Aplikasi Spss Dalam Biostatistika A 1534801775

VIII. PENELITIAN DUA VARIABEL BEBAS TANPA VARIABEL PENGGANGGU.
8.1. Klasifikasi Silang (Rancangan Acak LingkapPola Faktorial).

Seorang Peneliti ingin mengetahui pengaruh jenis ekstrak bawang putih (Allium sativum
L) yaitu kontrol (tanpa ekstrak bawang putih), ekstrak bawang putih lokal dan ekstrak bawang
putih import dan jangka waktu penyimpanan pada suhu 5o C (dingin) yaitu : 0, 3, 6, dan 9 hari
terhadap angka lempeng total bakteri (ALTB) pada daging sapi. Penelitian ini menggunakan 4
ulangan dengan berat masing-masing 30 gram, sehingga jumlah sampel yang digunakan
sebanyak 3x4x4=48 sampel daging sapi.
Tabel 8.1.1. Data Log Angka Lempeng Total Bakteri (Log ALTB).:
Jenis Lama Ulangan (k)
Bawang Simpan
Putih (i) Hari (j) 1 2 3 4
0 6.01 5.99 6.11 5.95
Kontrol 3 7.33 7.28 7.11 7.51
6 8.28 7.95 8.37 8.17
9 9.86 9.73 10.06 9.80
0 5.35 5.19 5.54 5.29
Lokal 3 6.17 5.98 5.94 6.12
6 7.74 7.75 7.82 7.76
9 8.79 8.48 8.68 8.71
0 5.43 5.11 5.18 5.31
Import 3 5.98 5.78 5.92 5.81
6 6.76 6.82 6.81 6.77
9 7.79 7.73 7.94 7.80
Memasukkan data melalui Programe
Kompurter telah siap dengan Program SPSS, Klik Variable View pada pojok keri bawah,
ditunjukan pada Gambar 8.1.1 di bawah ini, kemudian pada Kolom Name ketik, Jenis, L,
Ulangan dan ALTB, pada Kolom Type Numeric, kolom Label ketik Jenis Bawang Putih, Lama
Simpan, Ulangan dan Log. ALTB seperti tampak pada Gambar 8.1.1.
Gambar 8.1.1. Kotak Diolog Variable View
Aplikasi SPSS dalam Bioststistika 121

Klik pada pojok kiri atas pada baris 1 yaitu Jenis, kolom Values, maka muncul Gambar 8.1.2.
Gambar 8.1.2 Kotak Diolog Value Labels

Ketik angka 1 pada kotak Value, ketik Kontrol pada kotak Value Label, kemudian Klik Add
Ketik angka 2 pada kotak Value, ketik Lokal pada kotak Value Label, kemudian Klik Add
Ketik angka 3 pada kotak Value, ketik Import pada kotak Value Label, kemudian Klik Add
Kelik OK, maka kembali ke Gambar 1.9, kemudian Klik Data View pada pojok kiri bawah,
maka muncul Gambar 8.1.3.
Lengkapi atau salin data Tabel 8.1.1. seperti tertera pada Gambar 8.1.3
Gambar 8.1.3. Data View

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 Log ALTB pada jenis ekrtak bawang putih yang
berbeda dan lama simpan selama 9 hari.yaitu 0, 3, 6 dan 9 hari) .
Klik : Analyze Gambar 8.1.3., pilih Compare Means, kemudian Klik Means, maka muncul
Gambar 8.1.4.
Klik Log ALTB, pindahkan dengan tanda► ke kotak Dependent List
Klik Jenis Esktrak Bawang Putih, pindahkan dengan tanda► ke kotak Independent List
Klik Lama Simpan(L), pindahkan dengan tanda► ke kotak Independent List
Gambar 8.1.4. Kotak Diolog Mean
KLik OK, maka diperoleh hasil beriklut :

Means
Log ALTB * Jenis Ekstrak Bawang Putih
Log ALTB
Jenis Ekstrak Mean N Std. Sum
Bawang Putih Deviation
Kontrol 7.8444 16 1.45074 125.51
Lokal 6.9569 16 1.36999 111.31
Import 6.4338 16 1.00154 102.94
Total 7.0783 48 1.39178 339.76
Log ALTB * Lama Simpan
Log ALTB
Lama Mean N Std. Sum
Simpan Deviation
0 5.5383 12 .37136 66.46
3 6.4108 12 .67640 76.93
6 7.5833 12 .62103 91.00
9 8.7808 12 .88427 105.37
Total 7.0783 48 1.39178 339.76

Analisis Ragam.
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 :
Gambar 8.1.5. Kotak Dialog Univariate
Klik Log ALTB, pindahkan dengan tanda► ke kotak Dependent List

Klik Jenis Ekstrak Bawang Putih (Ekstrak), pindahkan dengan tanda► ke kotak Fixed Factor(s)
Klik Lama Simpan(L), pindahkan dengan tanda► ke kotak Fixed Factor(s)
Klik Post Hoc, maka muncul Gambar 8.1.6.
Klik Ekstrak, pindahkan dengan tanda► ke kotak Post Hoc Test for
Klik L, pindahkan dengan tanda► ke kotak Post Hoc Test for
Berikan tanda V pada Duncan
Klik Continu, maka kembali ke Gambar 8.1.5.

Gambar 8.1.6. Kotak Diolog Univariate Post Hoc
Klik Options, maka muncul Gambar 8.1.7.
Gambar 8.1.6. Univariate Options

Klik Paste, maka muncul Gambar 8.1.7., lalu Klik Paste, maka muncul Gambar 8.1.8.
Gambar 8.1.8. Kotak Diolog Syntax

Perhatikan /DESIGN = Ekstrak L Ekstrak*L . bila tidak sama, harus disamakan dengan yang
tertera pada Gambar 8.1.8., jika tidak hasilnya akan berbeda.
Klik tanda ►untuk menjalankan Syntax, maka diperoleh hasil analisis sebagai beriku :
Univariate Analysis of Variance
Tests of Between-Subjects Effects
Dependent Variable: Log ALTB
Source Type III Sum of df Mean F Sig.
Squares Square
Corrected Model 90.517a 11 8.229 565.017 .000
Intercept 2404.935 1 2404.935 165129.970 .000
Ektrak 16.273 2 8.136 558.675 .000
L 71.648 3 23.883 1639.861 .000
Ektrak * L 2.596 6 .433 29.710 .000
Error .524 36 .015
Total 2495.976 48
Corrected Total 91.042 47
a. R Squared = .994 (Adjusted R Squared = .992)
Kesimpulan :
Hasil Analisis Varian menunjukkan bahwa Ekstrak bawang putih dan jangka
waktu penyimpanan (L) berpengaruh sangat nyata (P<0,01) terhadap log ALTB daging
sapi yang disimpan pada suhu dingin (lihat Sig .000<0,01).
Terdapat interaksi yang sangan nyata (P<0,01) antara jenis ekstrak bawang
putih dengan jangka waktu penyimpanan tehadap log ALTB daging sapi yang disimpan
pada suhu dingin.
Estimated Marginal Means
Jenis Ekstrak Bawang Putih * Lama Simpan
Dependent Variable: Log ALTB
Jenis Ekstrak Lama Mean Std. 95% Confidence
Bawang Putih Simpan Error Interval
Lower Upper
Bound Bound
0 6.015 .060 5.893 6.137
3 7.307 .060 7.185 7.430
Kontrol
6 8.192 .060 8.070 8.315
9 9.863 .060 9.740 9.985
0 5.342 .060 5.220 5.465
3 6.052 .060 5.930 6.175
Lokal
6 7.767 .060 7.645 7.890
9 8.665 .060 8.543 8.787
0 5.257 .060 5.135 5.380
3 5.872 .060 5.750 5.995
Import
6 6.790 .060 6.668 6.912
9 7.815 .060 7.693 7.937

Log ALTB
Duncan
Jenis Ekstrak Bawang Putih N Subset
1 2 3
Import 16 6.4338
Lokal 16 6.9569
Kontrol 16 7.8444
Sig. 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 = 16.000.
b. Alpha = .05.
Kesimpulan :
Hasil Uji Duncan pada Alpha 0,05 menunjukkan bahwa terdapat perbedaan yang nyata
(P<0,05) log jumlah ALTB antara ketiga jenis ekstrak bawang putih yang diberikan pada daging
sapi yang disimpan pada suhu dingin.
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
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

Gambar 8.1.9. Data View Mean, Batas Minimum dan Maksimum
Klik Graphs, ►cari Legacy Dialogs, pilih Boxplot, klik Clustered, pilih Summaries for Goups
of Cases, kemudian klik Deine, maka muncul Gambar 8.1.10

Gambar 8.1.10. Define Clustered Summaries for Goups of Case
Klik OK, maka diperoleh grafik sebagai berikut :

Keterangan Grafik :
Boxplot yang batas minimum dengan maksimumnya saling berpotongan pada kordinatnya
menunjukkan tidak berbeda nyata (P>0.05), sedangkan yang tidak saling berpotongan pada
kordinatnya menunjukkan berbeda nyata (P<0.05).
Jadi dapat disimpulkan pada penyimpanan 0 hari log ALTB antara control berbeda nyata
(P<0.05) dibandingkan dengan yang diberikan ekstrak bawang putih local dan Impor,
sedangakan log ALTB antara yang diberikan ekstrak bawang putih local dengan Import tidak
berbeda nyata (P>0.05), demikian juga setelah di simpan 3 hari. Tetapi setelah disimpan 6 dan 9
hari terjadi perbedaan yang nyata (P<0.05) antara kontrol dengan yang diberikan ekstrak bawang
putih local, demikianjuga antra local dengan import. Log ALTB dari hari ke-0 sampai dengan
hari ke 9 terjadi peningkatan yang nyata (P<0.05) pada kontrol maupun yang diberikan ekstrak
bawang putih local dan import.
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

Gambar 8.1.11. Kotak Dialog Variable View
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
Gamba 8.1.12. Data View.

