Anda di halaman 1dari 23

c c

    



 c  
Pertumbuhan merupakan suatu konsep yang universal dalam bidang biologi
dan merupakan hasil dari integrasi berbagai reaksi biokimia, peristiwa biofisik, dan
proses fisiologis yang berinteraksi dalam tubuh tanaman bersama faktor luar. Semua
organisme hidup pada berbagai fase dalam perjalanan hidupnya mempunyai
kemampuan melakukan perubahan ukuran, bentuk, dan jumlah dalam kondisi-
kondisi tertentu.
Pertumbuhan sebagai perubahan karakteristik organisme atau bagian
organisme secara periodik. Selain dipengaruhi struktur garis dan jenis kelamin,
perubahan karakteristik organism atau bagian organisme yang dipengaruhi oleh
beberapa faktor lingkungan seperti suhu, pola makan, dan penyakit.
Suatu kenyataan bahwa suatu system pertumbuhan seperti tanaman dan
hewan dengan proses pertumbuhannya hampir tidak dapat digambarkan atau
dipelajari dengan cara yang sederhana. Proses pertumbuhan pada hewan dan tanaman
dapat dipelajari juga dengan penyederhanaan yang berakhir pada model
pertumbuhan. Model pertumbuhan diharapkan dapat memberikan ringkasan
matematik mengenai perilaku tanaman dan hewan dalam menghasilkan produknya.
Model matematika dari kurva pertumbuhan bermanfaat dalam
menggambarkan bentuk pertumbuhan setiap saat dan persamaannya dapat digunakan
untuk memprediksi berat yang diharapkan dari sekelompok hewan pada usia tertentu.

Ô      


„. Bagaimana model pertumbuhan tinggi tanaman Yute varietas Cc dan Varietas
Roxa?
2. Bagaimana cara menduga parameter awal pada model pertumbuhan tersebut
dengan menggunakan metode Gauss-Newton dan Levenberg-Marquardt?
„.3º  
Untuk mengetahui model pertumbuhan tinggi tanaman Yute Varietas Cc dan
Varietas Roxa.
c c 
  ÔºÔ 


 
Menurut Sreel dan Torrie („  , masalah model regresi yang paling cocok
untuk menunjukkan hubungan antar peubah-peubah bukan masalah yang mudah dan
sederhana. Hampir tidak ada batas jenis-jenis model yang dapat dinyatakan secara
matematis.Diantara model-model yang mungkin, dipilih model yang parameternya
meminimumkan JKS. Berdasarkan kelinieran parameter, suatu model
diklasifikasikan ke dalam dua jenis yaitu linier dalam parameter dan non-linier dalam
parameter. Model yang non-linier dalam parameter dikatakan linier intrinsic jika
suatu pendekatan transformasi dapat melinierkan parameter model tersebut. Model
logaritma dan Eksponensial termasuk golongan ini. Sebaliknya model non-linier
dikatakan non-linier intrinsic jika suatu pendekatan transformasi tidak dapat
melinierkan parameter model tersebut (Draper dan Smith, „ „. Jika model yang
bersifat non-linier dalam parameter diturunkan sebagian terhadap salah satu
parameter akan menghasilkan fungsi parameter itu sendiri atau parameter lain dalam
model tersebut,maka model tersebut dikatakan linier intrinsic (Hunt, „ 2.

        
Pendugaan parameter model non linier, terutama model yang secara
intrinsik non linier tidak dapat menggunakan metode kemungkinan maksimum atau
metode kuadrat terkecil biasa secara langsung seperti model linier, kerena
memerlukan perhitungan yang sangat rumit. Oleh karena itu untuk menduga
parameter model non linier digunakan metode iteratif yaitu suatu proses perhitungan
yang diulang-ulang sampai ditemukan penduga yang konvergen (Yitnosumarto,
„ .

