Analisis Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh Jenis Ekstrak
Bawang Putih dan Lama Penyimpanan(L) terhadap Log. ALTB daging sapi yang disimpan
pada suhu dingin, apakah ada pengaruhnya atau tidak. Disamping itu juga untuk menguji
apakah terdapat interaksi yang nyata antara Jenis ekstrak bawang putih dengan lama
penyimpanan (Ekstrak*L). Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui
apa ada perbedaan mean (rataan) Log ALTB antara 3 jenis ekstrak bawang putih (Kontorl,
Lokal dan Import) dan antara lama penyimpanan 0, 3, 6, dan 9 hari yaitu dengan Uji Duncan.
Prosedur analisis ragam dan uji rataannya sebagai berikut :
Klik Analyze pada Gambar 8.1.3. pilih General Linear Model, lalu Klik Univariate, maka
muncul Gambar 8.1.5. seperti tampilan dibawah ini :
Kesimpulan :
Hasil Uji Duncan pada Alpha 0,05 menunjukkan bahwa terdapat perbedaan yang nyata
(P<0,05) log jumlah ALTB antara ketiga jenis ekstrak bawang putih yang diberikan pada daging
sapi yang disimpan pada suhu dingin.
Log ALTB
Duncan
Lama N Subset
Simpan 1 2 3 4
0 12 5.5383
3 12 6.4108
6 12 7.5833
9 12 8.7808
Sig. 1.000 1.000 1.000 1.000
Means for groups in homogeneous subsets are displayed.
Based on observed means.
The error term is Mean Square(Error) = .015.
a. Uses Harmonic Mean Sample Size = 12.000.
b. Alpha = .05.
Kesimpulan :
Hasil Uji Duncan pada Alpha 0,05 menunjukkan bahwa terjadi peningkatan jumlah log
ALTB yang nyata (P<0,05) mulai dari penyimpanan 0 hari sampai dengan 9 hari
Rata-rata interaksi antara kedua factor dapat di gambar dengan grafik Boxplot dengan aumsi
ragam homogeny. Buat data view mean, batas ninimum dan maksimun dengan tingkat
kepercayaa 95%, seperti Gambar 8.1.9
Keterngan Grafik Boxplot: Rata-rata boxplot denagn selang kepercayaan 95% yang saling
berpotogan menunjukkan tidak berbeda nyata (P>0.05), sedangkan boxplot yang tidak saling
berpotongan menunjukkan berbeda nyata (P<0.05)
Analisis Regresi.
Analisis regresi diperlukan untuk mencari hubungan antara lama simpan dengan log ALTB,
oleh karena faktor lama simpan bersifat kualitatif dan jenis ekstrak bawang putih kualitatif, maka
kita lakukan Analisis Regresi antara lama penyimpanan dengan Log ALTB pada masing-
masing jenis ekstrak bawang putih (kontrol, bawang putih lokal dan bawang putih import).
Persamaan regresi penduga adalah dalam bentuk polinom pangkat 3, hal ini disebabkan karena
lama penyimpanan ada 4 taraf yaitu 0, 3, 5 dan 9, maka derajat polinomnya 4-1 = 3, jadi
persamaan penduganya adalah : Y = o + 1L +2L2 + 3L3
Kita buat Variable View seperti tampak Gambar 8.1.9., Ketik pada Kolom Name L, Y1, Y2
dan Y3, pada Kolom Decimals, 0, 4, 4 dan 4 dan pada Kolom Label ketik Lama Simpan, Log
ALTB Kontrol, Log ALTB Lokal dan Log ALTB Import
Setelah kolom kolom pada Gambar 8.1.11 dilengkapi, kemudian Klik Data View pada pojok kiri
bawah gambar tersebut, maka muncul Gambar 8.1.12. Lengkapi datanya, pada Kolom L, Y1, Y2
dan Y3
Pindahkan Log ALTB Kontrol (Y1) ke- Y Variable dan Lama Simpan (Hari) ke- X Variable.
Pindahkan Log ALTB Lokal (Y2) ke- Y Variable dan Lama Simpan (Hari) ke- X Variable.
Pindahkan Log ALTB Import (Y3) ke- Y Variable dan Lama Simpan (Hari) ke- X Variable.