Klik Graphs, cari Lagacy Dialogs ►klik Scatter/Dot.., maka uncul Gambar 8.1.13.,
Pilih Overlay Scatter, klik Difine, maka uncul Gambar 8.1.11.
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
Gambar 8.1.14. Overlay Scatterplot
Klok Ok, maka diperoleh Gambar BerikuT ;
Y1=βo+β1X+β2X2+β3X3
Y2=βo+β1X+β2X2+β3X3
Y3=βo+β1X+β2X2

Cari βo, β1, β2 dan β3, dengan cara melakukan anlisis regresi korelasi
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.
Gambar 8.1. 15 Curve Estimation Cubic
Klik Ok, maka diperoleh hasil sebagai berikut :
Curve Fit
Log ALTB Kontrol
Cubic
Model Summary
Adjusted R Std. Error of the

R R Square Square Estimate
.996 .992 .990 .146
The independent variable is Lama Simpan (Hari).
ANOVA
Sum of Squares df Mean Square F Sig.
Regression 31.333 3 10.444 492.569 .000

Residual .254 12 .021
Total 31.588 15
Coefficients

Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
Lama Simpan (Hari) .631 .093 1.506 6.776 .000

Lama Simpan (Hari) ** 2 -.089 .027 -1.993 -3.240 .007
Lama Simpan (Hari) ** 3 .007 .002 1.534 3.665 .003
(Constant) 6.016 .073 82.625 .000
Log ALTB Lokal

Cubic
Model Summary

.997 .994 .993 .114

ANOVA
Regression 27.983 3 9.328 713.535 .000

Residual .157 12 .013
Total 28.140 15

Coefficients
Standardized
Lama Simpan (Hari) -.134 .073 -.340 -1.837 .091

Lama Simpan (Hari) ** 2 .157 .022 3.731 7.292 .000
Lama Simpan (Hari) ** 3 -.011 .002 -2.480 -7.121 .000
(Constant) 5.344 .057 93.483 .000
Log ALTB Import

Cubic
Model Summary

.996 .992 .990 .098

ANOVA
Regression 14.935 3 4.978 517.798 .000

Residual .115 12 .010
Total 15.050 15

Coefficients
Standardized
Lama Simpan (Hari) .130 .063 .449 2.072 .060

Lama Simpan (Hari) ** 2 .029 .018 .930 1.550 .147
Lama Simpan (Hari) ** 3 -.001 .001 -.386 -.945 .363
(Constant) 5.259 .049 107.263 .000
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
Gambar 8.1. 16. Curve Estimation Quadratic

Dengan cara yang sama (lihat Gambar 8.1.13., coba kita pilih (centang Quadratic), lalu OK,
maka diperoleh hasil sebagai berikut :
Log ALTB Import

Quadratic
Model Summary

.996 .992 .990 .098

Coefficients
Standardized
Lama Simpan (Hari) .184 .025 .637 7.226 .000

Lama Simpan (Hari) ** 2 .011 .003 .369 4.189 .001
(Constant) 5.248 .048 110.283 .000
Coefficients
Standardized
Lama Simpan (Hari) .184 .025 .637 7.226 .000

Lama Simpan (Hari) ** 2 .011 .003 .369 4.189 .001
(Constant) 5.248 .048 110.283 .000

Dengan model Kuadratik untuk bawang putih import, maka semua koefisien garis regresi
menjadi sangat nyata )P<0.01).
Jadi dapat disimpulkan persamaannya sebagai berikut :
Kontro : Y1 = 6.016 +0.631L -0.089L2 + 0.007L3
Bawang putih Lokal : Y2 =5.344 + 0.143L – 0.157L2 + 0.011L3
Bawang putih Import : Y3 =5.248 + 0.184L – 0.011L2
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.
.Gambar 8.1.17. Kotak Dialog Variabel View.

Klik Data View, maka muncul Gambar 8.1.15.
Ketik data pada kolom L angka 0 – 9,. Klik Tranform, kemudian pilih dan Klik Compute,
maka muncul Gambar 12.9
Ketik Yi pada kotak Target Variable, dan 6.016+0.631*L -0.089*L**2 + 0.007*L**3
Expression, kemudian Klik OK, dengan cara yang ketik 6.016 +sama ketik Y2 pada
kotak Target Variable, dan ketik 5.344 - 0.134*L + 0.157*L**2 - 0.011*L**3 Numeric
Expression, kemudian Klik OK
Ketik Y3 pada kotak Target Variable, dan ketik 5..248 + 0.184*L + 0.0112*L**2 pada
Numeric Expression, kemudian Klik OK

Gambar 8.1.18 Data View.
Klik Graphs, cari Lagacy Dialogs ►klik Line.,Pilih Ultipler, klik Difine, maka muncul Gambar
8.1.16, ingat tandai Summaries of Separate Variables
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.
Gambar 8.1.19. Difine Multiple Line

Klik Ok, maka diperoleh Gambar sebagi beriku:
8.2. Klasifikasi Tersarang (Rancangan Acak Lingkap Pola Tersarang
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

Gasmbar 8.2.1. Kotak Dialog Variabele View
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
Gambar 8.2.2 Value Label Suhu

Klik pada Kolom Value pada baris 2, maka muncul Gamabr 8.2.3.
Ketik anggak 1 kotak Value dan 0 Jam Value Label, kemudian Klik Add
Ketik anggak 3 kotak Value dan 0 Bulan Value Label, kemudian Klik Add
Ketik OK

Gambar 8.2.3. Value Label Lama.
Klik Data View pada pojok kiri bawah, maka muncul Gambar 8.2.4.
Salinlah data pada Tabel 8.2.1. pada Kolom Suhu, Lama, Ulangan dan pH, seperti yang tampak
pada Gambar 8.2.4.
Gamabar 8.2.4 Data View

Analisis Ragam.
Analisis Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh Suhu
Penyimpanan dan Lama Penyimpanan pada suhu Dingin dan Suhu Beku terhadap pH daging
ayam, apakah ada pengaruhnya atau tidak. Oleh karena suhu penyimpanan hanya ada 2 taraf
yaitu suhu Dingin dan suhu beku maka tidak perlu dilakukan uji lanjutan baik LSD maupun
Duncan, sedangkan untuk mengetahui apakah ada perbedaan pH antara lama penyimpanan
dilakukan penetapan Confidence Interval pada taraf 0,05. Prosedurnya sebagai berikut :
Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 8.2.5.
Gamabar 8.2.5 Kotak Dialog Univaiate

Klik pH Daging, pindahkan dengan tanda ►ke Dependent Variable
Klik Suhu, pindahkan dengan tanda ►ke Fixed Factor(s)
Klik Lama Penyimpanan, pindahkan dengan tanda ► ke Fixed Factor(s)

Gambar 8.2.6. Univarate Options
Klik Suhu*Lama, pindahkan dengan tanda ►ke Display Means for
Klik Contionue, maka kembali ke Gambar 8.2.5.
Klik Paste, maka muncul Gambar 8.2.8.
Perhatikan /DESIGN + Suhu Suhu*Lama. , periksa yang tampak pada layer computer
apakah sudah sesuai, jika belum sesuaikan
Gambar 8.2.7. Dialog Syntax
Klik tanda ►untuk menjalankan Syntax, maka diperoleh hasil nalisis dibawah ini :
Dependent Variable: pH Daging
Type III Sum of

Source Squares df Mean Square F Sig.
a
Corrected Model 6.273 5 1.255 107.517 .000
Intercept 1137.953 1 1137.953 97515.595 .000
Suhu .191 1 .191 16.352 .001
Suhu * Lama 6.083 4 1.521 130.309 .000
Error .210 18 .012
Total 1144.436 24