       
Model-model pertumbuhan telah banyak diterapkan di berbagai bidang.
Dalam bidang biologi, botani dan zoology, model-model pertumbuhan di gunakan
untuk menggambarkan pola pertumbuhan suatu organism. Dalam ilmu kimia,
pertumbuhan bakteri suatu reaksi sering digambarkan dalam model logistic. Tipe
model digunakan dalam masalah tertentu bergantung pada jenis pertumbuhan yang
terjadi ( Draper dan Smith, „ „.
Model otokatalitik merupakan sebuah fungsi sigmoid (berbentuk huruf S
seperti terlihat pada gambar 2.„. Hamilton („ 2, menyatakan bahwa model
otokatalitik berbentuk:
å
  
M     (2.„

di mana h(t = tinggi h pada saat t


Į = nilai h maksimum

ȕ =ù , dimana M adalah t saat h(t = 0.5Į
k = rata-rata pertumbuhan relative saat t=0


h(t


 h



 t
Gambar 2.„ Kurva pertumbuhan berbentuk sigmoid
Model otokatalitik merupakan model yang bersifat linier intrinsic
berdasarkan kenyataan bahwa turunan sebagian h(t terhadap salah satu
parameter menghasilakan fungsi yang terdiri dari Į, ȕ atau k (Hunt, „ 2
seperti ilustrasi berikut:

= f{


 

l
=

= f{
 
å 
  
l
=
l

= f{
 
å 
  
l
=
l

Pertumbuhan awal terjadi saat t=0, sehinggga persamaan (2.„ menjadi:


å

M    (2.2

 Pada saat t=’, maka h=Į yang merupakan batas maksimum pertumbuhan.
Asimtot didefinisikan sebagai garis lurus sejajar dengan sumbu x yang dituju oleh
kurva. Pada model otokatalitik terdapat dua asimtot yaitu pada h=0 dan h=Į, dimana
Į merupakan tinggi maksimum tanaman yang diharapkan (Hunt,„ 2. Titik belok
didefinisikan sebagai tempat lengkungan kurva berubah, yaitu dari lengkung kekanan
menjadi lengkung kekiri atau senaliknya. Ditempat terjadinya titik belok berlaku
O
O 
=0.
O
O 
Pada model otokatalitik, didapatkan melalui:

    ù     ù      ù   ù   ù  

    ù  

  å     å    


  
=

  
  ù  ù  ù
 !
 ù 


  å    "  #   å 
  $


  å     å 
  $


å     
  $

ù   
atau ȕ=
O  
O    
Jika =0, maka , dengan mensubstitusikan ȕ= 

ke persamaan (2.„ didapatkan:




 , separuh dari tinggi maksimum tanaman.


å å
%
    
M 
&


      
Pendugaan parameter digunakan karena mustahil untuk mrndapatkan
parameter populais jika ukuran populasi besar atau tidak terbatas. Untuk menduga
parameter-parameter populasi diambil contoh acak dari populasi tersebut kemudian
dicari fungsi-fungsi dari data contoh yang disebut statistik. Proses ini disebut
pendugaan parameter. Dengan demikian, dari contoh akan didapatkan statistik yang
akan digunakan sebagai penduga parameter. Penduga  
 adalah besaran
yang merupakan hasil pendugaan parameter yang berdasarkan pada pengukuran-
pengukuran yang dilakukan terhadap contoh ( Mendenhall,Scheaffer and
Wackerly,„ „. Besaran hasil-gasil penerapan penduga terhadap data dari suatu
contoh disebut nilai duga   (Yitnosumaarto,„ 0.

    º !º  
Misalkan model yang dipostulatkan berbentuk:
      (2.3

Dengan Ž   Ž
,
Ž
Ž
' ' Ž
 merupakan vector peubah penjelas dari
model dan ( )

 ( ,
( ( ' * (+  adalah vector parameter model, maka
|  .

Diasumsikan bahwa | / =0, V(/   ,  , /  -,


,   dan galat
saling bebas satu sama lain (cov(/ /  =0. Bila struktur data berbentuk:

.
. . ' ' . (u=„,2,«««..n

Maka:

.
 /Ž
,
Ž
Ž
' ' Ž
;
( ,
( ( ' * (+ 
/

.  / Ž
(   / (2.4

dimana / adalah galat ke-u.