Seperti
Y1=βo+β1X+β2X2+β3X3
Y2=βo+β1X+β2X2+β3X3
Y3=βo+β1X+β2X2
Klik Analyze, cari Regression ►klik Curve Estimation, Masuk kan Log ALTB control
(Y1), Log ALTB Lokal (Y2). Dan Log LTB Import (Y3), cetang kotak Cubic dan kotak Display
ANOVA table.
Curve Fit
Log ALTB Kontrol
Cubic
Model Summary
ANOVA
Coefficients
Standardized
Unstandardized Coefficients Coefficients
Standardized
Unstandardized Coefficients Coefficients
Coba perhatikan Sig. Koefisien garis regresinya : untuk control dan Lokal semuanya sangat
nyata (P<0,01), sedangakan untuk bawang putih import kuadrat dan pangkat 3nya tidak nyata
(P>0.05), jadi untuk import tidak cocok persamaan Cubic walaupun R nya cukup besar.
Maka kita coba pakai Kuadratik
Standardized
Unstandardized Coefficients Coefficients
Standardized
Unstandardized Coefficients Coefficients
Setelah kita peroleh persamaan garis regresi yaitu Y1, Y2 dan Y3, maka kita
menggambar ketiga persamaan tersebut, dengan langkah sebagai berikut :
Kita buat data buat Data View seperti Gambar 8.1.17.
Pindahkan Log ALTB Kontrol (Y1), Log ALTB Lokal (Y2) dan Log ALTB Import (Y3) ke-
Line Represent, dan Lama Simpan (Hari) ke- Catagori Axis Seperti Gambar 8.1.16.
Seorang peneliti ingin mengetahui perubahan pH daging ayam yang disimpan pada suhu dingin
(5oC) selama penyimpanan 0, 4 dan 8 hari dan suhu beku (0oC) selama 0, 1 dan 2 bulan.
Tabel 8. Data pH Daging Ayam yang Disimpan pada Suhu Dingin dan Beku.
Suhu Lama Simpan Ulangan (k)
(i) (j) 1 2 3 4
0 hari 7.43 7.47 7.42 7.46
Dingin 4 hari 6.52 6.59 6.62 6.65
8 hari 6.19 6.22 6.31 6.68
0 bulan 7.58 7.74 7.68 7.85
Beku 1 bulan 6.78 6.74 6.72 6.78
2 bulan 6.46 6.41 6.45 6.51
Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah,
ditunjukan pada Gambar 8.2.1 di bawah ini, kemudian pada Kolom Name ketik Suhu, Lama,
Ulangan dan pH, pada Kolom Type Numeric, kolom Label ketik Suhu, Lama Penyimpanan,
Ulangan dan pH Daging seperti tampak pada Gambar 1.11
Klik pada Kolom Value pada baris 1, maka muncul Gamabar 8.2.2
Ketik anggak 1 kotak Value dan Dingin Value Label, kemudian Klik Add
Ketik anggak 2 kotak Value dan Beku Value Label, kemudian Klik Add Klik OK
Klik tanda ►untuk menjalankan Syntax, maka diperoleh hasil nalisis dibawah ini :
Aplikasi SPSS dalam Bioststistika 144
Univariate Analysis of Variance
Tests of Between-Subjects Effects
Dependent Variable: pH Daging
Kesimpulan :
Pada suhu dingin terjadi penurunan pH daging yang nyata (P<0,05) dari 0 hari
ke lama penyimpanan 4 hari demikinan juga dari 4 jam ke- 8 hari.( Lihat Batas bawah
Gambar 8.2.11. Define Simple Boxplot Summares for Groups for Cases
Grafik boxplot menunjukka boxplot pH pada suhu dingin dan suhu beku kordinatnya
tidak ada yang berpotongan, maka dapat disimpulkan terjadi penurunan pH daging ayam
yang nyata (P<0.05) baik yang disimpan pada suhu dingin ataupun suhu beku.
Analisis Regresi.
Analisis reresi diperlukan untuk mencari hubungan antara Lama penyimpanan pada suhu
Dingin dan suhu Beku dengan pH daging ayam. Oleh karena suhu dingin disimpan pada 0, 4,
dan 8 hari, sedangkan pada suhu beku disimpan pada 0, 1 dan 2 bulan, maka analisis regresi
dilakukan secara terpisah pada kedua suhu tersebut
Persamaan garis Regresi dugaannya sebagai berikut :
Suhu Dingin : Y1 = o + 1D + 2D2
Suhu Beku : Y2 = o + 1B + 2B2
Kita kembali ke Vareible View Gambar 8.2.8., Ketik pada Name D, B, Y1 dan Y2, pada Kotak
Decimals Ketik 0, 0, 2 dan 2, pada Kolom Label Ketik Lama Simpan (Hari) pada Suhu Dingin, L
ama Simpan (Bulan) pada Suhu Beku, pH Daging Ayam dan pH Daging Ayam
Analisis Deskriptif.
Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data,
dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya
adalah Std Deviation (Standar Deviasi). dari fertilitas telur ayam buras pada Sistem
Pemeliharaan dan periode Peneluran yang berbeda.
Kesimpulan :
Sistem perkandangan berpengaruh sangat nyata (P<0,01) terhadap fertilitas telur
ayam buras (Lihat Sig. 0,000<0,01).
Periode Peneluran berpengaruh sangat nyata (P<0,01) terhadap fertilitas telur
ayam buras (Lihat Sig. 0,000<0,01).
Tidak terdapat interaksi yang nyata (P>0,05) antara Faktor Utama (system
perkandangan) dengan Faktor Tambahan (Periode Peneluran). Liuhat
SISTEM*PERIODE Sig. 0,241>0,05.
Estimated Marginal Means
1. Sistem Pemeliharaan
Estimates
Dependent Variable: Fertilitas
95% Confidence Interval
Sistem Mean Std. Error Lower Bound Upper Bound
Pemeliharaan
1 69.523 2.226 64.927 74.118
2 83.492 2.226 78.897 88.087
3 85.672 2.226 81.077 90.267
Kesimpulan :
Fertilitas telur ayam buras Sistem pemeliharaan 1 berbeda sangat nyata
(P<0,01) dibandingkan dengan system pemeliharaan 2, sedangkan antara system
pemeliharaan 2 dengan 3 tidak berbeda nyata (P>0,05). Lihat Sig 1 dengan 2 dan 1
dengan 3 sebesar 0,000<0,01, sedangan sig 2 dengan 3 sebasar 0,495>0,05 atau lihat
table yang diatasnya lagi 2 dengan 3 berpotongan yaitu batas atas 2 (88.087) lebih
besar dari batas bawan 3 (81.077).
Estimates
Dependent Variable: Fertilitas
95% Confidence Interval
Periode Peneluran Mean Std. Error
Lower Bound Upper Bound
1 69.206 2.226 64.611 73.801
2 80.275 2.226 75.680 84.871
3 89.205 2.226 84.610 93.801
Kita juga tidak bisa melakukan analisis rergresi, oleh karena kedua faktor bersifat
kualitatif, maka cukup digambar grafik barnya saja.
Prosedur pembuatan grafiknya adalah sebagai berikut :
Klik Graphs, lalu Klik Bar, pilh dan Klik Simple, Klik Define, maka muncul Gambar 8.3.7.
Keterngan Gafik :
Boxplot yang bats minimum dengan maksimumnya saling berpotongan pda kordintnya
menunjukkan tidak berbeda nyata (P>0.05), sedangkan yang tidak saling berpotongan pada
korninatnya menunjukkan berbeda nyata (P<0.05).
Kesimpulan Fertilitas telur antara periode peneluran 2 dengan 3 tidak terdapat perbedaan yang
nyata (P>0.05) pada ketiga system pemeliharaan, sedangkan antara periode 1 dean 3 terjadi
perbedaan yang nyata (P<0.05) juga pada semua system pemeliharaan.
Seorang ingin mengetahui pengaruh Konsentrasi dan lama Desinfeksi Hidrogen Peroksida
(H2O2) terhadap jumlah bakteri E coli per ml air limbah RPH Pesanggaran Denpasar.
Konsentrasi Hidrogen Peroksida (H2O2) yang diberika 0,0%, 0,15%, 0,30% dan 0,45% dan lama
Desinfeksi 0, 2, 4 dan 6 jam. Pengambilan sampel air limbah sebanyak 8 liter untuk diberikan
perlakuan, yaitu dibagi menjadi 16 kombinasi perlakuan, dengan cara yang sama diulang
sebanyak 3 kali, dan pengambilan sampel dilakukan setiap 4 harti sekali.
Tabel 9.1.1. Jumlah Bakteri E. Coli (Data Transformasi Log Y.