Kesimpulan :
Suhu Penyimpanan berpengaruh sangat nata (P<0,01) terhadap pH Daging (lihat
Sig 0,001<0,01). Jadi rata-rata pH daging yang disimpan pada suhu dingin berbeda
sangat nyata (P<0,01) dibandingkan dengan yang disimpan pada suhu beku.
Lama penyimpanan berpengaruh sangat nyata (P<0,01) papa suhu dingan dan
suhu beku (liaht Suhu*Lama Sig. 0,000<0,01).
Suhu * Lama
Dependent Variable: pH Daging
95% Confidence Interval
Suhu Lama Mean Std. Error Lower Bound Upper Bound
0 Jam 7.445 a .054 7.332 7.558

Dingin 4 Jam 6.595 b .054 6.482 6.708
8 Jam 6.350 c .054 6.237 6.463

0 Bulan 7.713 a .054 7.599 7.826
Beku
1 Bulan 6.755 b .054 6.642 6.868
2 Bulan 6.457 c .054 6.344 6.571
a. This level combination of factors is not observed, thus the corresponding

population marginal mean is not estimable.
Kesimpulan :
Pada suhu dingin terjadi penurunan pH daging yang nyata (P<0,05) dari 0 hari
ke lama penyimpanan 4 hari demikinan juga dari 4 jam ke- 8 hari.( Lihat Batas bawah

dan batas atas pada 95% Confidence Interval tidak ada yang berpotongan berarti nyata
(P<0,05), sebalinya kalau berpotongan erarti tidak nyata (P>0,05))
Pada suhu beku juga terjadi penurunan pH daging yang nyata (p<0,05) dari
penyimpanan 0 bulan sampai dengan 2 bulan ( Lihat Batas bawah dan batas atas pada
95% Confidence Interval tidak ada yang berpotongan berarti nyata (P,0,05) ),
sebaliknya kalau berpotongan berarti tidak nyata (P>0,05)).
Rata-rata i antara kedua factor dapat di gambar dengan grafik Boxplot dengan
aumsi ragam homogen. Buat Variabel, suhu, penyimpanan dan pH Gambar 8.2..8
Buat definisi variabel suhu dan penyimpanan Gambar 8.2.9
Gambar 8.2.9. Definisi Value Labels

Salin hasil mean atau rata-rata, batas ninimum dan maksimun dengan tingkat kepercayaa
95%, seperti Gambar 8.1.10
Gambar.8.2.10. Data View Mean, Batas Minimum dan Maksimum

Klik Graphs, ►cari Legacy Dialogs, pilih Boxplot, klik Clustered, pilih Summaries for Goups of
Cases, kemudian klik Deine, maka muncul Gambar 8.1.11
Gambar 8.2.11. Define Simple Boxplot Summares for Groups for Cases

Klik Ok, maka muncul grafik
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

Klik Data View pada pojok kiri bawah, maka muncul gambar 8.2.9.

Lengkapi Gambar 8.2.9. Kolom D, B, Y1 dan Y2 dengan Data seperti tampak pada gambar
tersebut
Klik Analisis, pilih Regession ► Klik Curva Estimation, maka muncul Gambar 8.2.10.

Gambar 8.2.10. Cuve Estimation
Klik pH Daging Ayam(Y1), pindahkan dengan tanda ►ke kotak Dependent
Klik Lama Simpan (Hari), pindahkan dengan tanda ►ke kotak Independent(s)
Ingat Centang Quadratic dan Display ANOVA table
Klik OK
Dengan cara yang sama seperti diatas :
Klik pH Daging Ayam(Y2), pindahkan dengan tanda ►ke kotak Dependent
Klik Lama Simpan (Bulan), pindahkan dengan tanda ►ke kotak Independent(s)
Klik Ok, maka diperoleh hasil analisis sebagai berikut :
pH Daging Ayam Suhu Dingin (Jam)
Quadratic
Model Summary
.970 .942 .929 .135
The independent variable is Suhu Dingin.
ANOVA
Regression 2.642 2 1.321 72.496 .000
Residual .164 9 .018
Total 2.806 11
The independent variable is Suhu Dingin.
Coefficients
Standardized
Suhu Dingin -.288 .043 -1.946 -6.698 .000
Suhu Dingin ** 2 .019 .005 1.063 3.659 .005
(Constant) 7.445 .067 110.305 .000
Y1 = 7.445 – 0.228D + 0.019D2

Y1 = 7.445 – 0.228D + 0.019D2
pH Daging Ayam Suhu Beku (Bulan)

Quadratic
Model Summary

.993 .987 .984 .072
The independent variable is Suhu Beku.

ANOVA
Regression 3.440 2 1.720 336.200 .000

Total 3.487 11
The independent variable is Suhu Beku.

Coefficients
Standardized
Suhu Beku -1.288 .091 -1.950 -14.120 .000
Suhu Beku ** 2 .330 .044 1.041 7.534 .000
(Constant) 7.713 .036 215.641 .000
Y2 = 7.713 – 1.228D + 0.330D2

Kesimpulan :
Perubahan pH daging selama penyimpanan pada suhu dingin mengalami penurunan yang
cukup cepat hinga hari ke4 selanjutnya penurunannya semakin lambat. Demikian penurunan pH
daging yang disimpan pada suhu beku terjadi penurunan yang cukup cepat hingga bulan ke-1,
selanjutnya penurunnannya semakin lambat.
8.3. Klasifikasi Berjenjang (Rancangan Acak Lingkap Pola Berjenjang).

Seorang peneliti ingin mengetahui perbedaan fertilitas telur ayam Buras yang dipelihara
dengan 3 sistem perkandangan yang berbeda, tiap sistem perkandangan diulang atau digunakan 5
buah kandang dan tiap kandang diisi dengan 5 ekor ayam buras betina dan 1 ekor ayam buras
jantan, sehingga dalam penelitian ini digunakan 75 ekor ayam buras betina dan 15 ekor jantan.
Fertilitas yang diamati sebanyak 3 kali yaitu pada periode peneluran pertama, kedua dan ketiga
sebagai faktor tambahan.
Tabel 8.3.1. Data Fertilitas Telur Ayam Buras.
Sistem Peride Ulangan (j)
Pemeliharaan(i) Peneluran(k) 1 2 3 4 5
1 50.00 57.14 50.00 50.00 62.50
1 2 71.43 71.43 75.00 71.43 83.33
3 83.33 62.50 85.71 85.71 83.33
1 75.00 75.00 87.50 66.67 71.43
2 2 85.71 71.43 71.43 87.50 85.71
3 100.00 87.50 100.00 87.50 100.00
1 75.00 85.71 71.43 85.71 75.00
3 2 100.00 71.43 83.30 75.00 100.00
3 87.50 87.50 100.00 87.50 100.00
ditunjukan pada Gambar 8.3.1. di bawah ini. kemudian pada Kolom Name ketik Sistem,
Periode, Ulangan dan Fertilitas, pada Kolom Type Numeric, pada Kolom Decimal ketik 0, 0, 0
dan 2, Kolom Label ketik Sistem Pemeliharaan, Periode Peneluran, Ulangan dan Fertilitas
Telur (%) seperti tampak pada Gambar 8.3.1.

Setelah kolom tersebut dilengkapi, kemudian Klik Data View pada pojok kiri bawah, maka
muncul Gambar 8.3.2.
Salinlah data Tabel 8,3.1 pada Kolom Sistem, Periode, Ulangan dan Fertilitas seperti tampak
pada Gambar 8.3.2.
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.

