Aplikasi SPSS Dan SAS Untuk PERANCANGAN PDF

APLIKASI SPSS DAN SAS
UNTUK PERANCANGAN PERCOBAAN
Aplikasi Pertanian
Aplikasi Peternakan
Aplikasi Kehutanan
Aplikasi MIPA
Muhammad Aqil
Roy Efendi
UNTUK PERANCANGAN PERCOBAAN
Cetakan Ke-1, Maret 2015 vi

+ 226 hlm, 14.5 x 20.5 cm
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
UNTUK PERANCANGAN
PERCOBAAN
 Aplikasi Pertanian
 Aplikasi Peternakan
 Aplikasi Kehutanan
 Aplikasi MIPA
Muhammad Aqil
Roy Efendi
KATA PENGANTAR
Keberhasilan pembangunan di bidang pertanian, peternakan, kehutanan,

perikanan dan bidang lainnya sangat tergantung pada keberhasilan penelitian
untuk penciptaan teknologi unggul. Hal ini tentu saja membutuhkan perencanaan
yang sistematik termasuk dalam hal perencanaan penelitian. Oleh karena itu
rancangan percobaan merupakan awal dari proses penciptaan teknologi untuk
petani.
Seiring kemajuan teknologi, perencanaan percobaan dan analisis datanya
lebih mudah dilakukan dengan bantuan software statistik. Diantara program
statistik yang banyak digunakan adalah SPSS dan SAS. SPSS telah dikenal secara
luas sebagai perangkat analisis yang ampuh bukan hanya di bidang eksakta tetapi
juga bidang ekonomi dan sosial budaya. SAS sendiri mempunyai kelebihan yang
memungkinkan menganalisis data yang banyak dalam waktu singkat.
Buku Aplikasi SPSS dan SAS untuk Perancangan Percobaan dibuat untuk
membantu pengguna untuk menganalisis data secara praktis. Buku ini membahas
berbagai aspek diantaranya dasar perancangan percobaan, analisis rancangan acak
lengkap, rancangan acak kelompok, rancangan petak terpisah, bujur sangkar latin,
analisis regresi, analisis korelasi dan analisis lintas. Dengan beragam contoh yang
disajikan diharapkan dapat membantu pengguna dalam menggunakan aplikasi ini
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
Suatu percobaan baik yang dilakukan di lapangan maupun di laboratorium

bertujuan untuk memberikan informasi ilmiah atas pertanyaan ataupun hipotesis
yang dibuat. Sebagai contoh apakah introduksi varietas jagung sintetik dari luar
negeri dapat memberikan hasil yang lebih tinggi dibandingkan varietas yang sudah
berkembang saat ini. Pertanyaan lain misalnya apakah penggunaan pupuk hayati
secara berkelanjutan efektif meningkatkan kesuburan tanah. Untuk menjawab
pertanyaan tersebut perlu dilakukan suatu percobaan.
Tahapan singkat pelaksanaan suatu percobaan meliputi penetapan maksud
dan tujuan, penggunaan rancangan percobaan (jenis rancangan, jumlah perlakuan
dan jumlah ulangan) serta yang kalah pentingnya analisis dan interpretasi data dan
penarikan kesimpulan.
Rancangan percobaan adalah suatu prosedur pengumpulan data percobaan
baik yang dilakukan di lapangan maupun di laboratorium agar dapat ditarik
kesimpulan terhadap objek yang di teliti. Dalam rancangan percobaan faktor yang
sangat penting untuk menjadi perhatian adalah penentuan perlakuan dan jumlah
ulangan. Hasil yang baik diperoleh dari percobaan yang perlakuan-perlakuannya
dipilih secara cermat terlebih dahulu.
Jenis perlakuan dapat bervariasi tergantung faktor yang akan diteliti,
misalnya varietas, dosis pemupukan, waktu penyimpanan, herbisida dan lain-lain.
Dengan melihat perlakuan yang ada maka pemilihan model rancangan yang tepat
juga dapat dilakukan. Sebagai contoh percobaan pengujian efektifitas herbisida
baru untuk pengendalian gulma pada tanaman jagung hibrida. Dalam kasus ini,
peneliti biasanya telah mengetahui ambang batas bawah atau atas konsentrasi
bahan aktif yang berpengaruh terhadap tanaman.
Apabila dalam percobaan ingin diketahui tanggapan hasil tanaman terhadap
perlakuan herbisida maka laju penyemprotan dapat dibuat dalam beberapa
tingkatan, misalnya 5 level. Untuk memudahkan perhitungan, dosis penyemprotan
biasanya dipilih dengan selang yang sama misalnya 0,5 liter bahan aktif/ha, 1
liter/ha, 1,5 liter/ha, 2 liter/ha dan 2,5 l/ha.
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.
Ulangan, Pengacakan dan Pengelompokan

Untuk meningkatkan ketelitian, suatu percobaan memerlukan ulangan.
Ulangan dilakukan selain untuk mengendalikan ragam galat percobaan juga untuk
memperluas daya cakup dari kesimpulan yang akan diambil. Galat percobaan
timbul karena adanya perbedaan yang terjadi pada petakan yang telah
diperlakukan sama. Jadi, tanpa adanya ulangan maka galat percobaan tidak dapat
dihitung.
Hasil optimal dapat dicapai dengan menerapkan teknik pengacakan yang
benar. Tata letak plot setiap perlakuan perlu di acak untuk menjamin keragaman
perlakuan. Pengacakan dilakukan dengan tujuan untuk menjaga agar perlakuan
bebas dari bias yang disebabkan oleh perbedaan lingkungan percobaan.
Pengacakan dapat dilakukan dengan menggunakan daftar acak atau dengan
software statistik.
Galat dapat diminimalkan dengan menerapkan kontrol lokal dalam
pengelompokan perlakuan. Prosedurnya adalah dengan membagi tempat
percobaan kedalam beberapa petak atau kelompok. Pada setiap petakan perlu
diusahakan agar kesuburan tanah sama. Selain itu peneliti harus mempunyai
kemampuan untuk memilih lokasi untuk pelaksanaan percobaan. Praktek
manajemen pertanaman juga perlu diperhatikan sehingga diperoleh hasil optimal.
Buku ini akan menyajikan berbagai bentuk rancangan percobaan diantaranya:
1. Rancangan Acak Lengkap (Completely Randomized Design)
2. Rancangan Acak Kelompok (Completely Randomized Block Design)
3. Rancangan Acak Lengkap Faktorial (Faktorial Randomized Design)
4. Rancangan Acak Kelompok Faktorial (Faktorial Randomized Bock Design)
5. Rancangan Petak Terbagi (Split Plot Design)
6. Rancangan Petak Petak Terbagi (Split Split Plot Design)
7. Rancangan Bujur Sangkar Latin (Latin Square Design)
Pengolahan data rancangan percobaan saat ini semakin mudah dilakukan

dengan banyaknya software statistik, diantaranya yang banyak digunakan adalah
SPSS (Statistical Product and Service Solution) dan SAS (Statistical Analysis System).
Kedua software mempunyai beberapa kelebihan diantaranya tampilannya berbasis
windows sehingga user friendly. Selain itu software ini juga dapat menganalisis
permasalahan yang kompleks termasuk data mining.
BAB 2.
APLIKASI RANCANGAN ACAK LENGKAP 1 FAKTOR
Rancangan Acak Lengkap (RAL) merupakan rancangan yang paling sederhana
dibanding rancangan lainnya. Penggunaan RAL di berbagai bidang penelitian telah
banyak dilaporkan. RAL digunakan jika kondisi unit percobaan yang digunakan relatif
homogen. Percobaan ini umumnya dilakukan di laboratorium atau rumah kaca
dengan melibatkan sedikit unit percobaan. Kelebihan penggunaan metode RAL
diantaranya
 Pembuatan layout percobaan lebih mudah dilakukan

 Analisis sidik ragam relatif lebih sederhana
 Fleksibel dalam penggunaan jumlah perlakuan dan jumlah ulangan
Adapun contoh percobaan yang menggunakan RAL 1 faktor adalah:
 Analisis pertumbuhan jagung manis pada percobaan pot di rumah kaca

 Pengaruh konsentrasi nira terhadap kandungan etanol jagung di laboratorium
 Analisis daya hasil varietas unggul padi terhadap varietas lokal
 Pengaruh penambahan pupuk kandang terhadap hasil jagung
Peletakan tiap perlakuan perlu dilakukan secara acak pada seluruh tempat
percobaan. Pada rancangan ini, pengelompokan tidak diperlukan.
CONTOH KASUS: Analisis Pengaruh Pupuk Urea Terhadap Hasil Jagung

Menggunakan RAL 1 Faktor
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
Jumlah perlakuan = 6 dengan 5 ulangan sehingga diperlukan 30 petakan/pot. Setelah

diadakan pengacakan diperoleh hasil sebagai berikut:
1
1 2 3 4 5 6
D C E A F C
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
Data pengamatan hasil jagung yang diperoleh adalah:
dosis Hasil jagung (ku/ha)

pupuk Ulangan I Ulangan II Ulangan III Ulangan IV Ulangan V
(kg/ha)
0 31,3 33,4 29,2 32,2 33,9
50 38,8 37,5 37,4 35,8 38,4
100 40,9 39,2 39,5 38,6 39,8
150 40,9 41,7 39,4 40,1 40,0
200 39,7 40,6 39,2 38,7 41,9
250 40,6 41,0 41,5 41,1 39,8
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
Gambar 2. Tampilan open data di SPSS
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.
Gambar 4. Data view Perlakuan dan hasil
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).
Gambar 6. Memasukkan variabel
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.
Gambar 7. One way anova: post Hoc multiple comparison
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
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
 Catatan: Kolom yang sama mempunyai kode huruf yang sama

 Pemberian kode huruf diurutkan dari nilai yang paling tinggi (symbol “a”)
Penyajian akhir dari data adalah:
Perlakuan Dosis Pupuk (kg/ha) Hasil (ku/ha)

1 0 32,00 c
2 50 37,58 b
3 100 39,60 a
4 150 40,02 a
5 200 40,42 a
6 250 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.
Contoh Kasus: Analisis Pengaruh Putaran Alat Pencampur Pakan Terhadap

Kandungan Nutrisi Pakan
Sebuah penelitian dilakukan untuk mengetahui pengaruh putaran alat

pencampur pakan terhadap komposisi karbohidrat, lemak dan protein dari ransum yang
dihasilkan. Penelitian dilakukan di laboratorium dengan menggunakan bahan pakan
serta alat pencampur skala lab. Penelitian disusun dengan RAL. Tabulasi data adalah:
RPM Karbohidrat (%) Lemak (%) Protein (%)

Alat Ulangan Ulangan Ulangan
I II III I II III I II III
600 8,037 8,035 8,037 4,504 4,540 4,510 5,680 4,750 6,250
700 6,064 6,063 6,061 2,350 2,340 2,342 11,54 10,20 9,89
800 5,036 6,034 6,034 1,254 1,255 1,250 14,04 15,94 12,60
Penyelesaian
Model yang akan digunakan untuk analisis sidik ragam adalah one way anova dengan
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti beriku. Simpan
dengan nama ral3parameter.xls
8
2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada
komputer. Impor data dari Excel dengan klik File > Open > Data
Gambar 9.Tampilan 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.
Gambar 10. Data view di spss
9
5. Selanjutnya kita akan melakukan analisis anova secara bersamaan terhadap
ketiga parameter. Klik Data > Split File sebagai berikut.
Gambar 11. Tampilan menu split file

6. Selanjutnya akan muncul kotak dialog split file. Pilih Analyze all cases do not
create groups diikuti dengan klik OK
Gambar 12. Kotak dialog menu split file
10
7. Untuk analisis varians, klik Analyze > Compare means > one way anova
sebagai berikut.
Gambar 13. Tampilan menu one way anova

8. Pilih variabel Protein dan klik ke Dependent List. Lakukan hal yang sama pada
variabel Karbohidrat dan Lemak. Selanjutnya pada Faktor pilih Perlakuan
dan klik tanda panah kekanan (Lihat gambar 14).
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
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
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
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

Hasil yang diperoleh selanjutnya dapat di tabulasi untuk memudahkan interpretasi

sebagai berikut :
Tabel pengaruh RPM alat pencampur terhadap kompisisi nutrisi ransum
RPM Karbohidrat Lemak Protein

600 8,04 a 4,52 a 5,56 c
700 6,06 b 2,34 b 10,54 b
800 5,70 b 1,25 c 14,19 a
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
Window Output Window Log Window Editor
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.
Contoh Penyusunan data di MS Excel
Perlakuan Ulangan Hasil

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
16
2. Pengetikan listing SAS
Buka software SAS, kemudian klik windows Editor untuk melakukan pengetikan listing SAS
Pengimputan listing SAS
Windows Editor telah aktif
OPTION PS=100;
TITLE'RANCANGAN ACAK LENGKAP_ satu faktor';
Data RAL;
input Perlakuan$ Ulangan Hasil;
cards;
Copy data dari MS. Excel dan paste di sini
;
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:
Uji BON, DUNCAN, DUNNETT, DUNNETTL, DUNNETTU, GABRIEL

GT2, LSD, REGWQ, SCHEFFE, SIDAK, SMM, SNK, TUKEY, WALLER
RUN = menjalankan analisis
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
Klik windos Output untuk melihat hasil analsisi
19
RANCANGAN ACAK LENGKAP 14:20 Friday, February 19, 2015 1
The ANOVA Procedure
Class Level Information
Class Levels Values
Perlakuan 6 A B C D E F
Number of observations 30
The ANOVA Procedure
Dependent Variable: Hasil
Sum of
Source DF Squares Mean Square F Value Pr > F
Model Galat 5 277.6856667 55.5371333 39.85 <.0001
Error 24 33.4440000 1.3935000
Corrected Total 29 311.1296667