JKS untuk model non-linier diatas didefinisikan sebagai:

D §0 .  / Ž
(  

Penduga kuadrat terkecil (a last square estimate bagi ( dilambangkan dengan


(1 yang tidak lain adalah ( yang meminimumkan D . Untuk mendapatkan (1
persamaan (2.4 harus diturunkan sebagian terhadap (
. Ini akan menghasilkan p
persamaan normal yang harus dipecahkan untuk memperoleh nilai (1 .

Persamaan normal tersebut berbentuk:

§0 .  /"Ž
(1# 2 6
l34
5
l54 7
55
=0 (2.6

Dengan i=„,2,««««,p. jika sebagian dari model terhadap ș menghasilkan


fungsi yang tidak linier dalam ș, maka persamaan normal yang akan dihasilkan tidak
bersifat linier dalam ș. Jika / Ž
(  adalah model linier,

Ekspansi model otokatalitik ke persamaan (2.7 menjadi:

 8 

   8  9
:
  ù 4 

  ù 4

   ù 4 åå 
;

ù 4
   8  <
=
  ù 4 
 ;

 ù 4
   8  <
=
  ù 4 
 ;

Matriks >8 >8) >8 ?8


@A
.8 adalah
 D 8 ù ; %  8 8
 ù ; %
C


H
C   8 ù ; %
    8 ù ; %    8 ù ; %  H
C  8 ù ;  8 8
 ù ;  H
>8  C   8 ù ;    8 ù ;     8 ù ;   H
C H
C E E E H
C   8 ù ; F  8 8
0 ù ; F H
B   8 ù ; F   8 ù ; F    8 ù ; F  G

>8) >8
0 0 0
CI  D  8 ù ; 4 8 8
 ù ; 4 H
I
I
C   8 ù ; 4    8 ù ; 4    8 ù ; 4  H
C 0 0 0 H
C D  8 ù ; 4  D 8 ù ; 4  D 8  8
 ù ; 4 H
  

 CI
I
I

  8 ù ; 4    8 ù ; 4    8 ù ; 4  H


C  H
C 0   ù ; 4 0
D 8  8
 ù ; 4
0
8 8
 ù ; 4  H

 

CI
I
I
H
8 8

B   8 ù ; 4    8 ù ; 4    8 ù ; 4  G

8
  

?8  J 8 K
8
 8
L  M
  ù %   8 ù 4

C  8 H
C  H
.8  C   ù    8 ù  H
C E H
C  8 H

B  ù  F   8 ù  F G
Selanjutnya 8 diduga dengan ?8 
>8) >8  >8) .8 
Maka hasil turunan sebagian (Xu,ș terhadap menghasilkan fungsi Xu dan
tidak mengandung parameter ș sama sekali. Misalkan (Xu,ș= ș„ X„u ș2 X2u  ș p
Xpu , maka:

 Ž , yang tidak tergantung pada ș. Berbeda halnya jika (xu,ș adalah


l34 5
l5N

model non-linier. Hasil turunan sebagian (xu,ș terhadap și akan mengandung


parameter și.
Misalkan ingin didapatkan persamaan normal untuk mendapatkan penduga
kuadrat terkecil bagi parameter ș dalam model (xu,ș=eks(-ș xu .melalui turunan
sebagian (xu,ș terhadap ș dihasilkan turunan yang berbentuk :
&/Ž (
 Ž ùO(Ž 
&(
Penyelesaian persamaan (2.6 menghasilkan persamaan normal yang
berbentuk:
0

I".  ù 534 #"Ž  ù 534 #  -


7 7


Dari persamaan normal di atas dapat dilihat bahwa hanya dengan satu
parameter dan model non-linier yang sederhana,pendugaan (1 melalui persamaan
normal tidaklah mudah. Bila model mengandung banyak parameter dan model
berbentuk lebih rumit,penyelesaian persamaan normal harus menggunakan metode
numerik secara iteratif(Draper dan Smith,„ „.
Misalkan akan di dapatkan penduga kuadrat terkecil P bagi parameter ȕ
dalam model. Ditetapkan Y = ȕ0ȕ„X. Ditetapkan  sebagai matriks peubah terikat,
X sebagai matriks peubah penjelas dan
sebagai matriks parameter model yang
berbentuk :
.  Ž
.  8
.  Q R ŽQ R S T
Ž
E E E 
.0  Ž0
Model Y = ȕ0ȕ„ X dapat ditulis menjadi .  Ž
sehingga ?  ŽŽ Ž.

dengan syarat ŽŽ non-singular.