Klik : Analyze , pilih Compare Means, lalu Klik Means, maka muncul Gambar 8.3.3.
.Gambar 8.3.3. Kotak dialog Means

Klik Fertilitas Telur, pindahkan dengan tanda ►ke Dependent List
Klik Sistem Pemeliharaan, pindahkan dengan tanda ►ke Independent List
Klik Periode Peneluran, pindahkan dengan tanda ►ke Independent List
Klik OK, maka diperoleh hasil analisisnya sebagai berikut :
Means
Fertilitas * Sistem Pemeliharaan
Fertilitas
Sistem Pemeliharaan Mean N Std. Deviation
1 69.5227 15 13.4490
2 83.4920 15 11.1973
3 85.6720 15 10.6374
Total 79.5622 45 13.6309
Fertilitas * Periode Penelursn

Fertilitas
Periode Peneluran Mean N Std. Deviation
1 69.2060 15 12.8930
2 80.2753 15 10.1171
3 89.2053 15 10.0136
Total 79.5622 45 13.6309

Analisis Ragam.
Analisis Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh Sistem
Pemeliharaan dan Periode Peneluran terhadap Fertilitas telur ayam Buaras, apakah ada
pengaruhnya atau tidak. Disamping itu juga untuk mengatahui apakah interaksi antara Sistem
Pemeliharaan dengan Periode Peneluran. Uji LSD dilakukan untuk mengetahui apakah ada
perbedaan fertilitas antara Sistem Pemeriharaan yang berbeda dan Periode Peneluran yang
berbeda dan juga dilakukan Confidence Interval pada taraf 0,05. Prosedurnya sebagai berikut :

Klik Fertilitas, pindahkan dengan tanda ►ke Dependent Variable
Klik Sistem Pemeliharaan, pindahkan dengan tanda ►ke Fixed Factor(s)
Klik Periode Peneluran, pindahkan dengan tanda ►ke Fixed Factor(s)
Klik Ulangan, pindahkan dengan tanda ►ke Random Factor(s)
Klik Sistem, pindahkan dengan tanda ►ke kotak Displey Means for
Klik Periode, pindahkan dengan tanda ►ke kotak Displey Means for
Klik Sistem*Periode, pindahkan dengan tanda ►ke kotak Displey Means for
Ketik tanda V di depad Compare main effects, pilih LSD pada kotak di bawahnya

Gamabar 8.3.5. Univariate Options
Klik Continue, maka layer kembali ke Gambar 8.3.4., kemudian Klik Paste, maka muncul
Gambar 8.3.6..
Gambar 8.3.6. Kotak Dialog Syntax

Perhatikan /DESIGN = Sistem Sistem*Ulanagan Periode Sistem*Periode.
Pada layar komputer anda tentu designnya tidak sama dengan yang tampak pada Gambar 6.13.
harus disamakan, jika tidak hasil analisisnya akan berbeda.
Untuk menjalankan Syntax Klik tanda ►maka diperoleh hasil analisisnya, sebagai berikut :

Dependent Variable: Fertilitas
Source Type III Sum Df Mean Square F Sig.
of Squares
Intercept Hypothesis 284856.624 1 284856.624 5361.437 .000
Error 637.568 12 53.131
Sistem Hypothesis 2303.478 2 1151.739 21.677 .000
Error 637.568 12 53.131
Siatem * Ulangan Hypothesis 637.568 12 53.131 .715 .723
Error 1784.590 24 74.358
Periode Hypothesis 3011.242 2 1505.621 20.248 .000
Error 1784.590 24 74.358
Sistem * Periode Hypothesis 438.357 4 109.589 1.474 .241
Error 1784.590 24 74.358
a MS(SISTEM * ULANGAN)
b MS(Error)
Kesimpulan :
Sistem perkandangan berpengaruh sangat nyata (P<0,01) terhadap fertilitas telur
ayam buras (Lihat Sig. 0,000<0,01).
Periode Peneluran berpengaruh sangat nyata (P<0,01) terhadap fertilitas telur
ayam buras (Lihat Sig. 0,000<0,01).
Tidak terdapat interaksi yang nyata (P>0,05) antara Faktor Utama (system
perkandangan) dengan Faktor Tambahan (Periode Peneluran). Liuhat
SISTEM*PERIODE Sig. 0,241>0,05.
1. Sistem Pemeliharaan
Estimates
Sistem Mean Std. Error Lower Bound Upper Bound
Pemeliharaan
1 69.523 2.226 64.927 74.118
2 83.492 2.226 78.897 88.087
3 85.672 2.226 81.077 90.267

Pairwise Comparisons
Pemelih Pemelih Mean Std. Error Sig. Lower Bound Upper Bound
araan araan Difference (I-J)
1 2 -13.969 3.149 .000 -20.468 -7.471
3 -16.149 3.149 .000 -22.648 -9.651
2 1 13.969 3.149 .000 7.471 20.468
3 -2.180 3.149 .495 -8.679 4.319
3 1 16.149 3.149 .000 9.651 22.648
2 2.180 3.149 .495 -4.319 8.679
Based on estimated marginal means
* The mean difference is significant at the .05 level.
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
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
Pairwise Comparisons Dependent Variable: Fertilitas

(I) Periode (J) Periode Mean Std. Error Sig. 95% Confidence Interval for
Penelursn Penelursn Difference (I- Difference
J) Lower Bound Upper Bound
1 2 -11.069 3.149 .002 -17.568 -4.571
3 -19.999 3.149 .000 -26.498 -13.501
2 1 11.069 3.149 .002 4.571 17.568
3 -8.930 3.149 .009 -15.429 -2.431
3 1 19.999 3.149 .000 13.501 26.498
2 8.930 3.149 .009 2.431 15.429
Based on estimated marginal means
* The mean difference is significant at the .05 level.
a Adjustment for multiple comparisons: Least Significant Difference (equivalent
to no adjustments).
Kesimpulan :
Fertilitas ayam buras antara periode peneluran 1, 2 dan 3 saling berbeda sangat
nyata (P<0,01) Lihat Sig <0,01.
Oleh karena antara Sistem Pemeliharaan dengan Periode Peneluran tidak terjadi
interaksi yang nyata (P>0.05), maka Tabel di bawah ini tidak perlu disimpulkan.
Dependent Variable: Fertilitas Telur (%)

Sistem Periode 95% Confidence Interval
Mean Std. Error
Pemeliharaan Peneluran Lower Bound Upper Bound
1 1 53.928 3.856 45.969 61.887
2 74.524 3.856 66.565 82.483
3 80.116 3.856 72.157 88.075
2 1 75.120 3.856 67.161 83.079
2 80.356 3.856 72.397 88.315
3 95.000 3.856 87.041 102.959
3 1 78.570 3.856 70.611 86.529
2 85.946 3.856 77.987 93.905
3 92.500 3.856 84.541 100.459
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.
Gambar 8.3.7. Kotak Dialog Define Simple Bar

Tandai atau Klik Other statistic (e,g,mean)
Klik Fertilitas Telur, pindahkan dengan tanda ►ke kotak Variable
Klik Sistem Pemeliharaan, pindahkan dengan tanda ►ke kotak Category Axis Klik OK
Kemudian pada kotak Category Axis Sistem Pemeliharaan diganti dengan Periode peneluran,
lalu Klik OK atau Enter, maka diperoleh hasil sebagai berikut :
Graph

Rata-rata interaksi antara kedua factor dapat di gambar dengan frafik Boxplot dengan asumsi
ragam homogeny. Buat data view mean, batas ninimum dan maksimun dengan tingkat
kepercayaa 95%, seperti Gambar 8.3.8

Klik Graphs, ►cari Legacy Dialogs, pilih Boxplot, klik Clustered, pilih Summaries for
Goups of Cases, kemudian klik Deine, maka muncul Gambar 8.3.9
Gambar 8.3.9. Define Clustered
Klik OK, maka diperoleh grafik sebagai berikut :
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.

IX. PENELITIAN DUA VARIABEL BEBAS SATU DAN VARIABEL PENGGANGGU
9.1. Klasifikasi Silang (Rancangan Acak Kelompok Pola Faktorial.
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
Memasukkan data melalui Programe

ditunjukan pada Gambar 9.1.1. di bawah ini, kemudian pada Kolom Name ketik K, L,
Kelompok dan Ecoli, pada Kolom Type Numeric, kolom Label ketik Jenis Konsentrasi
Hidrogen Peroksida, Lama Lama Desinfeksi(jam(, Kelompok dan Log. Jumlah E. coli seperti
tampak pada Gambar 9.1.1.

Klik Data View, maka munncul Gambar 2.10
Salinlah data Tabel 9.1.1 pada Kolom K, L Kelompok dan Ecoli seperti pada Gambar 9.1.2.

Analisis Deskriptif
Analisis deskripif 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 Log Jumlah E coli. pada Konsentrasi Hidrogen
Peroksida yang berbeda dan lama desinfeksi selama 6 jam hari.yaitu 0, 2, 4 dan 6 jam) .
Disamping itu juga untuk pengaruh Kelompok atau waktu pengambilan sample, apakah ada
variasi harian jumlah E coli pada air limbah RPH Pesanggaran Denpasar
Klik Analyze pada Gambar 9.1.2.
Klik Compare Means, lalu pilih Means, maka muncul Gambar 9.1.3.
Klik Log Jumlah E coli, pindahkan dengan tanda► ke kotak Dependent List
Klik Kelllompok, pindahkan dengan tanda► ke kotak Independent List
Klik Konsentrasi Hidrogen Peroksida, pindahkan dengan tanda► ke kotak Independent List
Klik Klik Lama Desinfeksi, pindahkan dengan tanda► ke kotak Independent List
Klik OK, maka diperoleh hasil analisisnya
Gambar 9.1.3. Kotak Dialog Mean

Log Jumlah E coli * Konsentrasi Hidrogen Peroksida
Log Jumlah E coli
Konsentrasi Hidrogen Mean N Std. Deviation
Peroksida
.00 8.3033 12 .68129
.15 6.2733 12 .83984
.30 5.7650 12 .76747
.45 5.1442 12 .71905
Total 6.3715 48 1.40228