Koefesien keragaman
R-Square Coeff Var Root MSE Hasil Mean
0.892508 3.073863 1.180466 38.40333
Source DF Anova SS Mean Square F Value Pr > F
Perlakuan 5 277.6856667 55.5371333 39.85 <.0001
20
The ANOVA Procedure
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 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
Means with the same letter are not significantly different.
Duncan Grouping Mean N Perlakuan
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:
Sumber keragaman db Jumlah kuadrat Kuadrat tengah F hitung Pr > F

Perlakuan 5 277.6856667 55.5371333 39.85 <.0001 **
Galat 24 33.444 1.3935
Total 29 311.1296667
Koefesien keragaman (KK) = 3.07%
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:
Perlakuan Dosis Pupuk (kg/ha) Hasil (ku/ha)

1 0 32,00 c
2 50 37,58 b
3 100 39,60 a
4 150 40,02 a
5 200 40,42 a
6 250 40,80 a
21
Pada kasus RAL 1 faktor dengan tiga parameter, penyelesaian di SAS adalah:
Penyusunan data dalam MS Excel
RPM ulangan Karbohidrat Lemak Protein

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
Ketik listing SAS dalam windos Editor
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
Hasil analisis dapat dilihat pada Windows Output
RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 1

19:34 Thursday, February 25, 2015
The ANOVA Procedure
Class Levels Values
RPM 3 600 700 800
22
ulangan 3 1 2 3

Anova variabel karbohidrat 19:34 Thursday, February 25, 2015
The ANOVA Procedure
Dependent Variable: Krbohdrt
Sum of
Model 2 9.47814689 4.73907344 42.82 0.0003
Error 6 0.66401000 0.11066833
R-Square Coeff Var Root MSE Krbohdrt Mean
0.934530 5.040347 0.332669 6.600111
RPM 2 9.47814689 4.73907344 42.82 0.0003

Anova variabel lemak 19:34 Thursday, February 25, 2015
The ANOVA Procedure
Dependent Variable: Lemak
Sum of
Model 2 16.57678200 8.28839100 61093.8 <.0001
Error 6 0.00081400 0.00013567
R-Square Coeff Var Root MSE Lemak Mean
0.999951 0.430595 0.011648 2.705000
RPM 2 16.57678200 8.28839100 61093.8 <.0001

Anova variabel protein 19:34 Thursday, February 25, 2015
The ANOVA Procedure
Dependent Variable: Protein
Sum of
Model 2 112.6905556 56.3452778 40.74 0.0003
Error 6 8.2977333 1.3829556
R-Square Coeff Var Root MSE Protein Mean
0.931417 11.64476 1.175991 10.09889
23
RPM 2 112.6905556 56.3452778 40.74 0.0003

The ANOVA Procedure Uji lanjut Duncan pada variabel karbohidrat
Duncan's Multiple Range Test for Krbohdrt
Alpha 0.05
Number of Means 2 3
Critical Range .6646 .6888
Duncan Grouping Mean N RPM
A 8.0363 3 600
B 6.0627 3 700
B
B 5.7013 3 800

Uji lanjut Duncan pada variabel lemak
The ANOVA Procedure
Duncan's Multiple Range Test for Lemak
Alpha 0.05
Number of Means 2 3
A 4.518000 3 600
B 2.344000 3 700
C 1.253000 3 800

The ANOVA Procedure Uji lanjut Duncan pada variabel protein
Duncan's Multiple Range Test for Protein
Alpha 0.05
Number of Means 2 3
Critical Range 2.350 2.435
24
A 14.1933 3 800
B 10.5433 3 700
C 5.5600 3 600
Penyusunan Tabel Anova variabel karbohidrat

Sumber jumlah Kuadrat
keragaman sb kuadrat tengah F Value Pr > F
RPM 2 9.47814689 4.73907344 42.82 0.0003 **
Galat 6 0.66401 0.11066833
KK = 5.040347 %
Penyusunan Tabel Anova variabel lemak

RPM 2 16.576782 8.288391 61093.8 <.0001 **
Galat 6 0.000814 0.00013567
KK = 0.430595 %
Penyusunan Tabel Anova variabel protein

RPM 2 112.69000 1.3829556 40.74 0.0003 **
galat 6 8.279000
Corrected Total 8
KK = 11.64476 %
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
RPM Karbohidrat (%) Lemak (%) Protein (%)

600 8,04 a 4,52 a 5,56 c
700 6,06 b 2,34 b 10,54 b
800 5,70 b 1,25 c 14,19 a
25
BAB 3
APLIKASI RANCANGAN ACAK KELOMPOK 1 FAKTOR

Rancangan Acak Kelompok atau biasa disingkat RAK digunakan jika kondisi unit
percobaan yang digunakan tidak homogen. Dalam rancangan ini, petakan percobaan
dibagi menjadi beberapa kelompok. Masing-masing kelompok di bagi lagi menjadi
beberapa petak yang banyaknya sama dengan jumlah perlakuan. Adapun tujuannya
adalah untuk menjaga agar keragaman antara perlakuan dalam satu kelompok sekecil
mungkin.
Manfaat rancangan ini adalah adanya pembagian kedalam kelompok sehingga
keragaman yang disebabkan oleh kelompok dapat disisihkan. Di samping itu rancangan
ini juga dapat menurunkan galat percobaan, yang berarti pula meningkatkan ketelitian
percobaan.
Percobaan ini umumnya dilakukan di lapangan atau laboratorium, diantaranya:
 Pengaruh jenis varietas terhadap karakter agronomi tanaman jagung
 Pengaruh penggunaan jagung sebagai campuran bahan pakan terhadap
perkembangan ternak
 Pengaruh pemupukan N, P dan K terhadap hasil jagung
Urutan kegiatan dalam RAK adalah sebagai berikut:
 Tentukan jumlah perlakuan dan jumlah kelompok
 Tentukan lokasi percobaan
 Buat denah percobaan berdasarkan jumlah perlakuan dan kelompok
 Lakukan pengacakan perlakuan pada setiap blok
Contoh denah dan pengacakan menggunakan RAK
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
CONTOH KASUS: Analisis Pengaruh Varietas terhadap Hasil Jagung

Menggunakan RAK 1 Faktor
Sebuah penelitian dilakukan untuk mengetahui pengaruh jenis varietas terhadap

hasil jagung pulut. Penelitian terdiri atas 5 macam varieas jagung pulut lokal dengan 3
ulangan. Penelitian menggunakan rancangan acak kelompok. Data pengamatan adalah:
Varietas Hasil (t/ha)
Blok I Blok II Blok III

Pulut A 4,5 4,7 4,8
Pulut B 4,8 4,9 4,8
Pulut C 4,9 5,0 4,8
Pulut D 5,1 5,1 4,9
Pulut E 5,2 5,1 5,2
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
2. Buka program SPSS, selanjutnya akan muncul data view pada komputer. Impor data
dari Excel dengan klik File > Open > Data
Gambar 2. Tampilan open data di SPSS
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.
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 > General linear
model > univariate.
Gambar 5. Tampilan menu general linear model

6. Selanjutnya kotak dialog Univariate ditampilkan. Pilih variabel Hasil dan klik ke
Dependent List, variabel Hasil akan berpindah ke kanan. Selanjutnya pada Faktor
pilih Perlakuan dan ulangan, maka variabel perlakuan dan ulangan akan
berpindah ke kanan (Lihat gambar 6).
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.
Gambar 7. Kotak dialog model

8. Kita akan melakukan uji Duncan. Klik menu Post Hoc dan pilih uji Duncan >
Continue > OK. Output Model akan ditampilkan.
Gambar 8. Univariate: Post Hoc multiple comparison
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
Intercept 363.588 1 363.588 2.948E4 .000

Ulangan .016 2 .008 .662 .542
Perlakuan .449 4 .112 9.108 .004
Error .099 8 .012
Total 364.153 15
Corrected Total .564 14
a. R Squared = .825 (Adjusted R Squared = 694)
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:
Post Hoc Tests Homogeneous Subset
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

Perlakuan Varietas Hasil (t/ha)

1 Pulut A 4,67 c
2 Pulut B 4,83 bc
3 Pulut C 4,90 b
4 Pulut D 5,05 ab
5 Pulut E 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.
CONTOH KASUS: Analisis Pengaruh Varietas terhadap Parameter Fenotifik

dan Hasil Jagung
Sebuah penelitian dilakukan untuk mengetahui pengaruh varietas jagung pulut

terhadap hasil. Penelitian menggunakan empat macam varietas jagung pulut lokal
dengan tiga ulangan, penelitian dilakukan dengan rancangan acak kelompok di kebun
percobaan. Data pengamatan yang diperoleh adalah:
Varietas Umur panen Tinggi tanaman Hasil (t/ha)

(hari) (cm)
Blok Blok Blok
I II III I II III I II III
Pulut A 75 77 78 178 176 175 4,5 4,7 4,8
Pulut B 77 78 80 179 180 178 4,8 4,9 4,8
Pulut C 78 80 81 181 183 183 4,9 5,0 4,9
Pulut D 80 80 83 183 184 184 5,1 5,1 4,9
Penyelesaian
dengan nama rak3parameter.xls
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
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
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.
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:
Penampilan fenotifik dan hasil tanaman jagung
Perlakuan Varietas Umur (hari) Tinggi (cm) Hasil (t/ha)

1 Pulut A 76,67 d 176,33 c 4,67 b
2 Pulut B 78,33 c 179,00 b 4,83 ab
3 Pulut C 79,67 b 182,33 a 4,93 a
4 Pulut D 81,00 a 183,67 a 5,03 a
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:
1. Klik window Otput

2. Klif  File  Save As.. 
3. ketik „nama file‟ dikolom file name
4. Rubah Save as type menjadi RTF file
5. Klik Save.
Hasil output anlisis data RAK satu faktor
Evaluasi beberapa genotipe jagung pulut 1

11:47 Friday, February 19, 2015
The ANOVA Procedure
Class Levels Values
Pulut 5 A B C D E
Ulangan 3 1 2 3

The ANOVA Procedure
Sum of
Model 6 0.44933333 0.07488889 6.33 0.0102

Galat
Error 8 0.09466667 0.01183333

Nilai Koefisien Keragaman
0.825980 2.210998 0.108781 4.920000
Pulut 4 0.43733333 0.10933333 9.24 0.0043

Ulangan 2 0.01200000 0.00600000 0.51 0.6204
Evaluasi beberapa genotipe jagung pulut

3
The ANOVA Procedure
Alpha 0.05
Number of Means 2 3 4 5
Critical Range .2048 .2134 .2183 .2211
Duncan Grouping Mean N Pulut
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
Penyusunan Tabel Anova dari hasil output SAS
Sumber keragaman db jumlah kuadrat Kuadrat tengah F Value Pr > F

Ulangan 2 0.012 0.006 0.51 0.6204
Pulut 4 0.43733 0.10933 9.24 0.0043 **
Galat 8 0.09467 0.01183
Total 14 0.544
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.
Perlakuan Varietas Hasil (t/ha)

1 Pulut A 4,67 c
2 Pulut B 4,83 bc
3 Pulut C 4,90 b
4 Pulut D 5,05 ab
5 Pulut E 5,17 a
KK 2,21%
Pada kasus RAK 1 faktor dengan tiga parameter, penyelesaian di SAS adalah:
Input data dalam MS Excel
Varietas Ulangan Umur_Pan T_Tan Hasil

Pulut A 1 75 178 4.5
Pulut B 1 77 179 4.8
Pulut C 1 78 181 4.9
Pulut D 1 80 183 5.1
Pulut A 2 77 176 4.7
Pulut B 2 78 180 4.9
Pulut C 2 80 183 5.0
Pulut D 2 80 184 5.1
Pulut A 3 78 175 4.8
Pulut B 3 80 178 4.8
Pulut C 3 81 183 4.9
Pulut D 3 83 184 4.9
Input listing SAS dalam windows editor, sebagai berikut:
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;
Kemudian klik Submit atau tekan F8 untuk melihat output

The ANOVA Procedure
Class Levels Values
Pulut 4 PulutA PulutB PulutC PulutD
Ulangan 3 1 2 3

The ANOVA Procedure
Dependent Variable: Umur_Pan
Sum of
Model 5 49.08333333 9.81666667 32.13 0.0003
Error 6 1.83333333 0.30555556
R-Square Coeff Var Root MSE Umur_Pan Mean
0.963993 0.700449 0.552771 78.91667
Pulut 3 30.91666667 10.30555556 33.73 0.0004

Ulangan 2 18.16666667 9.08333333 29.73 0.0008

The ANOVA Procedure
Dependent Variable: T_Tan
Sum of
Model 5 99.8333333 19.9666667 13.56 0.0032
Error 6 8.8333333 1.4722222
R-Square Coeff Var Root MSE T_Tan Mean
0.918712 0.672838 1.213352 180.3333
Pulut 3 98.66666667 32.88888889 22.34 0.0012

Ulangan 2 1.16666667 0.58333333 0.40 0.6892
The ANOVA Procedure
Sum of
Model 5 0.24166667 0.04833333 4.46 0.0482
Error 6 0.06500000 0.01083333
0.788043 2.138698 0.104083 4.866667
Pulut 3 0.22000000 0.07333333 6.77 0.0236

Ulangan 2 0.02166667 0.01083333 1.00 0.4219

The ANOVA Procedure
Duncan's Multiple Range Test for Umur_Pan
Alpha 0.05
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

The ANOVA Procedure
Duncan's Multiple Range Test for T_Tan
Alpha 0.05
A 183.6667 3 PulutD
A
A 182.3333 3 PulutC
B 179.0000 3 PulutB
C 176.3333 3 PulutA

The ANOVA Procedure
Alpha 0.05
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
Penyusunan tabel Anova Umur Panen
Sumber keragaman sb jumlah kuadrat Kuadrat tengah F Value Pr > F

Ulangan 2 18.16667 9.083333 29.73
Pulut 3 30.91667 10.30556 33.73 0.0004 **
Galat 6 1.833333 0.305556
Total 11 50.91667
Penyusunan tabel Anova Tinggi Tanaman