 "    #     


Draper dan Smith („ „ mengatakan bahwa dugaan awal ș0 bagi parameter ș
dalam model non-linier didapatkan dengan cara-cara sebagai berikut :
„. Analitik
Dengan cara analitik Yu diselidiki untuk nilai Xu mendekati nol atau tak
hingga untuk mencari nilai duga awal parameter yang mengggambarkan
keadaan Yu saat Xu mendekati nol atau tak hingga .Selanjutnya
disubstitusikan Xu sebanyak parameter-parameter yang lain dalam model ke
dalam Yu sehingga terbentuk sistem persamaan yang kemudian di selesaikan.
2. Substitusi
Jika terdapat p buah parameter,disubstitusikan p amatan (Yu,Xu ke dalam
model yang di postulatkan ,selanjutnya p buah persamaan tersebut
diselesaikan untuk mendapatkan nilai parameter-parameter model.Nilai-nilai
Xu yang terpisah jauh sering memberika hasil yang lebih baik

 "
  # 
Cara yang seringkali ditempuh untuk menduga parameter-parameter model
non-linear adalah menuliskan persamaan normal(2.6 secara terinci dan
mengembangkan suatu teknik iterative untuk memecahkannya.
Metode gauss-Newton menggunakan nilai duga awal V0 bagi parameter V
dalam iterasi. Pandang model (2.4 sebagai model yang dipostulatkan. Misalkan
V„,V2,«,Vp0 adalah nilai-nilai duga awal bagi parameter-parameter V„,V2,«,Vp. untuk
mendapatkan nilai V yang meminimumkan JKS, pertama-tama model no-linier
tersebut diekspansikan kebentuk deret Taylor di sekitar V=V0 menjadi :
+
&/U V
/ U V  /"U V8 #  I V  (  (8 

*W
55
&(
 ;

Bila ditetapkan : /   /"U V8 #


  (  (8 
&/ U V
>  V 
55
&(
;

Maka persamaan (2.7 akan berbentuk :


+

.  /   I  >  /
 
+

. 
/   I  >  /

*X


Selanjutnya dengan MKT,  dapat diduga. Jika ditetapkan :


> > >+ . 
/
L  M L
? M
C > >  >+ H
 

C . 
/ H


C E H ?
>8  C E E C E H
   

 H  > 0Y+ ?8  Q E R .8  . 
/ 
> > >+ C H


C  H


C E E E H ?+ C E H
B>0

>0

>+0

G B.0 
/0 G

Maka .8  >8 * ?8 , sehingga penduga bagi 8)  "   ' + # adalah

?8  >8 >8  >8 ) .8 . Dengan demikian vector ?8 , akan meminimumkan JKS yang

terbentuk
0

Ä 
 I .  .1




0 + 

 I Z.  /"U V8 #  I  > [


?  (  (8 , maka (1 dapat dianggap sebagai penduga yang


Pandang
telah diperbaiki bagi V. Selanjutnya nilai-nilai (1 dijadikan penduga yang akan
diperbaiki pada iterasi-„, kemudian ditempuh langkah yang sama sampai (2.
diselesaikan, namun dengan mengganti subskrip nol dengan subskrip satu. Proses ini
akan menghasilkan penduga yang telah diperbaiki yaitu (1 dan begitu seterusnya
sampai pendugaan konvergen. Dengan kata lain sampai langkah iterasi ke-j dan
iterasi ke-(j„ berlaku :
\ (1]  (1] ^(1] \ _ ` , dimana ? adalah bilangan positif yang sangat

kecil yang telah ditetapkan sebelumnya (0,000„ (Draper dan Smith, „ „. Dengan
mengembangkan notasi sebelumnya, (1] dapat ditulis
(1]  (1]  ?]

