 (< 0,01), AAP
(kepadatan populasi) dengan nilai sig. = 0.0423 (<0,05), interaksi PU*AP (Pupuk*Varietas)
dengan nilai sig. = 0.032 (<0,05) dan interaksi PU*AP*AAP (pukuk*varietas*kepadatan
populasi) dengan nilai sig. = 0.0372 (<0,05). Karena faktor interaksi PU*AP*AAP berpengaruh
nyata maka dalam pembahasan dan tampilan data difokuskan pada pengaruh interkasi tersebut.
data uji lanjut Duncan diambil pada data inter4 (interaksi PU||AP||AAP);
Ulangan 3 1 2 3
PU 4 N1 N2 N3 N4
AP 2 B P
AAP 3 D1 D2 D3
inter2 12 N1D1 N1D2 N1D3 N2D1 N2D2 N2D3 N3D1 N3D2 N3D3 N4D1 N4D2 N4D3
inter4 24 N1BD1 N1BD2 N1BD3 N1PD1 N1PD2 N1PD3 N2BD1 N2BD2 N2BD3 N2PD1 N2PD2 N2PD3 N3BD1
N3BD2 N3BD3 N3PD1 N3PD2 N3PD3 N4BD1 N4BD2 N4BD3 N4PD1 N4PD2 N4PD3
Number of observations 72
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 32
Error Mean Square 0.358958
Number of Means 2 3 4
Critical Range .4068 .4276 .4411
A 12.3222 18 N4
B 11.3889 18 N3
C 9.9889 18 N2
D 7.0722 18 N1
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 32
Error Mean Square 0.358958
Number of Means 2
Critical Range .2877
A 10.2389 36 P
A
A 10.1472 36 B
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 32
Error Mean Square 0.358958
Number of Means 2 3
Critical Range .3523 .3703
A 10.4292 24 D3
A
B A 10.2000 24 D2
B
B 9.9500 24 D1
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 32
Error Mean Square 0.358958
Number of Means 2 3 4 5 6 7 8
Critical Range .5753 .6047 .6237 .6374 .6477 .6558 .6624
A 12.4222 9 N4P
A
B A 12.2222 9 N4B
B
B 11.6778 9 N3B
C 11.1000 9 N3P
D 10.0556 9 N2P
D
D 9.9222 9 N2B
E 7.3778 9 N1P
F 6.7667 9 N1B
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 32
Error Mean Square 0.358958
Number of Means 2 3 4 5 6 7 8 9 10 11 12
Critical Range .7046 .7406 .7639 .7806 .7933 .8032 .8113 .8178 .8233 .8279 .8319
A 12.4667 6 N4D2
A
A 12.2833 6 N4D3
A
A 12.2167 6 N4D1
A
B A 11.8333 6 N3D3
B
B C 11.2667 6 N3D2
C
D C 11.0667 6 N3D1
D
D E 10.4500 6 N2D3
E
F E 9.9167 6 N2D2
F
F 9.6000 6 N2D1
G 7.1500 6 N1D3
G
G 7.1500 6 N1D2
G
G 6.9167 6 N1D1
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 32
Error Mean Square 0.358958
Number of Means 2 3 4 5 6
Critical Range .4982 .5237 .5402 .5520 .5610
A 10.4583 12 PD3
A
B A 10.4000 12 BD3
B A
B A 10.2417 12 PD2
B A
B A 10.1583 12 BD2
B A
B A 10.0167 12 PD1
B
B 9.8833 12 BD1
NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 32
Error Mean Square 0.358958
Number of Means 2 3 4 5 6 7 8 9 10 11 12 13
Critical Range 0.996 1.047 1.080 1.104 1.122 1.136 1.147 1.157 1.164 1.171 1.176 1.181
Number of Means 14 15 16 17 18 19 20 21 22 23 24
Critical Range 1.185 1.189 1.192 1.194 1.197 1.199 1.200 1.202 1.203 1.204 1.205
F 7.5667 3 N1PD2
F
G F 7.4667 3 N1PD1
G F
G F 7.2000 3 N1BD3
G F
G F 7.1000 3 N1PD3
G F
G F 6.7333 3 N1BD2
G
G 6.3667 3 N1BD1
Simbul uji lanjut dapat disederhanakan dengan membuat simbul uji pembeda dua arah yaitu kolom dan baris
Rancangan bujur sangkar (Latin Square Design) merupakan salah satu model
rancangan lingkungan dalam rancangan percobaan. Disain rancangan ini berbentuk
bujur sangkar sehingga disebut juga rancangan bujur sangkar latin.