Log Jumlah E coli * Lama Disinfeksi (Jam)
Log Jumlah E coli
Lama Disinfeksi (Jam) Mean N Std. Deviation
0 6.8300 12 .55810
2 6.5267 12 .98849
4 6.3675 12 1.62950
6 5.7617 12 1.94851
Total 6.3715 48 1.40228
Log Jumlah E coli * Kelompok

Log Jumlah E coli
Kelompok Mean N Std. Deviation
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 :

Klik Log Jumlah E coli, pindahkan dengan tanda ►ke Dependent Variable
Klik Kelompok, pindahkan dengan tanda ►ke Fixed Factor*s)
Klik Konsentrasi Hidrogen Peroksida, pindahkan dengan tanda ►ke Fixed Factor*s)
Klik Lama Desinfeksi, pindahkan dengan tanda ►ke Fixed Factor*s)
Klok Post Hoc, maka muncul Gambar 5.10
Gambar 9.1.5. Kotak Dialog Univariate Post Hoc

Klik K, pindahkan dengan tanda ►Post Hoc Tests for. Klik L, pindahkan dengan tanda ►Post
Hoc Tests for. Tandai dengan tanda V pada Kotak Duncan, Klik Options, pindah kan K*L ke
Display Means for. Klik Continu, maka layar kembali ke Gambar 9.1.4, kemudian Klik Paste,
maka muncul Gambar 9.1.6.

Perhatikan /DESIGN = Kelompok K L K*L, mungkin di lahar anda akan muncul tidak
seperti Gambar 9.1.6, sesuaikan dengan gambar tersebut.
Klik tanda ►untuk menjalankan program, maka diperoleh hasil analisisnya

Dependent Variable: Log Jumlah E coli
Source Type III Sum df Mean Square F Sig.
of Squares
Corrected Model 91.542a 17 5.385 183.967 .000
Intercept 1948.583 1 1948.583 66571.126 .000
Kelompok .045 2 .022 .763 .475
K 67.390 3 22.463 767.431 .000
L 7.275 3 2.425 82.842 .000
K*L 16.833 9 1.870 63.899 .000
Error .878 30 .029
Total 2041.004 48
Kesimpulan :
Kelompok (Waktu pengambilan sampel) tidak berpengaruh nyata (P>0,05) terhadap
jumlah bakteri E coli per ml air limbah RPH Pesanggaran denpasar (lihat Sig
0,475>0,05),
Konsentrasi Hidrogen Peroksida dan lama Desinfeksi berpengaruh sangat nyata
(P<0.01) terhadap jumlah bakteri E coli per ml air limbah RPH Pesanggaran denpasar
(lihat Sig 0,000< 0,01).
Terjadi interaksi yang sangat nyata (P<0,01) antara Konsentrasi Hidrogen Peroksida
dengan Lama desinfeksi terhadap jumlah bakteri E coli per ml air limbah RPH
Pesanggaran denpasar (lihat Sig 0,000<0,05).
Konsentrasi Hidrogen Peroksida * Lama Disinfeksi (Jam)
Dependent Variable: Log Jumlah E coli
Konsentrasi Hidrogen Lama Disinfeksi (Jam) Mean Std. Error 95% Confidence Interval
Peroksida Lower Bound Upper Bound
0 7.400 .099 7.198 7.602
2 7.970 .099 7.768 8.172
.00
4 8.890 .099 8.688 9.092
6 8.953 .099 8.752 9.155
0 7.090 .099 6.888 7.292
2 6.727 .099 6.525 6.928
.15
4 6.240 .099 6.038 6.442
6 5.037 .099 4.835 5.238
0 6.833 .099 6.632 7.035
2 5.860 .099 5.658 6.062
.30
4 5.570 .099 5.368 5.772
6 4.797 .099 4.595 4.998
0 5.997 .099 5.795 6.198
2 5.550 .099 5.348 5.752
.45
4 4.770 .099 4.568 4.972
6 4.260 .099 4.058 4.462

Log Jumlah E coli
Duncan
Konsentrasi N Subset
Hidrogen Peroksida 1 2 3 4
.45 12 5.1442
.30 12 5.7650
.15 12 6.2733
.00 12 8.3033
Sig. 1.000 1.000 1.000 1.000
b. Alpha = .05.
Log Jumlah E coli

Duncan
Lama Disinfeksi N Subset
(Jam) 1 2 3 4
6 12 5.7617
4 12 6.3675
2 12 6.5267
0 12 6.8300
Sig. 1.000 1.000 1.000 1.000
b. Alpha = .05.
Kesimpulan Uji Duncan :

Makin tinggi Konsentrasi Hidrogen Peoksida yang diberikan terjadi penurunan
jumlah bakteri E. coli yang nyata (P>0,05).
Makin lama waktu Desinfeksi terjadi penurunan jumlah bakteri E coli yang nyata
(P<0,05).
Kedua uji Duncan tersebut diatas dilakukan pada Alpha 0,05, sehingga
disimpulkan nyata (P<0,05), uji Duncan juga bisa dilakukan pada Alpha 0,01 dan
disimpulkan sangat nyata (P<0,01).

Terjadinya interaksi antara kosentrasi hydrogen peroksida dengan lama desinfeksi maka
kesimpulan uji Duncan kurang bermanfaat dibandingkan melihat perbedaan antar rata-rata
interaksi antara kedua factor tersebut, untuk melihat perbedaan antar rata-rata pada masing-
masing koisentrsi serta perbedan rata-rata lama desinfeksi dapat di buat grafik Boxplot dengan
asumsi ragam homogen. Buat data view mean, batas minimum dan maksimum pada tingkat
kepercayaan 95%, seperti Gambar 9.1.7.

Klik Graphs, ►pilih Legacy Diologs, klik Boxplot, pilih Clastereds, pilih Summaries for Groups
of Cases, klik Define, maka muncul Gambar 9.2.8
Gambar 9.2.8. Define Buxplot Clustered Summaries for Groups of Cases

Klik Ok, maka diperoleg grafik 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

0.45 ppm, tetapi antara kosentrasi hydrogen peroksida 0.15 ppm tidak berbeda nyata (P.0.05)
dengan 0.30 ppm.
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, ;laluy klik Define, maka
mumcul Gambar 9.1.9.
Gambar 9.1.9. Simple Scatterlot

Pindahkan Log Jumlah E. coli ►ke Y Axis, Lama Disinfeksi ►ke X Axis dan Kosentarsi
Hidrogen Peroksida ►ke Set Markers by. Klik OK, maka muncul grafik dibawah ini

Ada kalanya peneliti sudah menganggap cukup sampai mendapatkan grafik diatas, jika ingin
mencari persamaannnya, maka lakukan analisi regresi.
Analisis regresi diperlukan untuk mencari hubungan antara Konsentrasi Hidrogen
Peroksida (K) dan Lama Desinfeksai (L) dengan log jumlah E coli (Y), oleh karena kedua faktor
yaitu faktor konsentrasi hydrogen peroksida dan faktor lama desinfeksi bersifak kualitatif, maka
kita lakukan Analisis Regresi antara Konsentrasi Hidrogen Peroksida (K) dan Lama
Desinfeksai (L) dengan log jumlah E coli (Y). Persamaan regresi penduga adalah masing-masing
dalam bentuk polinom pangkat 3, serta interaksinya, dengan persamaan garis Regresi
dugaan sebagai berikut :
Y = o + 1K + 2K2 + 3K3 + 4L +5L2 + 6L3 + 7K L + 8K L2+ 9K L3+ 102 L+ 11K2 L3
+ 12 K 2 L3 + 13 K 3 L+ 14 K 3 L2+ 15 K 3 L3
Kita kembali ke Gambar 9.1.2, hilangkan atau delete Kelompoknya, lalu Klik Compute, maka
muncul Gambar 9.1.10.