Konsentrasi LamaDesinfeksi Kelompok (k)
Hidrogen Peroksida (i) Dalam Jam (j) 1 2 3
0 7.42 7.43 7.35
0,00% 2 7.93 7.98 8.00
4 8.87 8.91 8.89
6 8.90 9.06 8.90
0 7.20 6.99 7.08
0,15% 2 6.64 6.76 6.78
4 5.89 6.02 6.81
6 4.92 5.09 5.10
0 6.88 6.87 6.75
0,30% 2 5.79 5.71 6.08
4 5.62 5.51 5.58
6 4.73 4.80 4.86
0 5.92 6.28 5.79
0,45% 2 5.68 5.67 5.30
4 4.73 4.81 4.77
6 4.14 4.31 4.33
1 6.3288 16 1.44785
2 6.3875 16 1.43205
3 6.3981 16 1.41822
Total 6.3715 48 1.40228
Analisis Ragam
Analisis Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh Konsentrasi
Hidrogen Peroksida dan Lama Desinfeksi terhadap Log. Jumlah E coli air limbah RPH
Pesanggaran, apakah ada pengaruhnya atau tidak, apakah terdapat interaksi yang nyata antara
Konsentrasi Hidrogen Peroksida dengan lama desinfeksi (K*L). Disamping itu untuk
mengetahui pengaruh Kelompok terhadap Log Jumlah E coli air limbah RPH Pesanggaran
Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada perbedann mean
(rataan) Log jumlah E coli antara Konsentrasi Hidrogen Peroksida yang diberikan dan antara
lama desinfeksi 0, 2, 4, dan 6 jam yaitu dengan Uji Duncan. Prosedur analisis ragam dan uji
rataannya sebagai berikut :
Keterangan Grafik Boxplot : Rata-rata log jumlah E coli pada Boxplot dengan selang
kepercayaan 95% yang kordinatnya saling berpotongan menunjukkan tidak berbeda nyata
(P>0.05)m sedangkan yang kordinatnya tidak saling berpotongan menunjukkan berbeda nyata
(P<00.05).
Kesimpulan : Jumlah log bakteri E coli pada kosentrasi 0,00 ppm terjadi peningkatan yang nyata
(p<0.05) dari lama desinfeksi 0, 2, 4, dan 6 jama (boxplot tidak saling berpotongan)., sedangkan
jumlah log bakteri E coli pda kosentrasi hydrogen peroksida 0,15, 0.30 dan o.45 ppm terjadi
penurunan yang nyata (P<0.05).
Jumlah log bakteri E coli pada desinfeksi hydrogen peroksina pada lama desiunfeksi 0
jam antara 0.00 ppm tidak berbeda nyata (P>0.05) dengan 0.15 ppm, tetapi berbeda nyata dengan
0,30 ppm, demekian pula antara 0,30 ppm dengan 0,45 ppm. Julmah log E coli pada pada lama
desinfeksi 2 jam antara 0,30 ppm tidak berbeda nyata (P>0.05) dengan 0.45 ppm, sedangkan
pada lama desinfeksi 4 jam terjadi perbedaan yang nyata (P<0.05). Jumlah log bakteri E coli
pada lama desinfeksi 6 jam nyata (P<0.05) paling rendah pada kosentrasi hydrogen peroksida
Kita kembali ke Gambar 9.1.2, hilangkan atau delete Kelompoknya, lalu Klik Compute, maka
muncul Gambar 9.1.10.
ANOVA
Model Sum of df Mean Square F Sig.
Squares
Regression 61.783 1 61.783 92.765 .000b
1 Residual 30.637 46 .666
Total 92.420 47
Regression 70.558 2 35.279 72.615 .000c
2 Residual 21.863 45 .486
Total 92.420 47
Regression 82.250 3 27.417 118.610 .000d
3 Residual 10.171 44 .231
Total 92.420 47
Regression 87.799 4 21.950 204.216 .000e
4 Residual 4.622 43 .107
Total 92.420 47
Regression 89.936 5 17.987 304.139 .000f
5 Residual 2.484 42 .059
Total 92.420 47
Regression 90.279 6 15.047 288.153 .000g
6 Residual 2.141 41 .052
Total 92.420 47
Regression 90.672 7 12.953 296.381 .000h
7 Residual 1.748 40 .044
Total 92.420 47
a. Dependent Variable: Log Jumlah E coli
.
Gambar 9.3.4. Data View
Aplikasi SPSS dalam Bioststistika 183
Analisis Ragam.