Rancangan ini digunakan apabila unit percobaan tidak homogen dimana ketidak
homogenan tersebut diduga mengarah pada dua arah sehingga pengelompokan
perlakuannya berdasarkan dua kriteria yaitu pengelompokan ke arah baris dan ke arah
kolom/lajur. Hal ini memungkinkan untuk mengukur dan menyisihkan keragaman tanah
percobaan ke dua arah sehingga menurunkan galat percobaan.
Salah satu ciri khas dari rancangan bujur sangkar latin adalah jumlah baris
sama dengan jumlah kolom atau dengan kata lain jumlah perlakuan sama dengan
jumlah ulangan. Jumlah perlakuan yang ideal untuk rancangan ini adalah 5 sampai 8.
Apabila perlakuan yang diuji hanya sedikit (<4) maka penggunaan rancangan ini
kurang efisien.
E B D C A
3,51 t/ha 3,92 t/ha 3,73 t/ha 3,91 t/ha 3,54 t/ha
D A B E C
3,53 t/ha 3,06 t/ha 4,02 t/ha 3,63 t/ha 4,05 t/ha
B D C A E
4,84 t/ha 3,87 t/ha 4,25 t/ha 3,64 t/ha 3,21 t/ha
C E A D B
4,55 t/ha 3,52 t/ha 3,44 t/ha 3,05 t/ha 4,52 t/ha
A C E B D
3,30 t/ha 4,13 t/ha 3,60 t/ha 4,01 t/ha 3,50 t/ha
Daya yang diperoleh dari hasil percobaan kemudian ditabulasi sebagai berikut:
Kolom
Baris
1 2 3 4 5
1 3,51 (E) 3,92 (B) 3,73 (D) 3,91 (C) 3,54 (A)
2 3,53 (D) 3,06 (A) 4,02 (B) 3,63 (E) 4,05 (C)
3 4,84 (B) 3,87 (D) 4,25 (C) 3,64 (A) 3,21 (E)
4 4,55 (C) 3,52 (E) 3,44 (A) 3,05 (D) 4,52 (B)
5 3,30 (A) 4,13 (C) 3,60 (E) 4,01 (B) 3,50 (D)
Penyelesaian
Model yang digunakan untuk analisis sidik ragam adalah general linear model dengan
post test uji Duncan. Tahapan analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut. Simpan
dengan nama bujursangkarlatin.xls
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Impor data dari Excel dengan klik File > Open > Data
3. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih
bujursangkarlatin.xls dilanjutkan dengan klik Open.
4. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.
5. Selanjutnya kita akan melakukan analisis varians, klik Analyze >General linear
model >univariate sebagai berikut:
6. Kotak dialog Univariate selanjutnya ditampilkan. Pilih variable Hasil dan klik ke
Dependent List. Pada Fixed Faktor pilih BARIS, KOLOM dan PERLAKUAN,
maka ketiga variable akan berpindah ke kanan (Lihat gambar 4).
Gambar 4. Memasukkan variabel
7. Klik model maka akan keluar tampilan seperti gambar 5. Klik custom dan
masukkan BARIS, KOLOM dan PERLAKUAN, ke kotak model dengan klik tanda
panah. Klik continue untuk lanjut.
8. Kali ini kita akan melakukan uji Duncan. Klik menu Post Hoc yang terletak di
sebelah kanan. Klik PERLAKUAN dilanjutkan dengan menekan panah ke kanan
maka variable akan berpindah ke kanan. Pilih uji Duncan > Continue > OK.