Ulangan 2 1.166667 0.583333 0.4
Pulut 3 98.66667 32.88889 22.34 0.0012 **
Error 6 8.833333 1.472222
Total 11 108.6667
Penyusunan tabel Anova Hasil

Ulangan 2 0.021667 0.010833 1
Pulut 3 0.22 0.073333 6.77 0.0236 *
Error 6 0.065 0.010833
Total 11 0.306667
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.
untuk melihat pengaruh antar perlakuan. Hasil Duncan pada output SAS adalah:
Penampilan fenotifik dan hasil tanaman jagung
No. Varietas Umur (hari) Tinggi (cm) Hasil (t/ha)

1 Pulut A 76,67 d 176,33 c 4,67 b
2 Pulut B 78,33 c 179,00 b 4,83 ab
3 Pulut C 79,67 b 182,33 a 4,93 a
4 Pulut D 81,00 a 183,67 a 5,03 a
KK (%) 0.70 0.67 2.13
BAB 4.
APLIKASI RANCANGAN ACAK LENGKAP DUA FAKTOR
Sebagaimana telah dijelaskan pada bab sebelumnya bahwa Metode Rancangan
Acak Lengkap (RAL) umumnya dipakai pada kondisi lingkungan yang homogen
diantaranya percobaan di laboratorium dan rumah kaca. RAL umumnya terdiri atas
faktor tunggal seperti dibahas pada bab sebelumnya serta RAL Faktorial. Tujuan dari
penggunaan RAL Faktorial adalah untuk melihat interaksi antara faktor yang
diujicobakan apakah responnya positif atau negatif.
Diantara contoh penggunaan RAL Faktorial dalam kegiatan penelitian adalah:
1. Analisis pengaruh penggunaan inokulum antagonis dalam penekan penyakit

busuk pelepah pada tanaman jagung
2. Keragaman hara dalam tanaman pada berbagai taraf pemupukan dan waktu
pemberian air
3. Analisis ketahanan bahan material bangunan pada berbagai jenis bahan
pembuat serta temperatur.
4. Pengaruh tingkat konsentrasi asam dan lama penyimpanan terhadap mutu
produk
5. Pengaruh pemberian kapur dan posfat terhadap pertumbuhan tanaman jagung
manis
Seperti pada percobaan RAL 1 faktor, penempatan kombinasi perlakuan pada RAL
faktorial dilakukan secara acak dan bebas pada petak percobaan.
CONTOH KASUS: Analisis Mikrobia untuk Menekan Penyakit Tanaman Jagung

Menggunakan RAL Faktorial
Sebuah penelitian dilakukan untuk mengetahui efektifitas penggunaan mikrobia

hayati untuk menekan penyakit busuk pelepah pada tanaman jagung. Penelitian
dilaksanakan di rumah kaca dengan menggunakan RAL faktorial.
Percobaan terdiri atas dua faktor yaitu jenis agen pengendali dan waktu
inokulasi. Faktor pertama yaitu agen pengendali terdiri atas tiga yaitu Agen A, Agen B
dan Agen C. Sementara itu faktor kedua adalah waktu inokulasi, terdiri atas tiga yaitu 1
minggu setelah tanam (MST), 2 MST dan 3 MST. Percobaan menggunakan tiga
ulangan.
Faktor pertama terdiri tiga taraf: A0 (Agen pengendali hayati A), A1 (Agen
pengendali hayati B) dan A2 (Agen pengendali hayati C). Faktor kedua terdiri tiga taraf
yaitu W0 (1 minggu setelah tanam), W1 (2 minggu setelah tanam) dan W2 (3 minggu
setelah tanam). Terdapat 3 x 3 = 9 kombinasi perlakuan yaitu A0W0, A0W1, A0W2,
A1W0, A1W1, A1W2, A2W0, A2W1 dan A2W2. Percobaan diulang sebanyak 3 kali
sehingga terdapat 27 unit percobaan.
Layout pengacakan percobaan
A0W0 A1W0 A1W2 A0W2 A2W0 A2W2 A1W1 A0W1 A2W1
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:
Agen Pengendali Waktu (minggu setelah tanam/MST)

(A) Ulangan
W0 (1 MST) W1 (2 MST) W2 (3 MST)
A0 1 10,50 18,75 27,80
2 9,68 17,65 28,50
3 9,90 18,00 28,3
A1 1 11,43 19,89 29,8
2 12,12 20,20 30,1
3 12,35 19,88 30,5
A2 1 13,12 19,2 29,9
2 12,98 19,6 30,7
3 13,45 19,5 30,1
Penyelesaian
Model yang digunakan untuk analisis sidik ragam adalah general linear model
dengan nama Ralfaktorial.xls
Gambar 1.Tampilan data entri di Excel
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
model > univariate sebagai berikut:
5. Kotak dialog Univariate selanjutnya ditampilkan. Pilih variabel Serangan_penyakit

dan klik ke Dependent List. Pada Fixed Faktor pilih Mikrobia dan Waktu, maka
kedua variabel akan berpindah ke kanan (Lihat gambar 4).
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.

OUTPUT MODEL

Dependent Variabel:Serangan_penyakit
Type III Sum
Source of Squares df Mean Square F Sig.
a
Corrected Model 1466.197 8 183.275 1.282E3 .000
Intercept 10956.563 1 10956.563 7.665E4 .000
Mikrobia 25.177 2 12.588 88.063 .000
Waktu 1437.659 2 718.829 5.029E3 .000
Mikrobia * Waktu 3.361 4 .840 5.878 .003
Error 2.573 18 .143
Total 12425.333 27
Corrected Total 1468.770 26
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
Gambar 6. Data view di Excel
1. Buka program SPSS pada computer. Impor data dari Excel dengan klik File >
Open > Data
Ralfaktorhorizontal.xls dilanjutkan dengan klik Open.
Gambar 7. Data view di spss

4. Selanjutnya kita akan melakukan analisis anova secara bersamaan terhadap
ketiga parameter. Klik Data > Split File sebagai berikut.
Gambar 8. Tampilan menu split file

5. Selanjutnya akan muncul kotak dialog split file. Pilih Analyze all cases do not
create groups diikuti dengan klik OK
Gambar 12. Kotak dialog menu split file

6. Selanjutnya kita akan melakukan analisis varians, klik Analyze > Compare
means > one way anova sebagai berikut.
Gambar 10. Tampilan menu one way anova
7. Pilih variabel Intens_A0W012 dan klik ke Dependent List,. Lakukan hal yang
sama pada variabel Intens_A1W012 dan Intens_A2W012. Selanjutnya pada
Faktor pilih Perlakuan dan klik tanda panah kekanan (Lihat gambar 14).

Caranya Klik menu Post Hoc dan pilih uji Duncan > Continue. Apabila semua
data sudah lengkap maka SPSS siap memproses data, klik OK.
OUTPUT MODEL
Output uji Duncan arah horizontal
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:
Output uji Duncan arah vertikal
Perl. W1 terhadap A0_A1 &A2 Perl. W2 terhadap A0_A1 &A2

Perl. W0 terhadap A0_A1 &A2
Duncan Duncan
Duncan
Subset for alpha = Subset for alpha =
Subset for alpha = 0.05 0.05
Perla 0.05 Perla
Perla
kuan N 1 2 3 kuan N 1 2
kuan N 1 2
1 3 10.03 c 1 1
3 18.13 b 3 28.20 b
2 3 11.97 b 3 3
3 19.43 a 3 30.13 a
3 3 13.18 a 2 2
3 19.99 a 3 30.23 a
Sig. 1.000 1.000 1.000 Sig. Sig.
1.000 .108 1.000 .108
Catatan:
 Kolom yang sama mempunyai kode huruf yang sama
Kedua hasil uji Duncan diatas selanjutnya dapat di sederhanakan menjadi tabel
dua arah sebagai berikut
Persentase Tanaman Terserang (%)

Jenis Mikrobia Inokulasi Inokulasi Inokulasi
1 MST (W0) 2 MST (W1) 3 MST (W2)
Agen pengendali hayati A (A0) 10,03 c 18,13 b 28,20 b

C B A
Agen pengendali hayati B (A1) 11,97 b 19,99 a 30,13 a
C B A
Agen pengendali hayati C (A2) 13,18 a 19,43 a 30,23 a
C B A
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 anova terdapat interaksi antara perlakuan agen pengendali

hayati/mikrobia dengan waktu inokulasi terhadap penurunan tingkat serangan
penyakit pada tanaman jagung.
2. Berdasarkan uji Duncan disimpulkan bahwa perlakuan A0W0 (penggunaan agen
pengendali hayati A) dengan waktu inokulasi 1 MST persentase serangan paling
rendah, 10,03% dan berbeda nyata dengan perlakuan lainnya. Sementara itu
perlakuan A2W2 (penggunaan agen pengendali hayati C) dengan waktu inokulasi
3 MST memberikan nilai persentase serangan penyakit yang terbesar.
Tampilan data dalam MS Excel
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
Ketik Sintas SAS di Windos editor, sebagai berkut

OPTION PS=60;
TITLE'RANCANGAN ACAK LENGKAP_ Dua (2) faktor';
Data RAL;
input Mikrobia$ Waktu$ ulangan Serangan;
inter = compress (Mikrobia||Waktu);
cards;
A0 W0 1 10.5
A0 W0 2 9.68
A0 W0 3 9.9
A0 W1 1 18.75 bila data faktor percobaan
A0 W1 2 17.65 menggunkan huruf (non numeric)
A0 W1 3 18 harus ditulis simbul $ di belakang
A0 W2 1 27.8
A0 W2 2 28.5 nama faktor, contoh nama faktor
A0 W2 3 28.3 mikroba dan waktu menggunakan
A1 W0 1 11.43 simbul A dan W. Agar dianggap
numeric maka beri simpul $ pada
nama faktor di bagian belakang
“Mikrobia$” dan “Waktu$”
A1 W0 2 12.12
A1 W0 3 12.35
A1 W1 1 19.89
A1 W1 2 20.2
A1 W1 3 19.88
A1 W2 1 29.8
A1 W2 2 30.1
A1 W2 3 30.5
A2 W0 1 13.12
A2 W0 2 12.98
A2 W0 3 13.45
A2 W1 1 19.2
A2 W1 2 19.6
A2 W1 3 19.5
A2 W2 1 29.9
A2 W2 2 30.7
A2 W2 3 30.1
;
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
RANCANGAN ACAK LENGKAP_ Dua (2) faktor 22

18:04 Saturday, February 27, 2015
The ANOVA Procedure
Class Levels Values
Mikrobia 3 A0 A1 A2
Waktu 3 W0 W1 W2
ulangan 3 1 2 3

The ANOVA Procedure
Dependent Variable: Serangan
Sum of
Model 8 1466.196600 183.274575 1282.11 <.0001
Error 18 2.573067 0.142948
R-Square Coeff Var Root MSE Serangan Mean
0.998248 1.876869 0.378085 20.14444
Mikrobia 2 25.176867 12.588433 88.06 <.0001

Waktu 2 1437.658867 718.829433 5028.60 <.0001
Mikrobia*Waktu 4 3.360867 0.840217 5.88 0.0033

Penyajian table Anova sebagai berikut:
Sumber keragaman db Jumlah kudrat Kuadrat tengah F Value Pr >F

Mikrobia 2 25.176867 12.588433 88.06 <.0001 **
Waktu 2 1437.658867 718.829433 5028.6 <.0001 **
Mikrobia*Waktu 4 3.360867 0.840217 5.88 0.0033 **
Galat 18 2.573067 0.142948
Total 26 1468.769667
KK atau Coeff Var = 1.876869%
Hasil analisis sidik ragam diperoleh nilai Sig (p-value) yang sangat nyata (**) dimana nilai
Pr>F Mikrobia (<.0001), Waktu (<.0001), dan interaksi Mikrobia*Waktu (0.0033) lebih kecil
dari α <0,01. Disimpulkan bahwa pengaruh intensitas serangan busuk pelah pada tanaman
jagung sangat dipengaruhi interaksi agensi mikroba hayati dengan waktu inokulasi.
1. Output uji lanjut dengan Duncan
The GLM Procedure
Class Levels Values
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

The GLM Procedure
Duncan's Multiple Range Test for Serangan
Alpha 0.05
Number of Means 2 3
Duncan Grouping Mean N Mikrobia
A 20.9500 9 A2
A
A 20.6967 9 A1
B 18.7867 9 A0

The GLM Procedure
Alpha 0.05
Number of Means 2 3

Duncan Grouping Mean N Waktu
A 29.5222 9 W2
B 19.1856 9 W1
C 11.7256 9 W0

The GLM Procedure
Alpha 0.05
Number of Means 2 3 4 5 6 7 8 9
Critical Range .6486 .6805 .7006 .7146 .7248 .7325 .7385 .7431
Duncan Grouping Mean N inter
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

2. Output uji lanjut dengan LSD
The GLM Procedure
t Tests (LSD) for Serangan
Alpha 0.05
Critical Value of t 2.10092
Least Significant Difference 0.3744
t Grouping Mean N Mikrobia
A 20.9500 9 A2
A
A 20.6967 9 A1
B 18.7867 9 A0

The GLM Procedure
Alpha 0.05
t Grouping Mean N Waktu
A 29.5222 9 W2
B 19.1856 9 W1
C 11.7256 9 W0

The GLM Procedure
Alpha 0.05
t Grouping Mean N inter
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

1 MST (W0) 2 MST (W1) 3 MST (W2)
Agen pengendali hayati A (A0) 10,03 g 18,13 d 28,20 b

Agen pengendali hayati B (A1) 11,97 f 19,99 c 30,13 a
Agen pengendali hayati C (A2) 13,18 e 19,43 c 30,23 a
Namun untuk menampilkaan uji lanjut dua arah perlu