Gambar 9.1.10. Compute Variable
Ketik KK pada Target Variable dan K**2 pada Numeric Expression, Klik OK
Denan cara yang sama :
Ketik KKK pada Target Variable dan K**3 pada Numeric Expression, Klik OK
Ketik LL pada Target Variable dan L**2 pada Numeric Expression, Klik OK
Ketik LLL pada Target Variable dan L**3 pada Numeric Expression, Klik OK
Ketik KL pada Target Variable dan K*L pada Numeric Expression, Klik OK
Ketik KLL pada Target Variable dan K*L**2 pada Numeric Expression, Klik OK
Ketik KLLL pada Target Variable dan K* L**3 pada Numeric Expression, Klik OK
Ketik KKL pada Target Variable dan K**2*L pada Numeric Expression, Klik OK
Ketik KKLL pada Target Variable dan K**2*L**2 pada Numeric Expression, Klik OK
Ketik KKLLL pada Target Variable dan K**2* L*3 pada Numeric Expression, Klik OK
Ketik KKKL pada Target Variable dan K**3*L pada Numeric Expression, Klik OK
Ketik KKKLL pada Target Variable dan K* *3*L**2 pada Numeric Expression, Klik OK
Ketik KKKLLL pada Target Variable dan K**3*L**3 pada Numeric Expression,
Klik OK, maka tampak seperti Gambar 9.1.11

Klik Analyze, pilih Regression, kemudian Lenear, maka muncul Gambar 9.1.12
Gambar 9.1.12. Linear Regression
Klik Log Jumlah E coli, kemudian dengan tanda ► ke kotak Dependent

Klik Konsentrasi Hidrogen Peroksida (K), Lama Desinfeksi (L), KK, KKK, LL, LLL, KL, KLL,
KLLL, KKL, KKLL, KKLLL, KKKL, KKKLL, KKKLLL, kemudian dengan tanda ► ke kotak
Independent(s)
Pilih atau Klik Stepwise pada kotak Method
Klik Ok maka diperoleh hasil analisisnya (dalam tampilan hasil analisis sebagian yang dianggap
tidak penting telah di delete)
Regression
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .818a .669 .661 .81610
2 .874b .763 .753 .69702
3 .943c .890 .882 .48078
4 .975d .950 .945 .32785
5 .986e .973 .970 .24319
6 .988f .977 .973 .22851
7 .990g .981 .978 .20906
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

a
Coefficients
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) 7.324 .154 47.624 .000
1
KL -1.411 .146 -.818 -9.631 .000
(Constant) 6.876 .168 40.845 .000
2 KL -1.837 .160 -1.065 -11.457 .000
Lama Disinfeksi (Jam) .245 .058 .395 4.250 .000
(Constant) 6.876 .116 59.216 .000
KL -4.475 .387 -2.594 -11.561 .000
3
KKL 5.862 .824 1.450 7.112 .000
(Constant) 7.347 .103 71.486 .000
KL -4.826 .268 -2.797 -17.979 .000
4 Lama Disinfeksi (Jam) .279 .033 .450 8.504 .000
KKL 8.104 .643 2.005 12.606 .000
KKK -15.498 2.157 -.409 -7.185 .000
(Constant) 7.323 .076 95.917 .000
KL -7.452 .480 -4.319 -15.526 .000
5
KKL 24.862 2.828 6.150 8.792 .000
KKK -14.699 1.606 -.388 -9.156 .000
KKKL -24.998 4.158 -2.753 -6.012 .000
(Constant) 7.245 .078 92.964 .000
KL -7.452 .451 -4.319 -16.523 .000
6 KKL 24.862 2.657 6.150 9.357 .000
KKK -14.699 1.509 -.388 -9.744 .000
KKKL -24.998 3.907 -2.753 -6.398 .000
LLL -.002 .001 -.145 -2.563 .014
(Constant) 7.190 .074 97.676 .000
KL -8.112 .468 -4.702 -17.343 .000
KKL 24.862 2.431 6.150 10.227 .000
7
KKK -12.562 1.554 -.331 -8.086 .000
KKKL -25.456 3.578 -2.803 -7.116 .000
LLL -.005 .001 -.341 -4.089 .000
KLL .128 .043 .424 2.998 .005
a. Dependent Variable: Log Jumlah E coli
Jadi Persamaan Garis Regresinya yang dipilih adalah yang No. 9, karena nilai R nya palinga
besar (0,994) dan semua koefisien garis regresinya sangat nyata (P,0,01) dengan persamaan
sebagai berikut :
Y = 7.190 – 12.562K3 + 0.491L - 0.005L3 – 8.112KL + 0.128 KL2+ 24.862K 2L - 25.456 K 3L
Untuk bisa menggambar dalam satu Grafik, maka kita buat Data View seperti Gambar

8.10. dengan Kolom diisi dengan K, L dan Y, pada K dan Y datanya diisi seperti
Gambar 9.1.13.

Gambar 9.1.14. Compute Variable.
Klik Graphs, pilih dan Klik Line, Klik Mutiple, Klik Difine, maka muncul Gambar 9.1.15.
tandai atau Klik Other statistic (e.g. mean).
Klik Log Jumlah E coli, pindahkan dengan tanda ►ke Variable
Klik Lama Desinfeksi ), pindahkan dengan tanda ►ke Catagori Axis
Klik Konsentrasi Hidrogen peroksida, pindahkan dengan tanda ►ke Define Lines by

Gambar 9.1.16. Kotak Dialog Define Multiple Line
Graph
Dari Grafik diatas dapat disimpul;kan bahwa :

Makin tinggi konsentrasi Hidrogen Peroksida yang diberikan jumlah bakteri E coli semakin
menurun.
Semakin lama waktu Desinfeksi yang diberikan Hidrogen Peroksida jumlah E coli-nya semakin
menurun, sedangkan yang tidak diberikan Hidrogen Peroksida (0,00) jumlah E coli-nya semakin
meningkat.

9.2. Klasifikasi Tersarang (Rancangan Acak Kelompok Pola Tersarang)
Seorang peneliti ingin mengetahui citarasa olahan daging itik, ayam buras dan ayam
Broiler. Daging itik yang diambil terdiri dari itik Petelur afkir, itik muda jantan dan itik muda
betina, daging ayam buras yang diamati terdiri dari ayam buras muda, ayam buras betina afkir
dan ayam jantan aduan, sedangkan daging ayam Broiler terdiri dari ayam Broiler umur 4
minggu, ayam broiler umur 7 minggu dan ayam Broiler umur 8 minggu. Cita rasa masing-
masing jenis olahan daging diamati oleh 3 orang Panelis.
Tabel 9.2.1. Data Skor Citarasa Olahan Daging.
Unggas Jenis Panelis (k)
(i) (j) 1 2 3
Itik Petelur Afkir 5.5 5.5 5.4
Muda Jantan 6.6 6.5 6.7
Muda Betina 6.6 6.2 6.6
Ayam Buras Muda 6.7 6.8 6.7
Betinaa Atkir 5.4 5.5 5.4
Jantan Aduan 4.5 4.2 4.5
Ayam Briler Umur 4 Minggu 7.5 7.8 7.6
Umur 7 Minggu 8.1 8.3 8.6
Umur 8 Minggu 6.6 6.4 6.5
ditunjukan pada Gambar 9.3.1. di bawah ini. kemudian pada Kolom Name ketik Unggas, Jenis,
Panelis dan Citaras, pada Kolom Type Numeric, kolom Label ketik Unggas Jenis, Panelis dan
Citarasa seperti tampak pada Gambar 9.3.1. Setelah kolom tersebut dilengkapi, kemudian Klik
pada pojok kiri atas Kolom Values baris 1 (Unggas), maka muncul Gambar 9.2.2.
Gambar 9.3.1. Kotak dialog Variable View

Gambar 9.3.2. Value Labels Unggas
Ketik angka 1 pada kotak Value dan Itik pada kotak Value Label, lalu Klik Add
Ketik angka 2 pada kotak Value dan Ayam Buras pada kotak Value Label, lalu Klik Add
Ketik angka 3 pada kotak Value dan Ayam broiler pada kotak Value Label, lalu Klik Add
Klik OK, maka layar kembali ke Gambar 9.3.1, Setelah kolom tersebut dilengkapi, kemudian
Klik pada pojok kiri atas Kolom Values baris 2 (Jenis), maka muncul Gambar 9.3.3.
Gambar 9.3.3. Value Labels Jenis pada Unggas.