Gambar 6. Univariate: post Hoc multiple comparison
OUTPUT MODEL
Hasil analisis dapat disimpulkan sebagai berikut : karena nilai Sig untuk
PERLAKUAN < 0.05, maka H1 diterima dan H0 ditolak. Hal ini berarti ada perbedaan
antara perlakuan jenis insektisida yang digunakan terhadap hasil jagung.
HASIL
Duncan
Subset
PERLAKUAN N 1 2
1 5 3.41 b
5 5 3.49 b
4 5 3.54 b
3 5 4.18 a
2 5 4.26 a
Sig. .530 .653
Y = a + bX
Keterangan:
Y = Variabel dependent (nilai yang diprediksikan)
X = Variabel independent
a = Konstanta
b = Koefisien regresi
Penyelesaian
Model yang akan digunakan untuk untuk analisis data adalah regresi linier tahapan
analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut Simpan
dengan nama reglinier.xls
Gambar 1. Tampilan data entri di Excel
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
computer. Impor data dari Excel dengan klik File > Open > Data
3. Pada dialog File Type pilih Excel dan File nama pilih reglinier.xls dilanjutkan
dengan klik Open. klik Continue maka data view spss seperti berikut.
5. Selanjutnya kotak dialog analisis regresi ditampilkan. Pilih variabel Penjualan dan
klik ke Dependent List, Selanjutnya klik variabel promosi ke Independent List.
OUTPUT MODEL
Descriptive Statistics
Std.
Mean Deviation N
Penjualan 143.47 28.084 15
Promosi 53.87 19.657 15
Interpretasi tabel : Rata-rata jumlah penjualan adalah Rp. 143.45 (juta ) dengan
rata-rata penyimpangan (deviasi mencapai 28,08 juta) dengan jumlah data 15.
Demikian pula pada promosi, rata-rata biaya promosi adalah Rp. 53,87 (juta) dengan
rata-rata penyimpangan (deviasi mencapai 19,65 juta) dengan jumlah data 15.
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .994a .987 .986 3.269
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
a
1 .994 .987 .986 3.269
a. Predictors: (Constant), promosi
Interpretasi tabel : Nilai korelasi (R) hubungan antara promosi dengan penjualan
adalah 0,994, sehingga dapat disimpulkan bahwa terdapat hubungan yang sangat erat
antara biaya promosi yang dikeluarkan dengan tingkat penjualan benih jagung hibrida.
Nilai R-square atau koefisien determinasi sebesar 0,987. Hal ini menunjukkan
bahwa kemampuan variabel promosi mempengaruhi naik turunnya penjualan benih
sebesar 98,7% dan masih terdapat 100-98,7 = 1,3% variabel lain (selain promosi) yang
mempengaruhi penjualan.
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 10902.825 1 10902.825 1.020E3 .000a
Residual 138.908 13 10.685
Total 11041.733 14
a. Predictors: (Constant), promosi b. Dependent Variabel: penjualan
Y = 66.995 + 1,420 X
Nilai konstanta 66,995 menunjukkan bahwa tanpa promosi (X=0) maka nilai
penjualan produk benih hanya sebesar 66,995 juta rupiah.
Nilai slope 1,420 menunjukkan bahwa setiap kenaikan biaya promosi sebesar 1
juta rupiah akan meningkatkan nilai penjualan 1,42 juta rupiah.
BAB 11
ANALISIS REGRESI LINIER BERGANDA
Selain regresi linier sederhana, metode regresi yang juga banyak digunakan
adalah regresi linier berganda. Regresi linier berganda digunakan untuk penelitian yang
menggunakan beberapa variabel secara bersamaan. Dengan kata lain regresi ini
menggunakan beberapa variabel X, misalnya X1, X2 dan seterusnya yang kemudian
dianalisis secara bersamaan.