1 MST (W0) 2 MST (W1) 3 MST (W2)
Agen pengendali hayati A (A0) 10,03 c Z 18,13 b Y 28,20 b X

Agen pengendali hayati B (A1) 11,97 b Z 19,99 a Y 30,13 a X
Agen pengendali hayati C (A2) 13,18 a Z 19,43 a Y 30,23 a X
Keterangan: Angka yang diikuti oleh huruf kecil yang sama pada kolom atau oleh huruf kapital yang sama pada baris tidak
berbeda nyata berdasarkan uji Duncan 5%,
BAB 5.
APLIKASI RANCANGAN ACAK KELOMPOK DUA FAKTOR
Dalam percobaan faktorial, pengaruh dua faktor atau lebih diselidiki secara
bersama-sama. Apabila pengaruh suatu faktor diperkirakan akan berubah menurut
tingkatan faktor tersebut, percobaan sering dilakukan dengan menggunakan faktorial.
Ciri khas dari rancangan faktorial adalah susunan perlakuannya terdiri dari kombinasi
lengkap antara tingkatan faktor-faktor yang diteliti. Susunan perlakuan semacam itu
memungkinkan pula bagi peneliti untuk mempelajari pengaruh faktor yang satu pada
tiap tingkat faktor yang lain atau dikenal sebagai pengaruh interaksi.
Rancangan acak kelompok (Randomized Block Design) banyak digunakan di bidang

pertanian, peternakan dan sosial ekonomi. RAK umumnya terdiri dari 1 faktor, 2 faktor
dan 3 faktor. Rak 2 faktor umumnya dilakukan di lapangan atau laboratorium,
diantaranya:
 Pengaruh jenis varietas dan lama waktu penyimpanan terhadap keseragaman
tumbuh benih jagung.
 Pengaruh dosis pemupukan dan kerapatan tanaman terhadap hasil tanaman
jagung.
 Pengaruh kombinasi takaran kotoran sapi dan varietas terhadap emisi gas metan
padi.
 Pengaruh konsentrasi hidrogen peroksida dan lama waktu desinfeksi terhadap
jumlah bakteri E.coli.
 Pengaruh jenis kemasan dan promosi iklan terhadap tingkat penjualan benih
jagung hibrida.
Pengacakan dilapangan dapat dilakukan sebagai berikut: misalnya sebuah

penelitian dilakukan untuk mengetahui pengaruh varietas dan lama waktu penyimpanan
terhadap persentase biji tumbuh. Penelitian terdiri atas dua faktor, faktor pertama
adalah jenis varietas yang terdiri dari empat varietas yaitu Varietas A (VA), Varietas B
(VB), Varietas C (VC) dan Varietas D (VD). Faktor kedua adalah lama waktu
penyimpanan benih yang terdiri dari tiga taraf yaitu 0 bulan (P0), 6 bulan (P6), dan 12
bulan (P12).
Jumlah kombinasi dari kedua faktor tersebut adalah 3 x 4 = 12, yaitu VAP0, VAP6,
VAP12, VBP0, VBP6, VBP12, VCP0, VCP6, VCP12, VDP0, VDP6, dan VDP12. Apabila
setiap kombinasi diulang 3 kali sebagai kelompok/blok, maka total unit percobaan
adalah 3 X 4 X 3 = 36 unit percobaan.
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
Perlakuan : VA= Varietas A; VB= Varietas B; VC= Varietas C; VD= Varietas D; P0 =

Penyimpanan 0 bulan; P6 = 6 bulan; P12 = 12 bulan.
Contoh denah dan pengacakan menggunakan RAK
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
dengan nama rak2faktor.xls
3. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih Rak2faktor.xls
dilanjutkan dengan klik Open. > Continue, data akan ditampilkan seperti berikut.
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).
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.

OUTPUT MODEL

Dependent Variable:DayaTumb
Type III Sum of
Source Squares df Mean Square F Sig.
a
Corrected Model 377.194 13 29.015 32.275 .000
Intercept 324710.028 1 324710.028 3.612E5 .000
Varietas 310.528 3 103.509 115.140 .000
WaktuSim 51.389 2 25.694 28.581 .000
Ulangan 1.556 2 .778 .865 .435
Varietas * WaktuSim 13.722 6 2.287 2.544 .050
Error 19.778 22 .899
Total 325107.000 36
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.
lanjut. Prosedur uji interaksi varietas dan lama penyimpanan 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
RAKfaktorhorizontal.xls dilanjutkan dengan klik Open. > Continue.
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.
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
Output uji interaksi arah horizontal adalah:

VA P_0 _P6_P12 VB P_0 _P6_P12
Perlaku Subset Perlaku Subset
an N 1 2 an N 1 2
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
VC P_0 _P6_P12 VD P_0 _P6_P12

an N 1 2 an N 1 2
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
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
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
P12 V_A _VB_VC_VD

Perlaku Subset
an N 1 2 3
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
Hasil uji Duncan diatas selanjutnya dapat di sederhanakan sebagai berikut
Persentase Tanaman Tumbuh

Varietas
0 bln 6 bln 12 bln
A 100,00 a 98,00 a 97,33 a
A B B
B 97,33 b 96,00 b 95,67 a
A B B
C 95,67 b 94,67 c 93,67 b
A AB B
D 93,00 c 90,67 d 87,67 c
A AB B
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%.
Penyusunan data di MS Excel
Varietas WaktuSim Ulangan DayaTumb

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
Ketik listing SAS di Windows Editors, sebagai berikut

OPTION PS=160;
TITLE'RAK FAKTORIAL--varietas dan lama penyimpanan';
Data;
input Varietas$ WaktuSim$ ulangan DayaTum;
inter=compress(Varietas||WaktuSim);
cards;
INSERT DATA atau paste data
dari Excel
;
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;
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;
Kemudian klik Submit atau tekan F8 untuk menjalankan analisis data

Klik Windows Output untuk melihat hasil anlisis:
Output Hasil analisis sebagai berikut:

RAK FAKTORIAL--varietas dan lama penyimpanan 13
21:49 Sunday, February 28, 2015
The ANOVA Procedure
Class Levels Values
Varietas 4 VA VB VC VD
WaktuSim 3 P0 P12 P6
ulangan 3 1 2 3

The ANOVA Procedure
Dependent Variable: DayaTum
Sum of
Model 13 377.1944444 29.0149573 32.28 <.0001
Error 22 19.7777778 0.8989899
R-Square Coeff Var Root MSE DayaTum Mean
0.950178 0.998345 0.948151 94.97222

ulangan 2 1.5555556 0.7777778 0.87 0.4348
Varietas 3 310.5277778 103.5092593 115.14 <.0001
WaktuSim 2 51.3888889 25.6944444 28.58 <.0001
Varietas*WaktuSim 6 13.7222222 2.2870370 2.54 0.0495
Penyusunan Tabel Anova

Sumber Jumlah Kuadrat F
Keragaman db Kuadrat Tengah Value Pr > F
Ulangan 2 1.5555556 0.7777778 0.87 0.4348
Varietas 3 310.5277778 103.5092593 115.14 <.0001 **
WaktuSim 2 51.3888889 25.6944444 28.58 <.0001 **
Varietas*WaktuSim 6 13.7222222 2.287037 2.54 0.0495 *
Error 22 19.7777778 0.8989899
KK = 0.998345%
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.
Output uji lanjut Duncan

The GLM Procedure
Class Levels Values
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

The GLM Procedure
Duncan's Multiple Range Test for DayaTum
Alpha 0.05
Duncan Grouping Mean N Varietas
A 98.4444 9 VA
B 96.3333 9 VB
C 94.6667 9 VC
D 90.4444 9 VD

The GLM Procedure
Alpha 0.05
Number of Means 2 3
Waktu
Duncan Grouping Mean N Sim
A 96.5000 12 P0
B 94.8333 12 P6
C 93.5833 12 P12

The GLM Procedure
Alpha 0.05
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
Duncan Grouping Mean N inter

Uji lanjut Duncan untuk
A 100.0000 3 VAP0 interaksi variatas (V) dan
B 98.0000 3 VAP6 lama penyimpanan (P)
B
C B 97.3333 3 VAP12
C B
C B 97.3333 3 VBP0
C
C D 96.0000 3 VBP6
C D
C D 95.6667 3 VBP12
C D
C D 95.6667 3 VCP0
D
E D 94.6667 3 VCP6
E
E 93.6667 3 VCP12
E
E 93.0000 3 VDP0
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
A 100,00 a 98,00 b 97,33 bc
B 97,33 bc 96,00 cd 95,67 cd
C 95,67 cd 94,67 de 93,67 e
D 93,00 e 90,67 f 87,67 g
Kemudian data disusun dalam notasi uji lanjut dua arah yang itu arah vertical (kolom) dan
horizontal (baris)
Persentase Tanaman Tumbuh (%)

Varietas
0 bln 6 bln 12 bln
A 100,00 a X 98,00 a Y 97,33 a Y
B 97,33 b X 96,00 b Y 95,67 a Y
C 95,67 b X 94,67 b XY 93,67 b Y
D 93,00 c X 90,67 c Y 87,67 c Z
KK 1,00%
Keterangan: Angka yang diikuti oleh huruf kecil yang sama pada kolom atau oleh huruf kapital yang
sama pada baris tidak berbeda nyata berdasarkan uji Duncan 5%,
BAB 6
APLIKASI RANCANGAN ACAK KELOMPOK TIGA FAKTOR
Pada bab sebelumnya telah dibahas aplikasi rancangan acak kelompok satu
faktor dan dua faktor. Bab ini akan membahas aplikasi SPSS dan SAS untuk analisis
RAK tiga faktor. Dalam pelaksanaan penelitian seringkali ditemui adanya beragam
faktor yang berpengaruh terhadap output/hasil yang diinginkan. Sebagai contoh 1.
Pengaruh pemupukan, populasi tanaman serta varietas terhadap hasil jagung; 2.
Pengaruh unsur N, P dan K terhadap hasil jagung; 3. Pengaruh lama waktu
penyimpanan, dosis pemupukan serta varietas terhadap produksi tanaman; 4. Pengaruh
cara pengolahan tanah, jarak tanam dan interval pemberian air terhadap pertumbuhan
tanaman. Penyelesaian permasalahan diatas dapat dilakukan dengan menggunakan
RAK faktorial (tiga faktor).
Percobaan faktorial adalah suatu percobaan yang terdiri dari dua faktor atau lebih
faktor yang masing-masing faktor terdiri dari atas dua level/taraf atau lebih. Percobaan
faktorial dapat menggunakan rancangan acak lengkap, rancangan acak kelompok atau
rancangan petak-petak terpisah sebagai rancangan lingkungannya. Keuntungan dari
percobaan faktorial adalah interaksi perlakuan dapat diketahui. Pada percobaan ini,
kondisi lingkungan/lahan diasumsikan homogen dalam setiap kelompok dan tingkat
ketelitian pada ketiga faktor tersebut dianggap sama.
Pengacakan RAK Tiga Faktor
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.
Bagan percobaan/pengacakan lapangan sebagai berikut:
P3Q1R2 P2Q1R1 P3Q3R2

CONTOH KASUS: Aplikasi RAK Tiga Faktor Dalam Analisis Pengaruh Dosis
Pemupukan, Frekuensi Pemberian Air Serta Jenis Varietas
Terhadap Hasil Jagung Hibrida
Sebuah penelitian dilakukan untuk mengetahui pengaruh penggunaan pupuk,

frekuensi pemberian air serta jenis varietas terhadap hasil jagung hibrida. Kombinasi
pemupukan terdiri atas 3 taraf (P1, P2, P3), frekuensi pemberian air terdiri atas 3 taraf
(Q1, Q2, Q3) dan jenis varietas 2 taraf (R1, R2). Percobaan disusun dalam bentuk RAK
3 Faktor dengan 3 ulangan. Data yang diperoleh kemudian ditabulasi sebagai berikut:
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
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti Gambar 1. Simpan
dengan nama Rak3Faktor.xls
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.
model > univariate, Kotak dialog Univariate selanjutnya ditampilkan. Pilih variabel
Hasil dan klik ke Dependent List. Pada Fixed Faktor pilih Pupuk, Air, Varietas
dan Blok.

masukkan variabel Pupuk, Air, Varietas dan Blok. Selanjutnya kita akan
menganalisis interaksi pemupukan dengan frekuensi pemberian air serta varietas.
Klik variabel Pupuk sambil menekan Shift klik Air maka kedua variabel akan
terblok. Klik tanda panah ke kanan maka akan terbentuk interaksi Pupuk*Air pada
model. Ulangi hal yang sama untuk interaksi Pupuk*Varietas, Air*Varietas serta
interaksi Pupuk*Air*Varietas.