(1]  (1]  ">]) >] # >] ".  / ] #

*a
 )

 "

$  % # 
Meskipun secara teoritis pendugaan parameter dengan menggunakan
metode Gauss-Newton selalu konvergen, permasalahan dapat saja terjadi missal
berfluktuasinya JKS walaupun pada akhirnya pendugaan mencapai kekonvergenan.
Modifikasi Gauss-Newton dengan membagi dua bj dalam persamaan (2. 
dapat diterapkan jika permasalahan di atas terjadi. Secara ringkas modifikasi ini
mengikuti proses berikut (Myers, „ 0:

„. Hitung koreksi Á  ">]) >] # >]) ".  / ] #




2. Hitung penduga pada iterasi ke-(j„, (1]


3. Jika JKS(j„JKS(j, maka ulangi langkah 2; gunakan koreksi bj/2

 "
   % # &     
Dengan cara analitik, nilai duga awal Į0 didapatkan melalui   bc   
 sehingga Į0 = hmaks. Disubstitusikan Į0 ke persamaan (2.2 untuk mendapatkan
nilai duga awal ȕ0. selanjutnya u0 didapatkan melalui sustitusi Į0 dan ȕ0 ke persamaan
(2.„.

Sisaan didefinisikan sebagai selisih antara Yu dengan .1 ditulis /  .  .1 .


 "   $

Sisaan kaya akan informasi ,oleh karena itu sisaan merupakan bagian yang amat
penting dalam setiap analisis data (Walpole dan Myers.„ 5.Diagram pencar sisaan
yang menggambarkan kesesuaian model dengan data akan berbentuk acak
,sebaliknya jika diagram pencar sisaan mempunyai bentuk tertentu,maka dikatakan
model belum sesuai dengan data.

Gambar 2.2 Plot antara sisaan dan nilai duga yang berbentuk acak.

Gambar 2.3 Plot antara sisaan dan nilai duga yang membentuk pola.

Gambar 2.3 merupakan diagram pencar yang menunjukkan bahwa model


sesuai dengan data ,karena bentuk diagram pencar tersebut .Lain halnya dengan
Gambar 2.2,plot antara sisaan pada Gambar 2.3 berbentuk kuadratik sehingga dapat
dikatakan model belumsesuai dengan data (yitnosumarto,„ 3.
2.„0 Selang kepercayaan bagi parameter model
Dalam berbagia keadaan, penduga titik belum memberikan informasi yang
cukup tenten parameter populasi karena nilainya tergantung pada contoh yang di
ambil. Penduga selang berbentuk :

 (1  dd
eddO f"(1 # g ( g (1  dd
eddOf"(1 #h    

§0 ".  .1 #


di@A@
f"(1 #  j
Ak

Lebih informatif karena selang ini dapat ditentukan sebagai fungsi


contoh.Selanjutnya selan ini disebut selan kepercayaan „00(„-Į untuk parameter
ș.Batas kepercayaan bawah(
  
   adalah (1  dd
eddOf"(1#
dan Batas kepercayaan atas (  
  adalah (1  dd
eddOf"(1 # .
Sedangkan („-Į disebut koefisien kepercayaan (
 
 .
Lebar selang kepercayaan adalah sebuah ukuran penting kualitas informasi
yang di peroleh dari contoh.Makin lebar selang kepercayaan , maka semakin diyakini
bahwa selang tersebut mengandung nilai ș sebenarnya.Pada suatu kejadian yang
ideal dibutuhkan sebuah selang kepercayaan yang pendek dengan keyakinan yang
tinggi.
Selang kepercayaan („-Į bagi parameter-parameter model adalah :

 (1  å 0+ l g ( g (1

å 0+ m    
 

Dimana :
l  On
^

n @@o@
d@pqA@o
r@i@
i@edO
>8 >8  *


 "   ' (  
Salah satu metode pendugaan parameter adalah metode Levenberg-
Marquardt, bentuk ilustrasi metode ini adalah:
2 E
 „   \ (D E D     \„ D  E 