Rumus yang digunakan pada regresi linier berganda pada prinsipnya sama
dengan regresi linier sederhana, hanya saja pada regresi berganda ditambahkan
variabel lain yang juga disertakan dalam penelitian. Rumus regresi linear berganda
adalah sebagai berikut:
Y = a + b1X1 + b2X2 + ….+BnXn
Keterangan:
Y = Variabel dependen (nilai yang diprediksikan)
X = Variabel independen
a = Konstanta
b = Koefisien regresi
1. Analisis hubungan antara populasi tanaman dan dosis pemupukan dengan hasil
tanaman.
2. Analisis hubungan antara waktu tanam dan faktor iklim terhadap dinamika hama
tanaman.
3. Analisis hubungan antara jumlah ransum dan waktu pemberian terhadap
peningkatan bobot ternak.
4. Analisis hubungan antara umur dan tinggi tanaman terhadap hasil.
5. Analisis hubungan antara jenis kelamin dan tingkat pendidikan terhadap adopsi
teknologi pertanian modern.
CONTOH KASUS: Aplikasi Regresi Linier Berganda untuk Mengetahui
Pengaruh Umur, Tinggi Tanaman dan Rendemen
Terhadap Hasil Jagung
Tinggi
Umur tanaman Rendemen Hasil
Nomor tanaman
(hari) (%) (t/ha)
(cm)
1 100 203 70 9.5
2 102 206 72 9.8
3 98 200 68 9.1
4 95 198 65 8.6
5 102 204 69 9.7
6 104 210 72 10
7 98 199 69 9
8 92 190 63 8
9 102 204 71 9.7
10 100 202 71 9.6
11 102 205 73 9.8
12 85 190 67 7.8
13 90 193 69 8
14 92 194 64 8.1
15 98 199 69 9
16 102 205 71 9.7
Penyelesaian
Model yang akan digunakan untuk analisis data adalah regresi linier. Tahapan
analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut simpan
dengan nama regresi berganda.xls
Gambar 1. Tampilan data entri di Excel
2. Buka program SPSS pada computer, selanjutnya akan muncul data view pada
computer. Impor data dari Excel dengan klik File > Open > Data. Selanjutnya
pada dialog File Type pilih Excel dan File nama pilih regresi berganda.xls
dilanjutkan dengan klik Open. Klik Continue maka data akan ditampilkan di data
view spss seperti berikut.
Gambar 2. Data view regresi linier berganda
3. Selanjutnya kita akan melakukan analisis regresi, klik Analyze > Regression >
Linear regression.
4. Pilih variabel Hasil dan klik ke Dependent List, variabel Hasil akan berpindah ke
kanan (lihat gambar 3). Selanjutnya pada Independent List pilih variabel Tinggi ,
umur dan rendemen. Kllik tanda panah ke kanan, variabel akan berpindah.
5. Masih pada kotak dialog Linear regression Klik statistics dan tandai pada
Estimates, Model Fit dan Descriptives dilanjutkan dengan klik Continue.
Gambar 4. Kotak dialog Linear regression statistics
6. Masih pada kotak dialog Linear regression klik Plots dan tandai pilihan Histogram
dan Normal Probability Plot. dilanjutkan dengan klik Continue > OK.
Descriptive Statistics
Std.
Mean Deviation N
Hasil 9.0875 .75971 16
Umur 97.62 5.390 16
Tinggi 200.12 5.898 16
Rendemen 68.94 2.932 16
Interpretasi tabel : Tabel ini menjelaskan deskripsi variabel seperti rata-rata (mean),
standar deviasi dan jumlah data (N). Nilai rata-rata variabel Hasil adalah 9,09 t/ha
dengan rata-rata penyimpangan (deviasi mencapai 0,75) dengan jumlah data 16.
Demikian pula pada Umur dan Tinggi, mempunyai nilai rata-rata 97,62 hari dan
200,12 cm dengan penyimpangan 5,39 dan 5,89 dengan jumlah data 16.