OUTPUT MODEL

Dependent Variable:Hasil
Type III Sum of
Source Squares Df Mean Square F Sig.
a
Corrected Model 26.426 19 1.391 25.124 .000
Intercept 3876.042 1 3876.042 7.002E4 .000
Pupuk (Faktor P) 9.373 2 4.687 84.659 .000
Air (Faktor Q) 13.608 2 6.804 122.904 .000
Varietas (Faktor R) .689 1 .689 12.447 .001
Ulangan .564 2 .282 5.098 .012
Pupuk * Air .906 4 .226 4.089 .008
Pupuk * Varietas .446 2 .223 4.028 .027
Air * Varietas .018 2 .009 .164 .849
Pupuk * Air * Varietas .822 4 .205 3.711 .013
Error 1.882 34 .055
Total 3904.350 54
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 (<
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
masukkan Ulangan dan Perlakuan . Klik continue.
Gambar 7. Tampilan univariate model
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

Nomor Perlakuan Hasil (t/ha)
1 P1Q1R1 10,07 a
2 P1Q1R2 9,57 b
3 P1Q2R1 9,03 c
4 P1Q2R2 9,07 c
5 P1Q3R1 8,17 efg
6 P1Q3R2 8,47 de
7 P2Q1R1 9,10 c
8 P2Q1R2 8,57 de
9 P2Q2R1 8,20 ef
10 P2Q2R2 7,73 hi
11 P2Q3R1 8,00 fgh
12 P2Q3R2 7,57 ij
13 P3Q1R1 8,57 de
14 P3Q1R2 8,77 cd
15 P3Q2R1 8,37 def
16 P3Q2R2 8,20 ef
17 P3Q3R1 7,77 ghi
18 P3Q3R2 7,30 j
Kesimpulan:
1. Berdasarkan uji Duncan disimpulkan bahwa perlakuan pupuk P1, frekuensi

pemberian air Q1 dan varietas R1 memberikan hasil tertinggi yaitu 10,07 t/ha
dan berbeda nyata dengan perlakuan lainnya. Sementara itu perlakuan pupuk
P3, frekuensi pemberian air Q3 dan varietas R2 memberikan hasil terendah yaitu
7,30 t/ha.
2. Untuk mendapatkan hasil optimal rekomendasi yang dapat diterapkan adalah
dengan menggunakan perlakuan P1Q1R1.
Penyusunan data pada MS Excel
Pupuk Air Varietas Ulangan Hasil

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
Ketik Listing SAS di Windows Editor
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;
Klik Submit atau tekan F8 untuk menjalankan analisis data
Klik windows Output untuk melihat hasil analisis
Contoh hasil analisis
RAK 3 FAKTORIAL--Pupuk,air, dan varietas 1

17:01 Monday, March 1, 2015
The ANOVA Procedure
Class Levels Values
Pupuk 3 P1 P2 P3
Air 3 Q1 Q2 Q3
Varietas 2 R1 R2
Ulangan 3 1 2 3

The ANOVA Procedure
Sum of
Model 19 26.42611111 1.39084795 25.12 <.0001
Error 34 1.88222222 0.05535948
0.933510 2.777146 0.235286 8.472222
Ulangan 2 0.56444444 0.28222222 5.10 0.0116

Pupuk 2 9.37333333 4.68666667 84.66 <.0001
Air 2 13.60777778 6.80388889 122.90 <.0001
Varietas 1 0.68907407 0.68907407 12.45 0.0012
Pupuk*Air 4 0.90555556 0.22638889 4.09 0.0082
Pupuk*Varietas 2 0.44592593 0.22296296 4.03 0.0269
Air*Varietas 2 0.01814815 0.00907407 0.16 0.8495
Pupuk*Air*Varietas 4 0.82185185 0.20546296 3.71 0.0130
Tabel Anova adalah dapat disusun ulang sebagai berikut:
Sumber Keragaman db Jumlah Kuadrat Kuadrat Tengah F Value Pr > F

Ulangan 2 0.56444444 0.28222222 5.1 0.0116
Pupuk 2 9.37333333 4.68666667 84.66 <.0001 **
Air 2 13.60777778 6.80388889 122.9 <.0001 **
Varietas 1 0.68907407 0.68907407 12.45 0.0012 **
Pupuk*Air 4 0.90555556 0.22638889 4.09 0.0082 **
Pupuk*Varietas 2 0.44592593 0.22296296 4.03 0.0269 *
Air*Varietas 2 0.01814815 0.00907407 0.16 0.8495 tn
Pupuk*Air*Varietas 4 0.82185185 0.20546296 3.71 0.013 *
Galat 34 1.88222222 0.05535948
Total 53 28.30833333

The GLM Procedure
Class Levels Values
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
inter2 6 P1R1 P1R2 P2R1 P2R2 P3R1 P3R2
inter3 6 Q1R1 Q1R2 Q2R1 Q2R2 Q3R1 Q3R2
inter4 18 P1Q1R1 P1Q1R2 P1Q2R1 P1Q2R2 P1Q3R1 P1Q3R2 P2Q1R1 P2Q1R2 P2Q2R1 P2Q2R2 P2Q3R1
P2Q3R2 P3Q1R1 P3Q1R2 P3Q2R1 P3Q2R2 P3Q3R1 P3Q3R2

The GLM Procedure
Alpha 0.05
Number of Means 2 3

Duncan Grouping Mean N Pupuk
A 9.06111 18 P1
B 8.19444 18 P2
B
B 8.16111 18 P3

The GLM Procedure
Alpha 0.05
Number of Means 2 3
Duncan Grouping Mean N Air
A 9.10556 18 Q1
B 8.43333 18 Q2
C 7.87778 18 Q3

The GLM Procedure
Alpha 0.05
Number of Means 2
Critical Range .1301
Duncan Grouping Mean N Varietas
A 8.58519 27 R1
B 8.35926 27 R2

The GLM Procedure
Alpha 0.05
Number of Means 2 3 4 5 6 7 8 9
Critical Range .2761 .2902 .2994 .3060 .3110 .3149 .3181 .3207
Duncan Grouping Mean N inter1
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

The GLM Procedure
Alpha 0.05
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

The GLM Procedure
Alpha 0.05
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

The GLM Procedure
Alpha 0.05
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:
1. Kita ingin mengetahui pengaruh perlakuan dengan tingkat ketelitian yang

berbeda, dalam hal ini pada petak utama tingkat ketelitian yang lebih rendah
sedangkan pada anak petak dinginkan tingkat ketelitian yang lebih tinggi.
Misalnya suatu penelitian dilakukan untuk menilai 5 galur unggul jagung pada
tiga taraf/level pemupukan. Karena kita mengharapkan ketelitian yang lebih
tinggi pada respon galur daripada respon pemupukan maka pemupukan
dijadikan petak utama sementara galur jagung menjadi anak petak.
2. Pengaruh utama salah satu faktor diharapkan lebih besar dan lebih mudah
terlihat dibandingkan faktor lainnya. Misalnya kita ingin mengetahui produksi 4
varietas jagung hibrida pada populasi yang berbeda. Potensi produksi dari
keempat varietas tersebut telah diketahui sebelumnya sedangkan yang ingin
diketahui adalah seberapa padat keempat varietas itu dapat ditanam dengan
hasil optimal. Pada kondisi tersebut maka varietas dijadikan sebagai petak utama
sedangkan populasi tanaman dijadikan anak petak.
Pengacakan RPT RAL
Dalam pelaksanaannya, percobaan RPT dapat diterapkan pada percobaan RAL

maupun RAK. Pada percobaan RAL, petak utama dirancang secara acak lengkap
sedangkan anak petak diletakkan secara acak di dalam petak utama. Sebagai contoh,
sebuah penelitian dilakukan untuk mengetahui pengaruh pemupukan dan varietas
terhadap hasil jagung manis. Faktor pertama pemupukan (A) sebagai faktor yang
kurang dipentingkan ditempatkan di petak utama yang terdiri atas tiga taraf (A1, A2,
dan A3).
Faktor kedua adalah varietas (B) yang terdiri atas tiga taraf (B1, B2 dan B3).
Percobaan diulang sebanyak tiga kali. Bagan percobaan split plot RAL nya dibuat
sebagai berikut:
A1 A3 A2 A2 A3 A1 A3 A1 A2
A1B1 A3B2 A2B2 A2B3 A3B2 A1B1 A3B2 A1B1 A2B3
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.
Pengacakan RPT RAK
Pada percobaan RPT RAK, area percobaan dibagi menjadi kelompok/blok.

Pembagian kelompok didasarkan pada pertimbangan bahwa keragaman pada setiap
kelompok yang sama relatif homogen. Setiap kelompok selanjutnya di bagi menjadi
anak petak sesuai dengan taraf faktor dari percobaan yang dilakukan. Tahapan
selanjutnya adalah melakukan pengacakan pada setiap kelompok secara terpisah di
ikuti dengan pengacakan pada anak petak pada setiap petak utama secara terpisah.
Sebagai contoh, sebuah penelitian pot dilakukan untuk mengetahui pengaruh
pemupukan dan varietas terhadap hasil jagung manis. Faktor pertama pemupukan (A)
sebagai faktor yang kurang dipentingkan ditempatkan di petak utama yang terdiri atas
tiga taraf (A1, A2, dan A3).
Faktor kedua adalah varietas (B) yang terdiri tiga taraf (B1, B2 dan B3).
Percobaan diulang tiga kali. Bagan percobaan split plot RAK nya adalah:
BLOK III BLOK II BLOK I
A3B1 A3B3 A1B1
A3B3 A3B1 A1B2
A3B2 A3B2 A1B3
A1B1 A2B2 A3B3
A1B2 A2B3 A3B1
A1B3 A2B1 A3B2
A2B3 A1B3 A2B3
A2B1 A1B2 A2B2
A2B2 A1B1 A2B1
CONTOH KASUS: Analisis Pengaruh Kombinasi Pemupukan N dan Genotipe

Terhadap Hasil Jagung Menggunakan RPT
Sebuah penelitian dilakukan untuk mengetahui pengaruh pemupukan N dan

genotipe terhadap hasil jagung. Penelitian pendahuluan pengaruh pemupukan N
terhadap jagung telah diketahui namun pengaruh genotipe belum diketahui. Oleh
karena itu pemupukan N dijadikan petak utama sementara respon genotipe menjadi
anak petak. Kombinasi pemupukan N terdiri atas 6 taraf sedangkan genotipe terdiri atas
dua taraf. Percobaan menggunakan empat ulangan. Data yang diperoleh dari hasil
percobaan kemudian ditabulasi sebagai berikut:
Data hasil pengujian interaksi pupuk dengan genotype terhadap hasil jagung.
Pupuk Genotipe Hasil (t/ha)
Ul. 1 Ul. 2 Ul. 3 Ul. 4

Kontrol G1 5,4 5,2 4,9 5
G2 4,3 4,2 4 3,9
50 Kg N G1 7,8 8,1 7,8 8
G2 6,8 6,7 6,8 6,7
75 Kg N G1 9 8,7 8,8 9
G2 8 7,9 7,5 7,6
100 Kg N G1 9,9 9,8 9,8 9,5
G2 8,9 8,5 8,8 8
125 Kg N G1 10,6 10,4 10 10,7
G2 9,8 9,2 9 8,9
150 Kg N G1 11,2 10,9 11 11,5
G2 12 12,4 12,5 13
Penyelesaian
dengan nama splitplot.xls
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.
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).
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.

OUTPUT MODEL

Type III Sum of
a
Corrected Model 255.752 29 8.819 213.077 .000
Intercept 3474.803 1 3474.803 8.395E4 .000
PU (pupuk) 237.197 5 47.439 1146.19 .000
AP (genotype) 6.453 1 6.453 155.919 .000
Ulangan .342 3 .114 2.752 .073
PU * AP 10.212 5 2.042 49.345 .000
PU * Ulangan 1.548 15 .103 2.494 .034
Error .745 18 .041
Total 3731.300 48
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 (<
sangat nyata antara perlakuan pupuk dan genotipe terhadap hasil jagung.
Apabila ingin dilakukan uji lanjut atau interaksi varietas dan lama penyimpanan
prosedurnya adalah:
1. Ubah konfigurasi penyusunan data. Tampilan data di Excel adalah

(A). Penyusunan Interaksi arah horizontal di excel (B). Penyusunan Interaksi arah vertikal excel
Splitfaktorhorizontal.xls dilanjutkan dengan klik Open.
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
Output uji interaksi arah horizontal adalah:

P0G1_G2 P50G1_G2

an N 1 2 an N 1 2
1 4 4.10 B 1 4 6.75 B
2 4 5.13 A 2 4 7.93 A
P75G1_G2 P100G1_G2

an N 1 2 an N 1 2
1 4 7.75 B 1 4 8.55 B
2 4 8.88 A 2 4 9.75 A
P125G1_G2 P150G1_G2

an N 1 2 an N 1 2
1 4 9.23 B 1 4 11.15 B
2 4 10.43 A 2 4 12.48 A
menggunakan data interaksi arah vertikal (Lihat Gambar 7.B).
Output uji interaksi arah vertikal adalah:
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
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.
Input data dalam MS. Excel dengan format sebagai berikut:
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;
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;
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;
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;

Output Hasil analisis sebagai berikut:
Anlsis data dengan RANCANGAN SPLIT PLOT. PU=pupuk AP=Varietas 41

The ANOVA Procedure
Class Levels Values
PU 6 0 50 75 100 125 150
AP 2 G1 G2
Ulangan 4 1 2 3 4

The ANOVA Procedure
Sum of
Model 29 255.7516667 8.8190230 213.08 <.0001

Galat
Error 18 0.7450000 0.0413889
0.997095 2.391098 0.203443 8.508333
Source Galat petak DF Anova SS Mean Square F Value Pr > F

utama (PU)
Ulangan 3 0.3416667 0.1138889 2.75 0.0728
PU 5 237.1966667 47.4393333 1146.19 <.0001
PU*Ulangan 15 1.5483333 0.1032222 2.49 0.0336
AP 1 6.4533333 6.4533333 155.92 <.0001
PU*AP 5 10.2116667 2.0423333 49.34 <.0001
Tests of Hypotheses Using the Anova MS for PU*Ulangan as an Error Term
PU 5 237.1966667 47.4393333 459.58 <.0001
Penyusunan Tabel anova

Kuadrat
Sumber keragaman db Jumlah kuadrat tengah F Value Pr > F
Ulangan 3 0.3416667 0.1138889 2.75 0.0728
PU (pupuk) 5 237.1966667 47.4393333 1146.19 <.0001 **
PU*Ulangan (Galat PU) 15 1.5483333 0.1032222 2.49 0.0336
AP (varietas) 1 6.4533333 6.4533333 155.92 <.0001 **
PU*AP 5 10.2116667 2.0423333 49.34 <.0001 **
Galat 18 0.745 0.0413889
Total 47 256.4966667
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
Alpha 0.05
Critical Range .2137 .2242 .2309 .2355 .2388
Duncan Grouping Mean N PU Uji Duncan pada petak