Analisis Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh Unggas dan Jenis
terhadap Citarasa olahan dagingnya, apakah ada pengaruhnya atau tidak. Disamping itu juga
untuk mengatahui apakah ada pengarus atau variasi penelain antara Panelis. Uji LSD (Uji BNT)
dilakukan untuk mengetahui apakah ada perbedaan citarasa olahan daging itik, ayam Buras dan
ayam Broiler, sedangkan untuk mengetahui apadakan ada perbedaan citarasa antara Jenis pada
Itk, ayam Buras dan ayam Broiler dilakukan uji Confidence Interval pada taraf 0,05.
Prosedurnya sebagai berikut :
Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 9.3.5
Perhatika /DESIGN = Panelis Unggas Unggas*Jenis. Jadi dalam Design Jenis, karena tersarang
pada unggas, demikian juga interaksi antara Panelis dengan Unggas dan Jenis (Panelis*Unggas,
Panelis*Jenis) kapene kita buat modelnya tidak berinteraksi.
Ingat hasil analisis yang dianggap tidak penting tidak ditampilkan (didelete).
Aplikasi SPSS dalam Bioststistika 185
Univariate Analysis of Variance
Tests of Between-Subjects Effects
Dependent Variable: Citarasa
Type III Sum of
Source Squares df Mean Square F Sig.
a
Corrected Model 33.726 10 3.373 148.367 .000
Intercept 1104.640 1 1104.640 48595.177 .000
Panelis .036 2 .018 .798 .467
Unggas 18.050 2 9.025 397.018 .000
Unggas * Jenis 15.640 6 2.607 114.672 .000
Error .364 16 .023
Total 1138.730 27
Corrected Total 34.090 26
a. R Squared = .
989 (Adjusted R Squared = .983)
Kesimpulan :
Panelis tidak berpengaruh nyata(P>0,05) terhadap citarasa daging olahan (lihat
PANELIS Sig 0,467>0,05), hal ini berarti tidak ada variasi diantara Panelis yang
mengetest citarasa olahan daging tersebut. Unggas berpengaruh sangat nyata
(P<0,01) terhadap citarasa daging olahan (lihat UNGGAS Sig 0,000<0,01). Klasfikasi
unggas/Jenis unggas pada itik, ayam buras dan ayam Broiler berpengaruh sangat
nyata (P<0,01) terhadap citarasa daging olahan (lihat UNGGAS*JENIS Sig.
0,000<0,01)
Estimated Marginal Means
1. Unggas
Estimates
Dependent Variable: Citarasa
95% Confidence Interval
Unggas Mean Std. Error Lower Bound Upper Bound
a
Itik 6.178 .050 6.071 6.284
a
Ayam Buras 5.522 .050 5.416 5.629
a
Ayam Broiler 7.489 .050 7.382 7.595
a. Based on modified population marginal mean.
Pairwise Comparisons
Dependent Variable: Citarasa
95% Confidence
d
Mean Interval for Difference
(I) Difference Std. Lower
d
Unggas (J) Unggas (I-J) Error Sig. Bound Upper Bound
*,b,c
Itik Ayam Buras .656 .071 .000 .505 .806
*,b,c
Ayam Broiler -1.311 .071 .000 -1.462 -1.160
*,b,c
Ayam Itik -.656 .071 .000 -.806 -.505
*,b,c
Buras Ayam Broiler -1.967 .071 .000 -2.117 -1.816
*,b,c
Ayam Itik 1.311 .071 .000 1.160 1.462
Broiler *,b,c
Ayam Buras
Dependent Variable: Citarasa 1.967 .071 .000 1.816 2.117
Citarasa Olahan daging itik jenis 1 (itik Petelur Afkir berbeda nyata (P<0,05)
dibandingkan dengan citarasa olahan daging itik Jenis 2 (muda jantan) dan jenis 3 (muda betina),
sedangkan citarasa olahan daging antara itik muda jantan dengan muda betina tidak berbeda
nyata (P>0,05). Lihat batas bawah dan atas pada selang kepercayaan 95% (95% Confidence
interval) antara jenis 1 tidak berpotongan dengan jenis 2 dan 3 (batas bawah jenis 1=5.651 lebih
kecil dari batas atas jenis 2), sedangkan antara jenis 2 berpotongan dengan jenis 3 (batas bawah
jenis 3 = 6.651 lebih besar dari batas atas jenis 2 =6.415). yaitu batas atas jenis 3 = 6,651 berada
diantara 6,415 dan 6,765).