Model Summaryb
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .991a .982 .977 .11434
a. Predictors: (Constant), Rendemen, Umur, Tinggi
b. Dependent Variabel: Hasil
Interpretasi tabel: Nilai korelasi antara variabel prediktor (umur, tinggi tanaman,
rendemen) dengan variabel hasil (R) = 0,991 sehingga dapat disimpulkan bahwa
terdapat hubungan yang sangat erat antara umur dan tinggi tanaman serta rendemen
terhadap hasil yang didapatkan.
Nilai R-square atau koefisien determinasi sebesar 0,982. Hal ini menunjukkan
bahwa kemampuan variabel umur, tinggi tanaman, rendemen mempengaruhi hasil
panen sebesar 98,2% dan masih terdapat 100-98,2 = 1,8% variabel lain (selain ketiga
variabel tersebut) yang mempengaruhi hasil.
ANOVAb
Sum of
Model Squares Df Mean Square F Sig.
1 Regression 8.501 3 2.834 216.741 .000a
Residual .157 12 .013
Total 8.658 15
a. Predictors: (Constant), Rendemen, Umur, Tinggi
b. Dependent Variabel: Hasil
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -9.488 1.842 -5.150 .000
Umur .079 .019 .558 4.120 .001
Tinggi .039 .021 .299 1.861 .087
Rendemen .046 .018 .178 2.539 .026
a. Dependent Variabel: Hasil
r Kriteria Hubungan
0 – 0,25 Tidak ada korelasi
>0,25 – 0.5 Korelasi cukup kuat
>0.5 – 0.75 Korelasi kuat
>0.75 – 1 Korelasi sangat kuat
Penggunaan analisis korelasi telah banyak dilaporkan, diantaranya:
Penyelesaian
Model yang akan digunakan untuk analisis data adalah korelasi bivariat, tahapan
analisisnya adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti berikut Simpan
dengan nama korelasi_data.xls
5. Selanjutnya kita akan melakukan analisis korelasi, klik Analyze > Correlate >
Bivariate sebagai berikut.
Gambar 3. Tampilan menu korelasi
Correlations
umur_berb bobot_tong
Hasil tinggi_tan unga kol Panen Rendamen
** **
Hasil Pearson Cor 1 .393 -.691 .960 .393 -.262
Sig. (2-tailed) .086 .001 .000 .087 .265
N 20 20 20 20 20 20
*
tinggi_tan Pearson Cor .393 1 -.386 .459 .041 -.485*
Sig. (2-tailed) .086 .093 .042 .862 .030
N 20 20 20 20 20 20
** **
umur_berbun Pearson Cor -.691 -.386 1 -.700 -.194 .402
ga Sig. (2-tailed) .001 .093 .001 .411 .079
N 20 20 20 20 20 20
** * **
bobot_tongkol Pearson Cor .960 .459 -.700 1 .427 -.386
Sig. (2-tailed) .000 .042 .001 .060 .092
N 20 20 20 20 20 20
panen Pearson Cor .393 .041 -.194 .427 1 -.097
Sig. (2-tailed) .087 .862 .411 .060 .683
N 20 20 20 20 20 20
*
Rendamen Pearson Cor -.262 -.485 .402 -.386 -.097 1
Sig. (2-tailed) .265 .030 .079 .092 .683
N 20 20 20 20 20 20
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).
Correlations
umur_berbun bobot_tong
Hasil tinggi_tan ga kol panen Rendamen
Hasil 1
tinggi_tan .393 1
**
umur_berbunga -.691 -.386 1
** * **
bobot_tongkol .960 .459 -.700 1
Panen .393 .041 -.194 .427 1
*
Rendamen -.262 -.485 .402 -.386 -.097 1
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).