Ketik angka 1 pada kotak Value dan Petelur Afkir pada kotak Value Label, lalu Klik Add
Ketik angka 2 pada kotak Value dan Muda Jantan pada kotak Value Label, lalu Klik Add
Ketik angka 3 pada kotak Value dan Muda Betina pada kotak Value Label, lalu Klik Add
Ketik angka 4 pada kotak Value dan Muda pada kotak Value Label, lalu Klik Add
Ketik angka 5 pada kotak Value dan Betina Afkir pada kotak Value Label, lalu Klik Add
Ketik angka 6 pada kotak Value dan Jantan Aduan pada kotak Value Label, lalu Klik Add
Ketik angka 7 pada kotak Value dan Umur 4 Minggu pada kotak Value Label, lalu Klik Add
Klik OK, Kembali ke Gambar 9.3.1, klik Data View, maka muncul Gambar 9.3.4.
Salinlah data pada Tabel 9.2.1. pada kolom Unggas, Jenis, Panelis dan Cita Rasa, sesuai dengan
yang tampak pada Gambar 9.3.4.
.
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
Klik Citarasa, pindahkan dengan tanda► ke kotak Dependent Variable

Klik Panelis, pindahkan dengan tanda► ke kotak Fixed Factor(s)
Klik Unggas, pindahkan dengan tanda► ke kotak Fixed Factor(s)
Klik Jenis, pindahkan dengan tanda► ke kotak Fixed Factor(s)
Klik Options, maka muncul Gambar 6.12.
Klik Unggas, pindahkan dengan tanda► ke kotak Display Mean for
Klik Unggas*Jenis, pindahkan dengan tanda► ke kotak Display Mean for

Kasi tanda V di depan Copare main effects, pilih LSD pada kotak dibawahnya.
Klik Continue, mka layer kembali ke Gambar 9.3.5.
Gambar 9.3.6. Kotak Dialog Univariate Options

Klik Paste, maka muncul Gambar 9.3.7.
Perhatika /DESIGN = Panelis Unggas Unggas*Jenis. Jadi dalam Design Jenis, karena tersarang
pada unggas, demikian juga interaksi antara Panelis dengan Unggas dan Jenis (Panelis*Unggas,
Panelis*Jenis) kapene kita buat modelnya tidak berinteraksi.
Untuk menjalankan Syntax Klik tanda ► maka diperoleh hasil analisisnya
Ingat hasil analisis yang dianggap tidak penting tidak ditampilkan (didelete).
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
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)
1. Unggas
Estimates
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
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

Std. Lower Upper
Unggas Jenis Mean Error Bound Bound
Itik Petelur Afkir 5.467 a .087 5.282 5.651
Muda Jantan 6.600 b .087 6.415 6.785
Muda Betina 6.467 b .087 6.282 6.651
Muda 6.733 c .087 6.549 6.918
Ayam
Buras Betina Afkir 5.433 b .087 5.249 5.618
Jantan Aduan 4.400 a .087 4.215 4.585
Umur 4 Minggu 7.633 b .087 7.449 7.818
Ayam Umur 7 Minggu 8.333 c .087 8.149 8.518
Broiler Umur 8 Minggu 6.500 a .087 6.315 6.685
a. This level combination of factors is not observed, thus the corresponding
population marginal mean is not estimable.
Kesimpulan :
Citarasa Olahan daging itik jenis 1 (itik Petelur Afkir berbeda nyata (P<0,05)
dibandingkan dengan citarasa olahan daging itik Jenis 2 (muda jantan) dan jenis 3 (muda betina),
sedangkan citarasa olahan daging antara itik muda jantan dengan muda betina tidak berbeda
nyata (P>0,05). Lihat batas bawah dan atas pada selang kepercayaan 95% (95% Confidence
interval) antara jenis 1 tidak berpotongan dengan jenis 2 dan 3 (batas bawah jenis 1=5.651 lebih
kecil dari batas atas jenis 2), sedangkan antara jenis 2 berpotongan dengan jenis 3 (batas bawah
jenis 3 = 6.651 lebih 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.

Analsis Regresi.
Oleh karena kedua faktor bersifat kualitatif, maka kita tidak bisa melakukan analisis
Regresi-korelasi, kita hanya bisa menggambar dalam bentuk Histogram pada masing-masing
Jenis Unggas, prosedurnya sebagai berikut :
Klik Graphs, lalu Klik Bar, pilh dan Klik Stacked, Klik Define, maka muncul Gambar 9.3.8.
Gambar 9.3.8. Define Clustered Bar

Klik atau tandai Other statistic (e,g, mean)
Klik Citarasa, pindahkan dengan tanda ►ke kotak Variable
Klik Unggas , pindahkan dengan tanda ►ke kotak Catagory Axis
Klik Jenis, pindahkan dengan tanda ►ke kotak Define Clusters by
Klik OK atau Enter, maka dioperoleh gambar dibawah ini
Graph

9.3. Klasifikasi Berjenjang (Rancangan Acak Kelompok Pola Berjenjangl).
Seorang peneliti ingin mengetahui kemanpuan 3 jenis desinfektan untuk menurunkan

jumlah Koliform air limbah Rumah Pemotongan Hewan (RPH) Pesanggaran Denpasar Bali.
Untuk tujuan tersebut diambil 3 liter air limbah, kemudian dimasukkan kedalam 3 buah toples
plastik masing-masing sebanyak 1 liter, kemudian toples tersebut diberikan :3 jenis bahan
desinfektan dngan dosis yang sama yaitu 200 ppm. Pengamatan dilakukan selama 6 jam yaitu
pada waktu 0, 2, 4 dan 6 jam. Penelitian ini diulang sebanyak 3 kali, setiap 3 hari sekali.
Tabel 9.3.1. Data Log Jumlah Koliform.
Jenis Desinfektan Kelompok Lama Pengamtan (k)

(i) (j) 0 2 4 6
1 8.80 8.20 7.60 7.42
Jenis A 2 8.87 8.10 7.65 6.94
3 8.72 8.22 7.37 7.17
1 8.79 7.87 7.28 6.86
Jenis B 2 8.87 8.12 7.11 6.86
3 8.72 7.94 6.92 6.77
1 8.79 7.32 6.75 6.37
Jenis C 2 8.90 7.85 7.05 6.79
3 8.72 7.86 6.43 6.18
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 9.3.1. Kotak Dialog Variable View.

Setelah kolom tersebut dilengkapi, kemudian Klik pada pojok kiri atas Kolom Values baris 1
(Jenis), maka muncul Gambar 9.3.2.
Gambar 9.3.2. Value Labels

Ketik angka 1 pada kotak Value dan Jenis A pada kotak Value Label, lalu Klik Add
Ketik angka 2 pada kotak Value dan Jenis B pada kotak Value Label, lalu Klik Add
Ketik angka 3 pada kotak Value dan Jenis C pada kotak Value Label, lalu Klik Add
Klik Data View pada pojok kiri bawah, maka muncul Gambar 9.3.3..
Salinlah data Tabel 9.3.1. . pada kolom Jenis , L, Kelompok dan Koliform
Gambar 9.3.3.. Data View

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 Log Jumlah Koliform. Air Limbah RPH pada
Berbagai konsentrasi Kaporit yang diberikan dan antara lam klorinasi yang berbeda. Disamping
itu juga mencari rataan dan standar deviasi masing-masing kelompok atau waktu pengambilan
sample. Adapun prosedurnya sebagai berikut :.
Klik Analyze pada Gambar 9.3.3, pilih Compare Means, lalu Klik Means, maka muncul
Gambar 9.3.4.
.
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

Log Jumlah Koliform * Lama Pengamatan Jam)
Log Jumlah Koliform
Lama Pengamatan Jam) Mean N Std. Deviation Sum
0 8.7978 9 .06996 79.18
2 7.9422 9 .27563 71.48
4 7.1289 9 .39634 64.16
6 6.8178 9 .37342 61.36
Total 7.6717 36 .83332 276.18
Log Jumlah Koliform * Kelompok

Log Jumlah Koliform
Kelompok Mean N Std. Sum
Deviation
1 7.6708 12 .83345 92.05
2 7.7592 12 .81904 93.11
3 7.5850 12 .90967 91.02
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

Klik Log Jumlah Kolifor, pindahkan dengan tanda ►ke Dependent Variable
Klik Jenis, pindahkan dengan tanda ►ke Fixed Factor(s)
Klik Lama Pengamatan, pindahkan dengan tanda ►ke Fixed Factor(s)
Klik Kelompok pindahkan dengan tanda ►ke Random Factor(s)
Gambar 9.3.6. Univariate Options

Klik Jenis*L, pindahkan dengan tanda ►ke kotak Displey Means for
Klik Cotinue, maka kembali ke Gambar 9.3.5
Klik Post Hoc, maka muncul Gambar 9.3.7
Klik Jenis , pindahkan dengan tanda ►ke Post Hoc Test for
Klik L, pindahkan dengan tanda ►ke Post Hoc Test for
Berikan tanda V pada kotak Duncan, lalu Klik Continue, mak kembali ke Gambar 9.3.7.
Gamabar 9.3.6. Univariate Post Hoc

Klik Continue, maka layer kembali ke Gambar 9.3.5, kemudian Klik Paste, maka muncul
Gambar 9.3.7.