A 11.8125 8 150
utama
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

18:47 Tuesday, March 2, 2015
The GLM Procedure
Alpha 0.05
Number of Means 2
Duncan Grouping Mean N AP
A 8.87500 24 G1
B 8.14167 24 G2

18:47 Tuesday, March 2, 2015
The GLM Procedure
Alpha 0.05
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

Duncan Grouping Mean N inter Uji Duncan pada interaksi
A 12.4750 4 150G2
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
Penyusunan tabel interaksi untuk pembahasan
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
Ul. 1
Ul. 2
Ul. 3
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
CONTOH KASUS: Analisis Pengaruh Pemupukan N, Varietas dan Populasi

Tanaman Terhadap Hasil Jagung Menggunakan Rancangan
Petak Petak Terpisah
Sebuah penelitian dilakukan untuk mengetahui pengaruh kombinasi
pemupukan N, varietas dan populasi tanaman terhadap hasil jagung. Penelitian
pendahuluan pengaruh pemupukan N terhadap varietas telah diketahui namun
pengaruh populasi tanaman belum diketahui. Oleh karena itu pemupukan N dijadikan
petak utama sementara varietas menjadi anak petak. Populasi tanaman ditempatkan
sebagai anak anak petak. Pemupukan N terdiri atas 4 taraf (N1 = 50 N, N2=75 Kg N,
N3 =125 Kg N), N4=225 Kg N/ha), varietas terdiri atas 2 taraf (P =Pioneer dan
B=Bisi), dan populasi tanaman terdiri atas 3 taraf (D1=80808 tanaman/ha, D2=72924
tan/ha dan D3=65040 tan/ha). Percobaan menggunakan tiga ulangan. Data yang
diperoleh dari hasil percobaan kemudian ditabulasi sebagai berikut:
Data hasil pengujian interaksi pupuk, varietas dan populasi tanaman terhadap hasil
jagung
Pupuk Varietas Populasi Hasil (t/ha)

Ulangan 1 Ulangan 2 Ulangan 3
50 Kg N P D1 6.7 7.5 8.2
D2 6.9 8.3 7.5
D3 7.6 7.2 6.5
B D1 6.0 7.4 5.7
D2 7.6 6.1 6.5
D3 6.5 7.2 7.9
75 Kg N P D1 9.5 8.8 10.4
D2 10.5 9.3 9.3
D3 10.7 10.6 11.4
B D1 9.1 10.3 9.5
D2 9.5 10.1 10.8
D3 9.7 9.7 10.6
125 Kg N P D1 9.8 11.4 10.1
D2 9.9 12.1 11.0
D3 10.9 13.0 11.7
B D1 12.3 12.6 10.2
D2 11.6 12.5 10.5
D3 11.9 12.5 11.0
225 Kg N P D1 11.4 13.4 13.0
D2 12.3 13.7 12.1
D3 11.1 12.3 12.5
B D1 12.0 12.1 11.4
D2 12.5 11.7 12.5
D3 12.1 12.8 12.9
Penyelesaian
dengan nama splitsplitplot.xls
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.
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).

masukkan variable Petak_Ut, Anak_Petak, Anak_anak_petak dan Ulagan.
Klik variable Petak_UT sambil menekan Shift klik Anak_petak maka akan
terbentuk interaksi Petak_UT*Anak_petak pada model. Ulangi hal yang sama
untuk interaksi Petak_UT*Anak_Anak_petak dan interaksi lainnya (lihat Gambar
4). Klik Continue > OK.
OUTPUT MODEL

Type III
Sum of
Corrected Model 315.480a 39 8.089 22.535 .000
Intercept 7480.683 1 7480.683 2.084E4 .000
ULANGAN 4.509 2 2.254 6.280 .005
ULANGAN * PETAK_UT 7.479 6 1.247 3.473 .009
PETAK_UT 283.404 3 94.468 263.172 .000
PETAK_UT * ANAK_PETAK 3.292 3 1.097 3.057 .042
ANAK_PETAK .151 1 .151 .421 .521
ANAK_PETAK *
.017 2 .009 .024 .976
ANAK_ANAK_PET
PETAK_UT * ANAK_PETAK *
5.565 6 .927 2.584 .037
ANAK_ANAK_PET
PETAK_UT * ANAK_ANAK_PET 1.774 6 .296 .824 .560
ULANGAN * PETAK_UT *
6.532 8 .817 2.275 .047
ANAK_PETAK
ANAK_ANAK_PET 2.757 2 1.378 3.840 .032
Error 11.487 32 .359
Total 7807.650 72
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.
Gambar 6. Memasukkan variabell
3. Klik model > custom kemudian masukkan Ulangan dan Perlakuan. Klik
continue.
Gambar 7. tampilan univariate model

4. Klik menu Post Hoc, pilih variable Perlakuan. Selanjutnya pilih uji Duncan dan
dilanjutkan dengan Klik Continue > OK.
OUTPUT MODEL
Hasil Uji Duncan
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
Nomor Pupuk Varietas Populasi Hasil (t/ha)

Perlakuan
1 50 Kg N P D1 7,47 f
2 D2 7,57 f
3 D3 7,10 f
4 B D1 6,37 f
5 D2 6,73 f
6 D3 7,20 f
7 75 Kg N P D1 9,57 e
8 D2 9,70 de
9 D3 10,90 bcde
10 B D1 9,63 de
11 D2 10,13 de
12 D3 10,00 de
13 125 Kg N P D1 10,43 cde
14 D2 11,00 bcd
15 D3 11,87 ab
16 B D1 11,70 abc
17 D2 11,53 abc
18 D3 11,80 abc
19 225 Kg N P D1 12,60 a
20 D2 12,70 a
21 D3 11,97 ab
22 B D1 11,83 ab
23 D2 12,23 ab
24 D3 12,60 a
Catatan: untuk melakukan uji interaksi dua arah ikuti prosedur seperti pada RAK Faktorial
Kesimpulan:
1. Adanya interaksi antara takaran pupuk*varietas*populasi tanaman menyebakan adanya

perbedaan rekombinasi pupuk untuk varietas B dan P untuk memperoleh hasil yang
optimum sedangkan populasi tanaman tidak berbeda.
2. Varietas B dengan pemupukan 125 kg N/ha dengan populasi tanam D1 memperoleh
hasil 11,7 t/ha tidak berbeda nyata dengan pemupukan 225 kg N/ha dengan populasi
tanam D1
3. Varietas B memperoleh hasil dengan pemupukan 225 kg N/ha sebesar 12,6 t/ha yang
berbeda nyata dengan pemupukan 125 kg N/ha.
4. Varietas B lebih efisien penggunaan pupuk dibanding varietas P, karena dengan
pemupukan 125 kg N/ha pada varietas B memeproleh hasil yang tidak berbeda nyata
dengan pemupukan 225 kg N/ha pada varietas P.
Input data dalam MS. Excel dengan format sebagai berikut:
Ulangan PU AP AAP Hasil

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
Keteranagn PU = petak utama (pemupukan)
AP = anak petak varietas
APP = kepadatan populasi tanaman/ha
Ketik sintax SAS di windows Editor

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;
dari Excel
;
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=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=AP INTER1 E=Ulangan*INTER1;
MEANS PU AP AAP INTER1 INTER2 INTER3 INTER4/DUNCAN;
RUN;
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=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=AP INTER1 E=Ulangan*INTER1;
MEANS PU AP AAP INTER1 INTER2 INTER3 INTER4/DUNCAN;
RUN;

Output SAS  Split-Split_plot

RANCANGAN SPLIT SPLIT PLOT DATA hasil 14
The ANOVA Procedure
Class Levels Values
Ulangan 3 1 2 3
PU 4 N1 N2 N3 N4
AP 2 B P
AAP 3 D1 D2 D3

The ANOVA Procedure
Sum of
Model 39 315.4798611 8.0892272 22.54 <.0001
Error 32 11.4866667 0.3589583
0.964869 5.877838 0.599131 10.19306
Ulangan 2 4.5086111 2.2543056 6.28 0.0050

PU 3 283.4037500 94.4679167 263.17 <.0001
Ulangan*PU 6 7.4791667 1.2465278 3.47 0.0093
AP 1 0.1512500 0.1512500 0.42 0.5209
PU*AP 3 3.2915278 1.0971759 3.06 0.0423
Ulangan*PU*AP 8 6.5322222 0.8165278 2.27 0.0473
AAP 2 2.7569444 1.3784722 3.84 0.0320
PU*AAP 6 1.7741667 0.2956944 0.82 0.5600
AP*AAP 2 0.0175000 0.0087500 0.02 0.9759
PU*AP*AAP 6 5.5647222 0.9274537 2.58 0.0372
Tests of Hypotheses Using the Anova MS for Ulangan*PU as an Error Term
PU 3 283.4037500 94.4679167 75.78 <.0001
Tests of Hypotheses Using the Anova MS for Ulangan*PU*AP as an Error Term
AP 1 0.15125000 0.15125000 0.19 0.6783

PU*AP 3 3.29152778 1.09717593 1.34 0.3271

The GLM Procedure

Tabel Anova dapat disusun ulang sebagai berikut:
Jumlah Kuadrat F
Sumber keragaman db kuadrat tengah Value Pr > F
Ulangan 2 4.5086111 2.2543056 6.28 0.005
PU (Takaran pupuk) 3 283.40375 94.4679167 263.17 <.0001 **
Ulangan*PU (galat a) 6 7.4791667 1.2465278 3.47 0.0093
AP (Varietas) 1 0.15125 0.15125 0.42 0.5209 tn
PU*AP 3 3.2915278 1.0971759 3.06 0.0423 *
Ulangan*PU*AP (galat b) 8 6.5322222 0.8165278 2.27 0.0473
AAP 2 2.7569444 1.3784722 3.84 0.032 *
PU*AAP 6 1.7741667 0.2956944 0.82 0.56 tn
AP*AAP 2 0.0175 0.00875 0.02 0.9759 tn
PU*AP*AAP 6 5.5647222 0.9274537 2.58 0.0372 *
Galat (c) 32 11.4866667 0.3589583
Total 71 326.9665278
Keterangan:* nyata pada α=0.05, ** sangat nyata pada α=0.01, tn = tidak nyata
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);
Class Levels Values
Ulangan 3 1 2 3
PU 4 N1 N2 N3 N4
AP 2 B P
AAP 3 D1 D2 D3
inter1 8 N1B N1P N2B N2P N3B N3P N4B N4P
inter2 12 N1D1 N1D2 N1D3 N2D1 N2D2 N2D3 N3D1 N3D2 N3D3 N4D1 N4D2 N4D3
inter3 6 BD1 BD2 BD3 PD1 PD2 PD3
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

The GLM Procedure

Alpha 0.05
Critical Range .4068 .4276 .4411
Duncan Grouping Mean N PU
A 12.3222 18 N4
B 11.3889 18 N3
C 9.9889 18 N2
D 7.0722 18 N1

The GLM Procedure
Alpha 0.05
Number of Means 2
Duncan Grouping Mean N AP
A 10.2389 36 P
A
A 10.1472 36 B

The GLM Procedure
Alpha 0.05
Number of Means 2 3
Duncan Grouping Mean N AAP
A 10.4292 24 D3
A
B A 10.2000 24 D2
B
B 9.9500 24 D1

The GLM Procedure
Alpha 0.05
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

The GLM Procedure
Alpha 0.05
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

The GLM Procedure
Alpha 0.05
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

The GLM Procedure
Alpha 0.05
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
Duncan Grouping Mean N inter4 Uji lanjut Duncan pada inter4

interaksi PU||AP||AAP);
A 12.7000 3 N4PD2
A
B A 12.6000 3 N4PD1
B A
B A 12.6000 3 N4BD3
B A
B A 12.2333 3 N4BD2
B A
B A C 11.9667 3 N4PD3
B A C
B A C 11.8667 3 N3PD3
B A C
B A C 11.8333 3 N4BD1
B A C
B A C 11.8000 3 N3BD3
B A C
B A C 11.7000 3 N3BD1
B C
B C 11.5333 3 N3BD2
C
D C 11.0000 3 N3PD2
D C
D C 10.9000 3 N2PD3
D
E D 10.4333 3 N3PD1
E D
E D 10.1333 3 N2BD2
E D
E D 10.0000 3 N2BD3
E
E 9.7000 3 N2PD2
E
E 9.6333 3 N2BD1
E
E 9.5667 3 N2PD1
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
Penyusunan data interaksi pupuk*varietas dan kepadatan populasi sebagai berikut:

Hasil biji (t/ha)
Takaran pupuk
Varietas B Varietas P
populasi D1 populasi D2 populasi D3 populasi D1 populasi D2 populasi D3
N1 (50 kg N/ha) 6.4 G 6.7 GF 7.2 GF 7.5 GF 7.6 F 7.1 GF
N2 (75 kg N/ha) 9.6 E 10.1 ED 10.0 ED 9.6 E 9.7 E 10.9 DC
N3 (125 kg N/ha) 11.7 BAC 11.5 BC 11.8 BAC 10.4 ED 11.0 DC 11.9 BAC
N4 (225 kg N/ha) 11.8 BAC 12.2 BA 12.6 BA 12.6 BA 12.7 A 12.0 BAC
Simbul uji lanjut dapat disederhanakan dengan membuat simbul uji pembeda dua arah yaitu kolom dan baris
Hasil biji (t/ha)