Kesimpulan :
Analisis lintas sebenarnya mudah dilakukan karena kita hanya perlu melakukan
dua tahapan analisis yaitu analisis regresi linier berganda serta analisis korelasi. Analisis
linier berganda dilakukan untuk mengetahui pengaruh langsung variabel terhadap hasil
sementara analisis korelasi untuk mengetahui tingkat keeratan dari variabel. Untuk
memudahkan pemahaman dapat dilihat pada contoh berikut:
Penyelesaian
1. Analisis jalur dilakukan dengan 2 tahapan yaitu analisis regresi linier berganda dan
analisis korelasi. Pertama-tama lakukan tabulasi data di Excel, Simpan dengan nama
jalur_data.xls
Gambar 1.Tampilan data entri di Excel
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Impor data dari Excel dengan klik File > Open > Data. Pilih
jalur_data.xls dilanjutkan dengan klik Open. Klik Continue.
Untuk melihat pengaruh gabungan ataupun pengaruh parsial maka kita akan
menganalisis output analisis regresi serta korelasi.
OUTPUT REGRESI
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .968a .938 .928 .4778468
a. Predictors: (Constant), seribubj, tgtkl, tgtan, panen
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 86.208 4 21.552 94.387 .000a
Residual 5.708 25 .228
Total 91.917 29
a. Predictors: (Constant), seribubj, tgtkl, tgtan, panen
b. Dependent Variabel: Hsl
Interpretasi : Uji Anova dilakukan untuk menguji layak tidaknya hipotesis yang
dibuat. Kriteria yang digunakan adalah apabila nilai Sig atau P-value < 0,05 maka
terdapat pengaruh yang kuat antara variabel dan model. Demikian pula apabila Sig >
0,05 maka model tidak layak. Berdasarkan tabel diperoleh nilai Sig sebesar 0,000
(<0,05) sehingga dapat disimpulkan keempat parameter secara gabungan
mempengaruhi hasil.
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) -8.583 2.445 -3.510 .002
Panen .139 .023 .757 6.133 .000
Tgtan -.002 .010 -.009 -.171 .866
Tgtkl .007 .008 .055 .871 .392
Seribubj .009 .004 .249 2.091 .047
a. Dependent Variabel: Hsl
Correlations
panen tgtan tgtkl seribubj Hsl
** **
panen Pearson Correlation 1 .120 -.270 .859 .955
Sig. (2-tailed) .527 .149 .000 .000
N 30 30 30 30 30
tgtan Pearson Correlation .120 1 .084 .162 .127
Sig. (2-tailed) .527 .658 .394 .503
N 30 30 30 30 30
tgtkl Pearson Correlation -.270 .084 1 .050 -.138
Sig. (2-tailed) .149 .658 .795 .468
N 30 30 30 30 30
** **
seribubj Pearson Correlation .859 .162 .050 1 .901
Sig. (2-tailed) .000 .394 .795 .000
N 30 30 30 30 30
** **
Hsl Pearson Correlation .955 .127 -.138 .901 1
Sig. (2-tailed) .000 .503 .468 .000
N 30 30 30 30 30
**. Correlation is significant at the 0.01 level (2-tailed).
rX3X4
0,050 PYX4
0,249
X4 Berat 1000 Biji
Kesimpulan :
Dari hasil analisis di atas diperoleh kesimpulan sebagai berikut:
1. Pengaruh variabel umur panen terhadap hasil sebesar 0,757 atau 75,7%
(nilai beta).
2. Pengaruh variabel tinggi tanaman terhadap hasil sebesar -0,009 atau -
0,9%.
3. Pengaruh variabel tinggi tongkol terhadap hasil sebesar 0,055 atau 5,5%.
4. Pengaruh variabel berat 1000 biji terhadap hasil sebesar 0,249 atau
24,9%.
5. Korelasi antara variabel umur panen dengan tinggi tanaman = 0,120
6. Korelasi antara variabel tinggi tongkol dengan tinggi tanaman = 0,084
7. Korelasi antara variabel tinggi tongkol dengan berat 1000 biji = 0,05
8. Korelasi antara variabel umur panen dengan berat 1000 biji = 0,859
BAB 14
UJI DESKRIPTIF, VALIDITAS DAN NORMALITAS DATA
SPSS menyediakan fasilitas untuk melakukan analisis deskriptif data seperti uji
deskriptif, validitas dan normalitas data. Uji deskriptif yang dilakukan meliputi rata-rata
(mean), standar deviasi (std. deviation), varians, skewness, kurtosis, nilai maximum,
nilai minimum). Uji validitas data meliputi pengecekan data. Uji normalitas data
dilakukan untuk mengetahui apakah data telah mengikuti distribusi normal.