Dimana : D   D (V   dan   (V  

 merupakan nilai positif terkecil yang dihitung dari akar ciri dan vector ciri
matriks J`J. matriks J adalah matrik jacobian menyatakan banyaknya parameter.
Unsur-unsur matriks jacobian merupakan turunan parsial masing-masing galat
pengamatan.
I merupakan matriks identitas V = V 0 , V „ , V 2 adalah parameter-parameter
yang diduga (V  merupakan vector galat dari masing-masing pengamatan. Nilai r
yang relative kecil akan mendekati hasil iterasi Newton-Rapson dan Gauss-Newton.
 )   
Setelah didapatkan penduga bagi parameter model, langkah selanjutnya
adalah menguji keakuratan model. Pengujian keakuratan model menggunakan
kriteria sebagai berikut:
 )
$  
Koefisien determinasi dilambangkan dengan R2, dipergunakan untuk
mengukur proporsi atau presentase total keragaman peubah respon yang dapat
dijelaskan dengan model regresi. Koefisien determinasi didefinisikan sebagai
berikut:
R2 = JKS/JKT
Dimana JKS=Jumlah Kuadrat Sisa
JKT=Jumlah Kuadrat Total
Untuk membandingkan dua model harus memperhitungkan banyaknya
variable X (peubah bebas yang ada dalam model. Ini dapat dilakukan dengan
mempertimbangkan koedisien determinasi dirumuskan sebagai berikut:

÷2  =„- D  /( \ 

D  /( \ „
2
Dimana ÷  = Koefisien determinasi disesuaikan

p= Banyaknya parameter model


n= Banyaknya pengamatan
Koefisien determinasi R2 terletak antara 0 dan „ kemudian model dikatakan
³lebih baik´ kalau R2 semakin dekat dengan „.










c c
Ô    c   

Tinggi tanaman Yute varietas Cc dan varietas Roxa yang merupakan hasil
penelitian Balai Penelitian Tembakau dan Tanaman Serat (BALLITAS tahun „  .
Pengukuran dilakukan terhadap „00 tanaman varietas Cc dan 0 tanaman varietas
Roxa. Tinggi tanaman Cc diukur selama „7 minggu sedangkan varietas Roxa diukur
selama 20 minggu.
Rata-rata tinggi tanaman Yute varietas Cc dan Varietas Roxa (cm
*   *  
  +  Ô,    +  Ô, 
„ „3.23 „0.005 „„ 206.47 „ .5
2 25.55 „.57 „2 2„4.6 2„3.44
3 44.4 36.04 „3 220.35 2„ .37
4 72.3„ 60.„7 „4 225.22 224.2
5 „07.4 0. „ „5 22 .65 226.4
6 „42.02 „23.2 „6 232.„ 22.63
7 „64.„ „46. „7 233. 227.53
 „75.64 „6.53 „ 233. 2
„ 0.„ „7 .52 „ 236.54
„0 „ . 5 „ 2. 20 237. 

  &   -


Untuk mengetahui seberapa baik data didekati dengan model otokatalitik, kita dapat
melihat pada diagram pencar.







   -
+        Ô, 
½  ½ 

½  ½ 

   




   

   

 
     ½       ½ 
¦  ¦ 

Berdasarkan diagram pencar tersebut dapat dikatakan bahwa data membentuk


kurva otokatalitiksehinga model yang di postulatkan adalah model otokatalitik. Nilai
duga awal parameter-parameter model yang didapatkan dengan cara analitik untuk
masing-masing varietas adalah :
„. Varietas Cc
a. 0 Š M(„7 Š 233. 0

0
b.   0  M Š
„  ý0

233. 0
„3.230 Š
„ ý0
ý 0 Š „6.60
233. 0
c.    „ 0 .„00 
„ „6.60 \ u0

u 0 Š 0.476
2. Varietas Roxa
a. 0 Š M (20 Š 237. 0
0
b.   0  M 
„ ý0

237. 0
„0.005 
„ ý0
ý 0  22.76

237. 0
c.  Š „„  „ .50 Š
„  22.76 \„„u0
u 0 Š 0.435
Sofware SPSS dan Metode Levenberg-Marquardt diterapkan untuk menduga
nilai, , ý , dan k. Pendugaan parameter dan hasilnya dapat dilihat pada output
SPSS berikut :
ºº-
„. Varietas Cc
2. Varietas Roxa