Citarasa daging olahan Ayam Buras Jenis 1(ayam buras muda) berbeda nyata (P<0,05)
dibandingkan dengan citarasa olahan daging ayam buras jenis 2 dan 3 (betina afkir dan jantan
aduan), demikian juga citarasa daging olahan betina apkir nyata(P<0,05) lebih enak daripada
jantan aduan. Lihat batas bawah dan atas pada selang kepercayaan 95% ( 95% Confidence
interval) antara ketiga jenis ayam buras tidak ada yang berpotongan.
Citarasa daging olahan Ayam Broiler Jenis 1(umur 4 minggu) nyata (P<0,05) kurang
enak dibandingkan dengan citarasa olahan daging ayam Broiler jenis 2 (umur 7 minggu) dan
nyata (P<0,05) lebih enak dibandingkan dengan ayam broiler jenis 3 (umur 8 minggu). Citarasa
daging olahan ayam Broiler umur 7 minggu nyata (P<0,05) paling enak dibandingkan dengan
umur 4 dan 8 minggu. Lihat batas bawah dan atas pada selang kepercayaan 95% (95%
Confidence interval) antara ketiga jenis ayam Broiler tidak ada yang berpotongan.
Komprter telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah,
ditunjukan pada Gambar 9.3.1. di bawah ini. kemudian pada Kolom Name ketik Jenis, L,
Kelompok dan Koliform, pada Kolom Type Numeric, pada Kolom Decimal ketik 0, 0, 0 dan 2,
Kolom Label ketik Jenis Desinfektan, Lana Pengamatan (Jam), Kelompok dan Log Jumlah
Koligorm seperti tampak pada Gambar 9.3.1.
.
Gambar 9.3.4. Kotak dialog Means
Klik Log Jumlah Koliform, pindahkan dengan tanda ►ke Dependent List
Klik Konsentrasi Jenis, pindahkan dengan tanda ►ke Independent List
Klik Lama Pengamatan , pindahkan dengan tanda ►ke Independent List
Klik Kelompok, pindahkan dengan tanda ►ke Independent List
Klik OK, maka diperoleh hasil analisisnya sebagai berikut :
Means
Log Jumlah Koliform * Jenis Desinfeksi
Log Jumlah Koliform
Jenis Desinfeksi Mean N Std. Deviation Sum
Jenis A 7.9217 12 .65840 95.06
Jenis B 7.6758 12 .81253 92.11
Jenis C 7.4175 12 .98851 89.01
Total 7.6717 36 .83332 276.18
Analisis Ragam.
Analisis Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh Kelompok, Jenis
Desinfektan dan Lama Pengamatan terhadap Log Jumlah Koliform air limbah RPH apakah ada
pengaruhnya atau tidak. Disamping itu juga untuk mengatahui apakah ada Interaksi antara Jenis
Desinfektan dengan Lama Pengamatan. Uji Duncan dilakukan untuk mengetahui apakah ada
perbedaan Log Jumlah Koliform antara Jenis Desinfektan yang diberikan dan antara Lama
Pengamatan yang dilakuklan., sedangkan untuk mengetahui perbedann Log Jumlah Koliform
antara lama Pengamatan pada masing-masing Jenis Desinfeksi yang diberikan dilakukan uji
Confidence Interval pada taraf 0,05. Prosedurnya sebagai berikut :
Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 9.3.5
Kesimpulan :
Kesimpulan :
Keterangan Grafik Boxplot : Rata-rata log jumlah Koliform pada Boxplot dengan selang
kepercayaan 95% yang saling berpotongan menunjukkan tidak berbeda nyata (P>0.05),
sedangkan yang tidak saling berpotongan menunjukkan berbeda nyata (P<00.05).
Kesimpulan : Jumlah log Kolifor pada desinfeksi jenis A, B dan C terjadi penurunana yang nyata
(P<0.05) antara lama pengamatan 0 jam dengan 2 jam dan antara 2 jam dengan 4 jam, sedangkan
antara 4 jam dengan 6 jam tidak terjadi penerunan yang nyata (P>0.05).
Analisis Regresi
Ploting data dengan Scater Dot dilakukan sebelum melakukan analisis Regresi, yaitu
dengan jalan :
Klik Graphs ►Legacy Dialogs, lalu klik Scatter/Dot, pilih Simple, ;lalu klik Define, maka
mumcul Gambar 9.3.8. Pindahkan ► Log Jumlah Kolifor ke Y xis, ►Lm Pengamatan ke X
Axis dan Jenis Desinfeksi ke Set arkers by sepert Gambar 9.3.8.