Takaran pupuk
Varietas B Varietas P
populasi D1 populasi D2 populasi D3 populasi D1 populasi D2 populasi D3
N1 (50 kg N/ha) 6.4 c Y 6.7 c XY 7.2 c XY 7.5 c XY 7.6 d X 7.1 b XY
N2 (75 kg N/ha) 9.6 b Y 10.1 b Y 10.0 b Y 9.6 b Y 9.7 c Y 10.9 a X
N3 (125 kg N/ha) 11.7 a X 11.5 a X 11.8 a X 10.4 b Y 11.0 b X 11.9 a X
N4 (225 kg N/ha) 11.8 a X 12.2 a X 12.6 a X 12.6 a X 12.7 a X 12.0 a X
Keterangan: Angka yang diikuti oleh huruf kapital yang sama pada baris atau oleh huruf kecil yang sama pada kolom tidak
berbeda nyata berdasarkan uji Duncan 5%.
BAB 9
APLIKASI RANCANGAN BUJUR SANGKAR LATIN
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.
Beberapa penelitian yang menggunakan rancangan ini adalah:
1. Pengujian pengaruh insektisida terhadap hasil jagung, dimana efek dari

penggunaan insektisida menuju ke dua arah
2. Pengujian varietas jagung terhadap dosis pemupukan dimana
menggunakan pengelompokan lima cara pemupukan dan lima orang
tenaga kerja.
3. Pengaruh tingkat protein ransum terhadap jumlah zat makanan dapat
cerna pada ternak kambing
4. Uji efektivitas mesin fillet otomatis A, B, C dan D terhadap produksi fillet

tuna dengan empat operator sebagai baris dan empat hari kerja sebagai
baris.
Layout Percobaan
Seperti telah dijelaskan, percobaan bujursangkar latin mempunyai jumlah

perlakuan dan ulangan yang sama. Sebagai contoh percobaan pengaruh insektisida
terhadap hasil padi. Terdapat 5 perlakuan yaitu A = Kontrol, B = Insektisida FCe; C=
Insektisida EC, D= Insektisida BHC, dan E = Insektisida DDT. Percobaan ini diulang
sebanyak 5 kali sehingga rancangan bujur sangkar latinnya 5 X 5. Tidak boleh ada
perlakuan yang sama pada baris atau kolom yang sama. Hasil pengacakan yang
diperoleh sebagai berikut:
Layout pengacakan percobaan
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
B D C A E
C E A D B
A C E B D
Perlakuan : A = Kontrol, B = Insektisida FCe; C= Insektisida EC, D= Insektisida BHC, dan E =

Insektisida DDT
Bagan percobaan insektisida dalam rancangan latin square dengan 5 perlakuan

dan 5 ulangan
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
dengan nama bujursangkarlatin.xls
3. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih
bujursangkarlatin.xls dilanjutkan dengan klik Open.
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).
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

Dependent Variable:HASIL
Type III Sum
Source of Squares df Mean Square F Sig.
Corrected
3.905a 12 .325 3.915 .013
Model
Intercept 356.530 1 356.530 4.289E3 .000
BARIS .279 4 .070 .838 .527
KOLOM .290 4 .072 .871 .509
PERLAKUAN 3.337 4 .834 10.036 .001
Error .998 12 .083
Total 361.433 25
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
Hasil analisis di atas dapat disederhanakan penyajiannya sebagai berikut:
Perlakuan Hasil (t/ha)

A. Kontrol 3.41 b
B. Insektisida FCe 4.26 a
C. Insektisida EC, 4.18 a
D. Insektisida BHC 3.54 b
E. Insektisida DDT 3.49 b
Kesimpulan: Penggunaan insektisida jenis FCE memberikan hasil jagung yang

tertinggi yaitu 4,26 t/ha namun tidak berbeda nyata dengan penggunaan insektisida
jenis EC yang menghasilkan 4,18 t/ha. Penggunaan insektisida jenis BHC dan DDT
kurang efektif karena tidak berbeda nyata dengan kontrol (tanpa di semprot
insektisida).
BAB 10
ANALISIS REGRESI LINIER SEDERHANA
Analisis regresi linier merupakan salah satu jenis metode regresi yang paling
banyak digunakan. Regresi linier sederhana terdiri atas satu variabel terikat
(dependent) dan satu variabel bebas (independent). Analisis ini untuk mengetahui arah
hubungan antara variabel independent dengan variabel dependent apakah positif atau
negatif Rumus regresi linear sederhana sebagai berikut:
Y = a + bX
Keterangan:
Y = Variabel dependent (nilai yang diprediksikan)
X = Variabel independent
a = Konstanta
b = Koefisien regresi
Penggunaan regresi linier diantaranya adalah:
1. Analisis hubungan antara populasi tanaman dengan hasil jagung

2. Analisis hubungan faktor iklim terhadap perkembahan penyakit bulai pada
tanaman jagung
3. Analisis hubungan antara jumlah ransum terhadap peningkatan bobot ternak
unggas
4. Analisis hubungan antara putaran mesin terhadap persentase biji rusak
5. Analisis hubungan antara biaya promosi benih hibrida terhadap pendapatan
6. Analisis hubungan antara frekuensi penyuluhan dengan tingkat adopsi
masyarakat akan informasi
CONTOH KASUS: Aplikasi Regresi Linier untuk Mengetahui Pengaruh

Promosi Terhadap Tingkat Penjualan Benih Jagung Hibrida
Perusahaan benih jagung hibrida PT. BNS merencanakan untuk meningkatkan

kapasitas produksi benih untuk memenuhi kebutuhan petani. Salah satu metode yang
digunakan untuk memperkenalkan benih kepada petani adalah dengan promosi
lapangan. PT. BNS ingin mengetahui seberapa besar pengaruh promosi terhadap
penjualan perusahaan. Data yang dikumpulkan adalah sebagai berikut:
Promosi (juta rupiah) Penjualan benih (juta rupiah)

25 100
27 105
29 108
30 109
35 120
50 145
55 143
60 150
63 154
65 157
70 161
71 170
73 174
75 176
80 180
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
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.
Gambar 2. Data view promosi dan penjualan

4. Selanjutnya kita akan melakukan analisis regresi, klik Analyze > Regression >
Linear regression sebagai berikut
Gambar 3. Tampilan menu regresi linier
5. Selanjutnya kotak dialog analisis regresi ditampilkan. Pilih variabel Penjualan dan
klik ke Dependent List, Selanjutnya klik variabel promosi ke Independent List.
Gambar 4. Memasukkan variable

6. Masih pada kotak dialog Linear regression statistik, klik pada Estimates, Model Fit
dan Descriptives dilanjutkan dengan klik Continue. Selanjutnya klik OK, maka
Output Model akan ditampilkan.
Gambar 5. kotak dialog Linear regression statistics
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
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
Interpretasi : Uji Anova dilakukan untuk mengetahui ada tidaknya pengaruh

promosi terhadap tingkat penjualan benih jagung hibrida. Apabila nilai Sig atau P-value
< 0,05 maka terdapat pengaruh yang kuat antara promosi dengan penjualan. Demikian
pula apabila Sig > 0,05 maka bisa disimpulkan tidak terdapat pengaruh antara promosi
dan penjualan. Berdasarkan tabel diperoleh nilai Sig sebesar 0,000 (<0,05) sehingga
bisa disimpulkan terdapat pengaruh secara signifikan antara biaya promosi dengan
volume penjualan
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 66.995 2.538 26.392 .000
Promosi 1.420 .044 .994 31.943 .000
a. Dependent Variabel: penjualan
Interpretasi : Tabel coefficient menampilkan koefisien dari persamaan regresi

yang dihasilkan. Berdasarkan tabel di atas, model analisis regresi dapat dituliskan
sebagai berikut:
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
Penelitian yang menggunakan regresi linier berganda diantaranya adalah:
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
Sebuah penelitian dilakukan untuk mengkaji hubungan antara tiga variabel

yaitu tinggi tanaman, umur panen serta rendemen terhadap hasil tanaman jagung.
Penelitian dilakukan terhadap 16 sampel tanaman jagung dari berbagai varietas. Data
yang dikumpulkan adalah sebagai berikut:
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
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.
Gambar 5. Tampilan plots

OUTPUT MODEL
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
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.
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
Interpretasi: Uji Anova dilakukan untuk mengetahui ada tidaknya pengaruh

variabel umur, tinggi dan rendemen terhadap hasil. Apabila nilai Sig atau P-value <
0,05 maka terdapat hubungan yang nyata antara variabel tersebut dengan hasil.
Demikian pula apabila Sig > 0,05 maka dapat disimpulkan tidak ada hubungan antara
variabel dengan hasil. Seperti terlihat pada tabel Anova, nilai Sig model sebesar 0,000
(<0,05) sehingga dapat disimpulkan terdapat sedikitnya 1 faktor yang berpengaruh
secara signifikan dengan hasil jagung.
Coefficientsa
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
Interpretasi : Tabel coefficient menampilkan koefisien dari persamaan regresi yang

dihasilkan. Berdasarkan tabel di atas, model regresi linier berganda dapat dituliskan
sebagai berikut :
Y = -9,488 + 0,079 X1 + 0,039 X2 + 0, 046 X3
Dimana X1 = umur tanaman (hari)
X2 = tinggi tanaman (cm)

X3 = rendemen (%)
BAB 12
ANALISIS KORELASI
Analisis korelasi merupakan salah satu teknik statistik yang digunakan untuk
menganalisis hubungan antara dua variabel atau lebih yang bersifat kuantitatif.
Hubungan antara 2 variabel yang dimaksud disini adalah apakah hubungan
tersebut erat, kurang erat atau tidak ada hubungan. Bentuk hubungannya adalah
linear positif ataupun linear negatif.
Korelasi positif terjadi apabila nilai variabel X mengalami kenaikan dan
diikuti kenaikan variabel Y. Korelasi negatif terjadi apabila nilai variabel X
mengalami kenaikan maka nilai Y mengalami penurunan. Apabila trend tidak
menunjukkan arah baik positif maupun negatif maka kedua variabel dikatakan
tidak berkorelasi.
Korelasi positif Korelasi negatif
Kriteria korelasi hubungan antar variabel
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:
1. Analisis korelasi antara fenotipik tanaman (tinggi tanaman, jumlah daun,

diameter batang, umur panen) dengan hasil.
2. Analisis korelasi antara jumlah ransum, waktu pemberian, dan nilai kalori ransum
terhadap peningkatan bobot ternak.
3. Analisis korelasi unsur lemak, viskositas, gelatinisasi, dan fiber berbagai varietas
jagung.
4. Analisis korelasi antara suhu, kelembaban udara dan intensitas penyinaran
terhadap kemampuan fotosintesis tanaman.
5. Analisis korelasi antara jenis kelamin, tingkat pendidikan, usia, serta luas lahan
garapan serta terhadap tingkat adopsi teknologi petani.
CONTOH KASUS: Aplikasi Analisis Korelasi Antara Parameter Fisik Tanaman

Dengan Hasil
Sebuah penelitian dilakukan untuk mengkaji hubungan/korelasi antara hasil

tanaman jagung dengan penampilan fenotipiknya (tinggi tanaman, umur berbunga,
bobot tongkol, waktu panen dan rendemen). Penelitian dilakukan terhadap 20 sampel
tanaman jagung dari berbagai varietas. Data yang dikumpulkan adalah sebagai berikut:
Hasil Tinggi_tan Umur_berbunga Bobot_tongkol Panen Rendamen

No
(t/ha) (cm) (hari) (gr) (hari) (%)
1 8.31 204 51 11.19 100 68.6
2 8.29 189 52 13.52 102.000 63.2
3 9.49 205 51 14.39 103.000 66.4
4 11.20 206 52 15.01 101 69.1
5 7.44 166 51 11.19 98.000 66.6
6 5.90 183 53 8.00 96.000 68.6
7 5.42 187 51 8.57 102.000 65.3
8 7.00 157 52 10.28 99.000 80.2
9 5.67 207 53 10.00 89 68.6
10 5.91 234 51 9.29 100 64.2
11 6.84 229 53 11.25 104 63.0
12 6.45 251 52 10.26 87 63.1
13 4.89 199 58 7.55 99.000 68.3
14 4.10 189 58 6.10 98.000 81.6
15 4.70 204 58 7.20 90.000 68.3
16 8.18 249 50 12.64 102 66.6
17 9.78 264 49 14.91 103 65.2
18 8.60 254 49 13.22 100 64.5
19 10.20 269 50 14.40 99 68.5
20 7.96 209 48 10.74 89 68.8
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

komputer. Impor data dari Excel dengan klik File > Open > Data.
3. Pada kotak dialog File Type pilih Excel dan File nama pilih korelasi_data.xls
dilanjutkan dengan klik Open. Selanjutnya akan muncul kotak dialog opening excel
data source.
Gambar 2. Data view spss
5. Selanjutnya kita akan melakukan analisis korelasi, klik Analyze > Correlate >
Bivariate sebagai berikut.
Gambar 3. Tampilan menu korelasi
6. Selanjutnya kotak dialog Bivariate Correlations ditampilkan. Pilih Variabel Hasil,

tinggi_tan, umur_berbunga, bobot_ongkol, panen dan rendemen klik ke
Variabels, variabel hasil akan berpindah ke kanan (lihat gambar 4). Selanjutnya
pada pilihan Correlation Coeffisien pilih Pearson  OK

OUTPUT MODEL
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).
Interpretasi tabel : Tabel korelasi menggambarkan besarnya koefisien

korelasi antara variabel hasil, tinggi tanaman, umur berbunga, panen, bobot tongkol
dan rendemen. Adapun taraf signifikansi yang digunakan yaitu 0,01 (1%) dan 0,05
(5%), taraf signifikan 0,01 artinya tingkat akurasi hasil analisis 99% dan kesalahan
hanya 1%. Sedangkan taraf signifikan 0,05% artinya tingkat kebenarannya 95% dan
tingkat kesalahan 5%. N menunjukkan jumlah/banyaknya data.
Sebagai contoh besarnya koefisien korelasi variabel hasil dengan bobot tongkol
adalah 0,960, yang berarti ada korelasi yang signifikan antara bobot tongkol dengan
hasil yang diperoleh. Nilai sig (2-tailed) yang diperoleh adalah 0,000 (lebih kecil dari
0,05) sehingga hipotesis H0 ditolak. Ini berarti ada korelasi yang sangat signifikan
antara kedua variabel tersebut.
Tabel output di atas juga menunjukkan adanya dua tanda bintang, ini
menunjukkan adanya korelasi yang signifikan. Tanda dua bintang (**) menunjukkan
tingkat signifikansi 1% dan satu bintang (*) menunjukkan tingkat signifikansi 5%.
Apabila tidak ada tanda bintang berarti tidak ada korelasi antar variabel (tn).
Nilai koefisien korelasi yang bertanda positif menunjukkan arah korelasi yang
positif, dimana semakin tinggi nilai bobot tongkol maka semakin tinggi pula hasil yang
diperoleh, sebaliknya semakin rendah nilai bobot tongkol maka hasilnya juga semakin
rendah.
Output tabel diatas dapat disederhanakan menjadi tabel matriks korelasi sebagai
berikut :
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 0.05 level (2-tailed).
Kesimpulan :
Korelasi signifikan yang diperoleh adalah:

1. Korelasi hasil dengan umur berbunga negatif, -0,691 (signifikansi 0,01).
2. Korelasi hasil dengan bobot tongkol yaitu 0,960 (signifikansi 0,01).
3. Korelasi bobot tongkol dengan umur berbunga - 0,700 (signifikansi 0,01).
4. Korelasi bobot tongkol dengan tinggi tanaman 0,459 (signifikansi 0,05).
5. Korelasi Tinggi tanaman dengan rendemen -0,485 (signifikansi 0,05).
BAB 13
ANALISIS LINTAS (PATH ANALISIS)
Berbagai macam penelitian yang dilakukan pada tanaman umumnya hanya
mengkorelasikan sifat-sifat tanaman secara umum. Namun demikian, untuk
mendapatkan gambaran tentang korelasi langsung ataupun tidak langsung antar
variabel diperlukan analisis yang lebih mendalam, yang dikenal dengan nama analisis
lintas (path analysis).
Dengan menggunakan analisis lintas maka kita mampu menentukan kontribusi

relatiff dari komponen pertuumbuhan dan komponen lainnnya terhadap hasil yang
diperoleh. Metode ini memecah koefisien korelasi antara masing-masing karakter yang
dikorelasikan dengan hasil menjadi dua komponen, yaitu pengaruh langsung dan
pengaruh tidak langsung, sehingga hubungan kausal di antara karakter yang
dikorelasikan dapat diketahui.
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:
CONTOH KASUS: Aplikasi Analisis Korelasi Parameter Agronomis Tanaman

Dengan Hasil
Sebuah penelitian dilakukan untuk mengetahui pengaruh 4 variabel bebas yaitu

umur panen, tinggi tanaman, tinggi tongkol, dan berat seribu biji terhadap hasil jagung
hibrida varietas Multinasional. Data sampel 30 tanaman dikumpulkan dan ditabulasi
sebagai berikut:
No Panen Tgtan Tgtgkl Seribubj Hasil
1 97 215 94 310 7.3
2 100 200 100 378 8.51
3 100 200 98 359 8.27
4 102 212 116 396 9.3
5 103 204 115 398 9.6
6 104 202 107 377 9.36
7 114 199 90 407 11.2
8 116 209 117 414 11.3
9 113 192 96 422 11.5
10 106 199 95 405 10.1
11 101 209 160 404.8 9.9
12 86 210 105 275 6.9
13 88 178 115 285 6.8
14 89 199 118 300 6.9
15 87 213 116 300 6.8
16 86 200 105 295 6.9
17 85 207 103 280 6.6
18 97 210 90 310 7.4
19 97 207 100 318.4 7.2
20 98 187 87 303.7 7.7
21 99 192 89 318.5 8.2
22 101 179 111 336 8.6
23 117 210 95 411 11.45
24 118 215 90 415 12.1
25 101 201 94 330 8.7
26 102 205 100 315 8.9
27 118 205 88 412 12.6
28 94 205 112 350 7.1
29 100 200 105 398 9.7
30 98 204 107 314 8.5
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
komputer. Impor data dari Excel dengan klik File > Open > Data. Pilih
jalur_data.xls dilanjutkan dengan klik Open. Klik Continue.
Gambar 2.Data view spss

3. Selanjutnya kita akan melakukan analisis regresi, klik klik Analyze > Regression >
Linear regression.
4. Selanjutnya kotak dialog ditampilkan. Pilih variabel Hasil dan klik ke Dependent
List, variabel Hasil akan berpindah ke kanan. Selanjutnya pada Independent pilih
variabel panen, tgtan, tgtkl, dan seribubj. Pada method pilih enter. Klik OK.
5. Selanjutnya kita akan melakukan analisis korelasi, pilih menu Analyze > Correlate
> Bivariate maka kotak dialog Bivariate Correlations ditampilkan. Pilih Variabel
hasil, panen, tgtan, tgtkl, dan seribubj klik ke Variabels. Pada pilihan
Correlation pilih Pearson  OK. Hasil analisis regresi dan korelasi akan ditampilkan
di output SPSS.
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
Interpretasi: Regresi digunakan untuk melihat pengaruh gabungan parameter

pertumbuhan yaitu umur panen, tinggi tongkol, tinggi tongkol, dan berat seribu biji
terhadap hasil jagung.
Nilai korelasi (R) yang dihasilkan adalah 0,968, sehingga dapat disimpulkan
bahwa terdapat hubungan yang sangat erat antara parameter pertumbuhan dengan
tingkat hasil jagung hibrida.
bahwa kemampuan ke 4 variabel pertumbuhan mempengaruhi tinggi rendahnya hasil
jagung sebesar 93,8% dan masih terdapat 100-93,8 = 6,2% (ϵ = 0.062) variabel lain
yang mempengaruhi hasil.
Untuk mengetahui apakah model regresi yang dibuat sudah tepat maka
dilakukan uji hipotesis, yaitu dengan menggunakan uji F. Hasil uji Anova dapat dilihat
pada tabel berikut:
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
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
Untuk mengetahui pengaruh parsial/sendiri-sendiri dilakukan uji t, sedangkan

untuk melihat besarnya pengaruh digunakan angka beta atau standardized coefficient.
Dari empat variabel yang diuji t hanya terdapat dua variabel yaitu umur panen dan
berat seribu biji yang mempunyai hubungan linier dengan hasil.
Nilai beta pengaruh umur panen terhadap hasil adalah 0,757 atau 75,7%
sedangkan pengaruh berat seribu biji terhadap hasil adalah 0,249 atau 24,9%.
Sementara itu dua variabel yaitu tinggi tanaman dan tinggi tongkol pengaruhnya
dianggap tidak signifikan, yaitu -0,9% dan 5,5%.
Output Analisis Korelasi
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
Interpretasi tabel : Tabel korelasi menggambarkan besarnya koefisien

korelasi antar variabel. Adapun taraf signifikansi yang digunakan yaitu 0,01 (1%)
dan 0,05 (5%), taraf signifikan 0,01 artinya tingkat akurasi hasil analisis 99% dan
kesalahan hanya 1%. Sedangkan taraf signifikan 0,05 artinya tingkat
kebenarannya 95% dan tingkat kesalahan 5%.
Berdasarkan analisis korelasi pearson diperoleh nilai korelasi variabel
Umur panen vs hasil = 0,955 (sangat kuat), tinggi tanaman vs hasil = 0,127
(sangat lemah), tinggi tongkol vs hasil = -0,138 (negatif dan sangat lemah) dan
berat seribu biji vs hasil = 0,901 (sangat kuat).
Diagram Lintas (Path Diagram)
Berdasarkan hasil analisis maka diagram lintas dapat dibuat sebagai
berikut:
X1 Umur Panen tanaman
rX1X2 PYX1 0,062

0,120 0,757 ϵ
X2 Tinggi Tanaman
PYX2
rX1X4 -0,009
0,859 Rx2X3
0,084 Y Hasil
PYX3
X3 Tinggi Tongkol 0,055
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.
Contoh kasus: Sebuah penelitian dilakukan untuk mengetahui daya berkecambah

benih jagung hibrida. Pengukuran daya kecambah diulang sebanyak 3 kali. Data yang
diperoleh sebagai berikut:
Daya berkecambah jagung hibrida
Ulangan_1 Ulangan_2 Ulangan_3

98 88 94
99 92 94
88 90 91
92 95 90
87 89 94
92 94 94
91 90 95
96 97 98
92 94 93
95 94 93
96 90 94
93 94 96
91 97 95
98 99 100
89 90 92
93 92 95
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:
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.
Gambar 2. Kotak dialg compute variabel

3. Selanjutnya kita akan melakukan analisis deskriptif dan uji normalitas data. Klik
menu Analyze > Descriptive Statistics > Explore maka kotak dialog explore
ditampilkan. Klik variable Rata-Rata dan klik tanda panah ke dependent List.
Pada bagian Display pilih Both diikuti dengan OK . Output model akan
ditampilkan.
Gambar 3. Kotak dialog explore

Output Model
Case Processing Summary

Cases
Valid Missing Total
N Percent N Percent N Percent
Ratarata 16 100.0% 0 .0% 16 100.0%
Interpretasi: Variabel Ratarata jumlahnya 16 dengan persentase 100% atau data

semuanya valid. Missing data = 0 artinya tidak ada data yang hilang. Jadi data
rata_rata terdiri dari 16 data semuanya valid dan tidak ada data yang kurang atau
hilang.
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.
Penulis aktif menerbitkan publikasi baik di Jurnal Nasional maupun Internasional.

Beberapa naskah dimuat di Jurnal Environmental Management, Elsevier serta Journal of
Hidrology, Science Direct. Penulis juga menulis buku Sustainable Organic Farming yang
menjadi buku acuan pada pelajaran SLTA di Kamboja. Buku lain yang diterbitkan adalah
Jagung: Teknologi Produksi dan Pengembangan.
Roi Effendi dilahirkan di Jakarta, menyelesaikan pendidikan S2 bidang Pemuliaan dan

Budidaya Tanaman Tahun 2010. Penulis saat ini sedang mengikuti Program S3 Bidang
Agroteknologi Universitas Hasanuddin. Penulis bekerja sebagai Peneliti Bidang Budidaya
di Balai Penelitian Tanaman Serealia, Badan Litbang Pertanian. Penulis juga aktif dalam
pengolahan data penelitian di berbagai perguruan tinggi.
Penulis dapat dihubungi di email: acchmad@yahoo.com

Aplikasi SPSS Dan SAS Untuk PERANCANGAN PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Aplikasi SPSS Dan SAS Untuk PERANCANGAN PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

APLIKASI SPSS DAN SAS

UNTUK PERANCANGAN PERCOBAAN

Cetakan Ke-1, Maret 2015 vi

Keberhasilan pembangunan di bidang pertanian, peternakan, kehutanan,

Suatu percobaan baik yang dilakukan di lapangan maupun di laboratorium

Ulangan, Pengacakan dan Pengelompokan

Pengolahan data rancangan percobaan saat ini semakin mudah dilakukan

 Pembuatan layout percobaan lebih mudah dilakukan

Adapun contoh percobaan yang menggunakan RAL 1 faktor adalah:

 Analisis pertumbuhan jagung manis pada percobaan pot di rumah kaca

CONTOH KASUS: Analisis Pengaruh Pupuk Urea Terhadap Hasil Jagung

Jumlah perlakuan = 6 dengan 5 ulangan sehingga diperlukan 30 petakan/pot. Setelah

Data pengamatan hasil jagung yang diperoleh adalah:

dosis Hasil jagung (ku/ha)

Gambar 2. Tampilan open data di SPSS

Gambar 4. Data view Perlakuan dan hasil

Gambar 6. Memasukkan variabel

Gambar 7. One way anova: post Hoc multiple comparison

 Catatan: Kolom yang sama mempunyai kode huruf yang sama

Penyajian akhir dari data adalah:

Perlakuan Dosis Pupuk (kg/ha) Hasil (ku/ha)

Contoh Kasus: Analisis Pengaruh Putaran Alat Pencampur Pakan Terhadap

Sebuah penelitian dilakukan untuk mengetahui pengaruh putaran alat

RPM Karbohidrat (%) Lemak (%) Protein (%)

Gambar 9.Tampilan open data

Gambar 10. Data view di spss

Gambar 11. Tampilan menu split file

Gambar 12. Kotak dialog menu split file

Gambar 13. Tampilan menu one way anova

Gambar 14. Memasukkan variabel

 Catatan: Kolom yang sama mempunyai kode huruf yang sama

Hasil yang diperoleh selanjutnya dapat di tabulasi untuk memudahkan interpretasi

Tabel pengaruh RPM alat pencampur terhadap kompisisi nutrisi ransum

RPM Karbohidrat Lemak Protein

Window Output Window Log Window Editor

Contoh Penyusunan data di MS Excel

Perlakuan Ulangan Hasil

Pengimputan listing SAS

Windows Editor telah aktif

Copy data dari MS. Excel dan paste di sini

Uji BON, DUNCAN, DUNNETT, DUNNETTL, DUNNETTU, GABRIEL

RUN = menjalankan analisis

Klik windos Output untuk melihat hasil analsisi

The ANOVA Procedure

Class Level Information

Class Levels Values

RANCANGAN ACAK LENGKAP 14:20 Friday, February 19, 2015 2

The ANOVA Procedure

Dependent Variable: Hasil

Model Galat 5 277.6856667 55.5371333 39.85 <.0001

Error 24 33.4440000 1.3935000

Corrected Total 29 311.1296667

R-Square Coeff Var Root MSE Hasil Mean

0.892508 3.073863 1.180466 38.40333

Source DF Anova SS Mean Square F Value Pr > F

Perlakuan 5 277.6856667 55.5371333 39.85 <.0001

The ANOVA Procedure

Duncan's Multiple Range Test for Hasil

Means with the same letter are not significantly different.

Duncan Grouping Mean N Perlakuan

Sumber keragaman db Jumlah kuadrat Kuadrat tengah F hitung Pr > F

Perlakuan Dosis Pupuk (kg/ha) Hasil (ku/ha)

Penyusunan data dalam MS Excel