. /   
Model-model pendugaan parameter dengan menggunakan metode Levenberg-
Marquardt sebagai berikut :
„. Varietas Cc
225.„
 
„ „7.577 \0.534 
2. Varietas Roxa
22 .756
 
„ „ .0  \ 0.47 
*   Ô 
Cc 0, 3
Roxa 0, 4
Berdasarkan R2 tersebut di atas dapat dikatakan bahwa model yang
didapatkan dengan menggunakan metode Levenberg-Marquardt layak digunakan.
Lebih dari  total keragaman untuk tinggi tanaman varietas Cc dan varietas Roxa
dapat dijelaskan oleh model otokatalitik.
º º   0&0  - 
  +  Ô, 
º   
!           
„ „3.23 „ . 7 -6.74 „0.005 „.05 -.04
2 25.55 32.05 -6.5 „.57 27. - .42
3 44.4 4 .6 -4.4 36.04 42.3„ -6.27
4 72.3„ 73.34 -„.03 60.„7 6„.72 -„.55
5 „07.4 „0„.75 5.74 0. „ 5. 5 4. 6
6 „42.02 „3„.67 „0.35 „23.2 „„3.2 „0.0„
7 „64.„ „5 .„ 5.7„ „46. „40. 6.0
 „75.64 „„.24 -5.6 „6.53 „65.5 3.03
„ 0.„ „ 7.35 -7.25 „7 .52 „5.5 -5. 
„0 „ . 5 20.2„ -.26 „ 2. 200.37 -7.4
„„ 206.47 2„5.„5 -.6 „ .5 2„0.76 -„0. „
„2 2„4.6 2„ .44 -4.5 2„3.44 2„7.7 -4.26
„3 220.35 222.03 -„.6 2„ .37 222.2 -2.3
„4 225.22 223.5 „.64 224.2 225.05 -0.5
„5 22 .65 224.5 5.„5 226.4 226.4 -0.44
„6 232.„ 225.04 7.77 22.63 227. 6 0.67
„7 233. 225.36 .63 227.53 22.65 -„.„2
„ 233. 2 22 .07 4.5
„ 236.54 22 .34 7.2
20 237.  22 .5 .4
¦    

   

 >

>>

  
 > 
>>


>

> 









 

¦    

   

 >

>>
  

 > 
>>


>

>











 












c c* 
  

Model otokatalitik merupakan sebuah fungsi sigmoid (berbentuk huruf S.


Karena pada diagram pencar CC dan Roxa berbentuk sigmoid maka dalam kasus ini,
model pertumbuhan yang digunakan adalah model pertumbuhan otokatalitik. Dengan
menggunakan SPSS, model-model pendugaan parameter dengan menggunakan
metode Levenberg-Marquardt sebagai berikut :
„. Varietas Cc
225.„
 
„ „7.577 \0.534 
2. Varietas Roxa
22 .756
 
„ „ .0  \ 0.47 
Melalui uji kelayakan model (R2 , lebih dari  total keragaman untuk tinggi
tanaman varietas Cc dan varietas Roxa dapat dijelaskan oleh model otokatalitik.
‘ ‘‘‘ 
‘ 








pi l :
NINI SURYANI : 0610950042
SUAIBATUL ISLAMIYAH : 06109500
TITIS KUSUMA L : 06109500
PRIWANTO ARIFIN : 06109500
SITI CHOIRUN NISA : 0710950042
JEFRY DAMAI S : 0710950046
SAKIB : 0710953026



 
‘

 ‘
  ‘ ‘
‘
 ‘
‘ 
‘‘
‘
 ‘ ‘    
‘ ‘ ‘‘

‘‘‘‘
‘‘ 
½