ANOVA
Sum of Squares df Mean Square F Sig.
Regression 4.577 2 2.289 107.750 .000
Residual .191 9 .021
Total 4.768 11
The independent variable is Lama Pengamatan Jam).
Coefficients
Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
Lama Pengamatan Jam) -.372 .066 -1.320 -5.652 .000
Lama Pengamatan Jam) ** 2 .016 .011 .361 1.545 .157
(Constant) 8.811 .082 107.431 .000
Coefficients
Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
Lama Pengamatan Jam) -.711 .119 -1.681 -5.980 .000
Lama Pengamatan Jam) ** 2 .052 .019 .767 2.730 .023
(Constant) 8.826 .148 59.564 .000
Hasil analisis regresi dari 3 jenis desinfektan selama pengamatan adalah sebagai berikiu :
Jenis A : Y = 8.811 – 0.372 L + 0.016L2 , dengan R2 = 0.960
Jenis B : Y = 8.826 – 0.542 L + 0.034L2 , dengan R2 = 0.975
Jenis C : Y = 8.826 – 0.711 L + 0.052L2 , dengan R2 = 0.942
Ketida persamaan yang diperoleh pada saat pengamatan 0 jam hamper sama, hanya kecepatan
penurunannya yang berbeda-beda, untk melihat lebih jelas kita gambar dalam satu salib sumbu
yang sama, dengan membuat data view dengann memasukkan persamaan regresi yang diperoleh.
Gambar 9.3.15 Data View Log Jumlah Koliform Tiga Jenis Desinfeksi
Klik Graph, ►pilih Legacy Dialogs, klik Line, klik Summaries of Separate Variables, klik
Define, maka diperoleh Gambar 9.3.16
Agus Irianto. (2010). Statistika Konsep, Dasar, Aplikasi, dan Pengembangannya. Jakarta:
Kencana Prenada Media Group.
Budiarto, Eko, 2002. Biostatistik untuk Kedokteran dan Kesehatan Masyarakat. Dalam: Arlinda
Sari Wahyuni. 2007. Statistika Kedokteran
Gaspersz. V. 1995. Teknik Analisis dalam Penelitian Percobaan Jilid 1. Penerbit Tarsiko
Bandung.
Hastono Priyo Sutanto dan Sabri Luknis.2011. Statistik Kesehatan. PT Rajagrafindo Persada,
Jakarta. 2011
Hicks, C. H. 1982. Fundamental Concepts in the Design of Experiment, Publ. SBS Collage.
Hosmer, D.W. and S Lemeshow. 1989. Applied Logistic Regression, John Willy & Sones,
New York.
Media spss. 2015. Cara Menggunakan SPSS dalam Pengolahan Data Statistik.
http://mediaspss.blogspot.com/2015/05/cara-menggunakan-spss-untuk-mengolah.html
Musa, M.S. dan A.H. Nasioetion. 1989. Bahan Pengajaran Perancangan Percobaan dan Analisis
Percobaan Ilmiah. Pusat Antar Universitas Ilmu Hayati, IPB.
Rawlings, J.O. 1988. Applied Regression Analysis. A Research Tool. North Carolina State
University Wadawart& Brooke Pacific Grove, California.
Richard, D,R. and M.A. Scort. 1985. Statistic with Applications to the Biological and Health
Science Second edition. Pretice-Hall, Inc. Englewood Cliffs, New Jersey.
Riyanto, Agus. (2009). Pengolahan Data Dan Analisis Data Kesehatan. Yogyakarta: Nuha
Medika
Sampurna, I P. dan T.S. Nindhia. 2008. Analisis Data dengan SPSS dalam Rancangan
Percobaan. Penerbit Udayana Press. ISBN:978-979-8286-40-7. Cetakan I. Mei 2008
Sampurna, I P. 2012. Analisis Regresi Non Linier Terapan dengan SPSS. Peherbit
Pelawa Sari. ISBN 978-602-8409-30-8. Edisi Cetakan I. Juni 2012
Santoso, Singgih. 2014. SPSS. Mengolah Data Statistik secara Profesional, Jakarta: PT Elex
Media Komputindo
Santoso, Singgih. 2014. Statistik Multivariat Edisi Revisi Konsep dan Aplikasi dengan SPSS.
Jakarta: PT Elex Media Komputindo.