Penyelesaian
1. Input data di Excel dan simpan dengan nama kecambah.xls. Selanjutnya Buka
Software SPSS. Informasi lengkap cara impor data dari Excel ke SPSS dapat dilihat
pada bab sebelumnya. Tampilan data di SPSS adalah:
Gambar 1. Data view SPSS
2. Sekarang kita mulai dengan menghitung rata-rata. Klik menu Transform >
Compute Variable maka kotak dialog ditampilkan. Pada Target Variable ketik
Rata_rata sementara pada Function Group klik All. Pada Function and Special
Variable pilih mean. Selanjutnya pada Numeric Expression masukkan
Mean(Ulangan_1,Ulangan_2,Ulangan3). Klik OK . Coba perhatikan data view
SPSS !!!, pada data view SPSS secara otomatis menampilkan nilai rata-rata di kolom
ke 4.
Descriptives
Statistic Std. Error
Ratarata Mean 93.3958 .60263
95% Confidence Lower Bound 92.1114
Interval for Mean Upper Bound 94.6803
5% Trimmed Mean 93.2917
Median 93.3333
Variance 5.811
Std. Deviation 2.41053
Minimum 89.67
Maximum 99.00
Range 9.33
Interquartile Range 2.25
Skewness .572 .564
Kurtosis .962 1.091
Interpretasi: Mean atau rata rata dari variable nilainya 93,39%. Ini berarti secara
umum rata-rata daya berkecambah benih pada 16 sampel yang diukur dengan 3 kali
ulangan adalah 93,39. Median atau nilai tengah adalah nilai yang membagi distribusi
data dalam dua bagian yang sama besar. Nilai median yang diperoleh adalah 93,33%.
Nilai varians yang diperoleh adalah 5,81. Standar deviasi adalah selisih setiap data dari
nilai rata ratanya. Nilai standar deviasi yang diperoleh adalah 2,41.
Nilai minimum dan maksimum data adalah 89,67% dan 99%. Skewness adalah
kemiringan atau kemencengan kurva nilainya 0,57. Kurtosis atau
keruncingan/ketumpulan data nilainya 0,962. Nilai skewness dan kurtosis biasanya
digunakan untuk menentukan tingkat normalitas data.
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
*
Ratarata .161 16 .200 .938 16 .323
a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.
Interpretasi: Tabel ini menampilkan hasil uji normalitas dari variable rata_rata
menggunakan uji Kolmogorov-Smirnov. Uji ini digunakan untuk membandingkan antara
data yang diuji dengan data normal baku. Kriteria pengambilan keputusan adalah,
Apabila data terdistribusi normal maka nilai Sig > 0,05. Sebaliknya apabila nilai Sig <
0,05 maka data tidak terdistribusi normal. Berdasarkan tabel diatas nilai Sig = 0,2 atau
> 0,05 sehingga disimpulkan bahwa data terdistribusi normal.
Q-Q plot atau plot uji normalitas menggambarkan distribusi data apakah telah
mengikuti distribusi normal atau tidak. Semakin dekat data dari garis maka semakin
baik datanya atau mengikuti distribusi normal. Grafik variable rata-rata nilainya
sebagian besar mendekati garis sehingga mengikuti distribusi normal.
Profil Penulis
Muhammad Aqil dilahirkan di Kota Pare Pare Provinsi Sulawesi Selatan. Penulis
menyelesaikan pendidikan S3 bidang Life and Environmental Science, Shimane
University di Jepang Tahun 2007. Penulis saat ini bekerja sebagai Peneliti Bidang
Budidaya dan Pascapanen di Balai Penelitian Tanaman Serealia, Badan Litbang
Pertanian.