Perhatikan /DESIGN = Kelompok K K*Kelompok L K*L.
Pada layar komputer anda tentu designnya tidak sama dengan yang tampak pada Gambar 6.13.
harus disamakan, jika tidak hasil analisisnya akan berbeda.
Untuk menjalanklan Syntax Klik tanda►maka diperoleh hasil analisis sebagai berikut :
Dependent Variable: Log Jumlah Koliform
Source Type III Sum df Mean Square F Sig.
of Squares
Hypothesis 2118.761 1 2118.761 23280.955 .000
Intercept a
Error .182 2 .091
Hypothesis .182 2 .091 1.596 .309
Kelompok b
Error .228 4 .057
Hypothesis 1.525 2 .763 13.377 .017
Jenis b
Error .228 4 .057
Hypothesis .228 4 .057 2.144 .117
Jenis * Kelompok c
Error .479 18 .027
Hypothesis 21.286 3 7.095 266.857 .000
L c
Error .479 18 .027
Hypothesis .605 6 .101 3.793 .013
Jenis * L c
Error .479 18 .027
a. MS(Kelompok)
b. MS(Jenis * Kelompok)
c. MS(Error)

Kesimpulan :
Kelompok tidak berpengaruh nyata (P>0,05) terhadap jumlah Koliform Air
Limbah RPH Pesanggaran Denpasar atau tidak ada variasi harian yang nyata (P<0,05)
jumlah Koliform Air Limbah RPH Pesanggaran Denpasar selama penelitian. Lihat
Kelompok Sig 0,739>0,05.
Jenis Desinfektan berpengaruh nyata (P<0,05) terhadap jumlah Koliform Air
Limbah RPH Pesanggaran Denpasar. Lihat K sig 0,017<0,05.
Lama Pengamatan berpengaruh sangat nyata (P<0,01) terhadap jumlah Koliform
Air Limbah RPH Pesanggaran Denpasar. Lihat L sig 0,00<0,01.
Terjadi interaksi yang nyata (P<0,05) antara Jenis Desinfeksi dengan lama
pengamatan terhadap jumlah Koliform Air Limbah RPH Pesanggaran Denpasar. Lihat
K*L sig 0,013<0,05.
Jenis Desinfeksi * Lama Pengamatan Jam)
Dependent Variable: Log Jumlah Koliform
Jenis Lama Pengamatan Mean Std. 95% Confidence Interval
Desinfeksi Jam) Error Lower Upper
Bound Bound
0 8.797 .094 8.599 8.994
2 8.173 .094 7.976 8.371
Jenis A
4 7.540 .094 7.342 7.738
6 7.177 .094 6.979 7.374
0 8.793 .094 8.596 8.991
2 7.977 .094 7.779 8.174
Jenis B
4 7.103 .094 6.906 7.301
6 6.830 .094 6.632 7.028
0 8.803 .094 8.606 9.001
2 7.677 .094 7.479 7.874
Jenis C
4 6.743 .094 6.546 6.941
6 6.447 .094 6.249 6.644
Lihat batas bawah dan batas atas 95% Confidence Interval, kalau berpotongan tidak
berbeda nyata (P>0.05), sebaliknya jika tidak berpotngan berarti berbeda nyata
(P<0.05).

. Post Hoc Tests
Homogeneous Subsets Log Jumlah koliform
Log Jumlah Koliform
Duncan
Jenis N Subset
Desinfeksi 1 2 3
Jenis C 12 7.4175
Jenis B 12 7.6758
Jenis A 12 7.9217
Sig. 1.000 1.000 1.000
b. Alpha = .05.
Kesimpulan :
Rata-rata jumlah Koliform air limbah RPH Pesanggaran Denpasar nyata

(P<0,05) paling rendan Jenis C dan Jenis B nyata (P<0.05) lebih rendah dari Jenis A
.
Log Jumlah Koliform

Duncan
Lama Pengamatan N Subset
Jam) 1 2 3 4
6 9 6.8178
4 9 7.1289
2 9 7.9422
0 9 8.7978
Sig. 1.000 1.000 1.000 1.000
b. Alpha = .05.
Kesimpulan :
Rata-rata jumlah Koliform air limbah RPH Pesanggaran Denpasar nyata

(P<0,05) semakin menurun dari lama pengamatan 0 jam sampai 6 jam.

Terjadinya interaksi antara jenis desinfektan dengan lama pengamatan maka
kesimpulan uji Duncan kurang bermanfaat dibandingkan melihat perbedaan antar rata-
rata interaksi antara kedua factor tersebut, untuk melihat perbedaan antar rata-rata
pada masing-masing jenis desinfektan serta perbedan rata-rata lama pengamtan dapat
di buat grafik Boxplot dengan asumsi ragam homogen. Buat data view mean, batas
minimum dan maksimum pada tingkat kepercayaan 95%, dengan jalan mengcopy hasil
analisi, seperti Gambar 9.3.8.
Gambar 9.3.8. Data View Mean, Batas Minimum dan maksimun

Klik Graph, ►pilih Legacy Dialogs, Klik Boxplot, pilih Clustered, pilih Summaries fof Groups
of Cases, klik Define, maka muncul Gambar 9.3.9
Gambar 9.3.9.Define Boxplot Clustered Summaries fof Groups of Cases

Klik OK, maka diperoleh Grafik sebagai berikut :
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).

Jmlah log Kolifor pada pengamatan 0 jam tidak terdapat perbedaan yang nyata (P>0.05) antara
ke tiga jenis desinfektan. Sedangkan pada pengamatan 2, 4 dan 6 jam terdapat perbedaan yang
nyata (P<0.05) antara desinfektan jenis A dengan jenis C, tetapi antara desinfektan jenis A
dengan jenis B dan antara jenis B dengan jenis C tidak terdapat perbedaan 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.
Gambar 9.3.8. Simple Scaterplot.

Klik OK, maka diperoleh grafik dibawah ini

Berdsrkn grafik diatas kita sudh bisa melakukan intrapolasi log jumlah Kolifor diantara
penamatan yang dilakukan, jika diperlukan persamaan garesi antara Log . Jumlah Koliform
dengan lama pengamatan pada masing-masing jenis desinfektan yaitu jenis A (Y1), jenis B (Y2)
dan jenis C (Y3), maka bisa dicari persamaan graris regresinya polinim sebagai berikut :
Bisa berbentuk linear: Y = o + 1L, kudratik : Y = o + 1L +2L2 atau bisa juga kubik :
Y = o + 1L +2L2 + 3L3
Buat Variable View dana Data View, seperti Gambar 9.3.9 dan Gambar 9.3.10
Gambar 9.3.9. Variable View

Lakukan analisis regresi untuk mencari persamaan garis regresinya pada masing-masing
jenis desinfektan, klik Analyse, pilih Regression, klik Curve Estimation, maka diperoleh
Gambab 9.3.11, lengkapi gamabr tersebut yaitu pindahkan ►log jumlah kolifor ke
Dependent(s), ►Lama Pengamatan ke Variable, centang Quadratic, Dislay ANOVA table.
Gambar 9.3. 11. Regresi Curva Estemation

KLik Ok, maka diperoleh hasil sebagai berikut:
Log Jumlah Koliform pada Jenis A

Quadratic
Model Summary
R R Square Adjusted R Std. Error of the
Square Estimate
.980 .960 .951 .146
The independent variable is Lama Pengamatan Jam).
ANOVA
Regression 4.577 2 2.289 107.750 .000
Total 4.768 11
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

Log Jumlah Koliform pada Jenis B
Quadratic
Model Summary
Square Estimate
.988 .975 .970 .141
ANOVA
Regression 7.083 2 3.541 177.582 .000
Total 7.262 11
Coefficients
Coefficients
B Std. Error Beta
(Constant) 8.826 .079 111.066 .000

Log Jumlah Koliform pada Jenis C
Quadratic
Model Summary
Square Estimate
.971 .942 .929 .263
ANOVA
Regression 10.125 2 5.062 73.021 .000
Total 10.749 11
Coefficients
Coefficients
B Std. Error Beta
(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.

Buatlah variable view seperti Gambar 9.3.13..
Gambar 9.3.13. Variable View

KLik Data View dan lengkapi data pada L, kemudian klik transformasi, klik Compute Variable,
maka diperoleh Gambar 9.3.14..
Gambar 9.3.14 Tranformasi Compute Variable

Ketik Y1 pda Target Vriable dan masukkan persamaan garis regresi Jenis A pada Numeric
Expression, maka diperoleh Gambar. kemudin kelik Ok. Demikin juga untuk Jenis B dan Jenis
C, maka diperoleh Gambar 9.3.15.
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

Gambar 9.3.16 Define Line Summaries of Separate Variables
Klik Ok, maka diperoleh Grafik sebagai berikut :

DAFTAR PUSTAKA
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.
Widiyanto, J. 2012. SPSS for Windows. Badan Penerbit FKIP US


Aplikasi Spss Dalam Biostatistika A 1534801775

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 Dalam Biostatistika A 1534801775

Diunggah oleh

Hak Cipta:

Format Tersedia

VIII. PENELITIAN DUA VARIABEL BEBAS TANPA VARIABEL PENGGANGGU.

8.1. Klasifikasi Silang (Rancangan Acak LingkapPola Faktorial).

Gambar 8.1.1. Kotak Diolog Variable View

Aplikasi SPSS dalam Bioststistika 121

Gambar 8.1.2 Kotak Diolog Value Labels

Gambar 8.1.3. Data View

Aplikasi SPSS dalam Bioststistika 122

Gambar 8.1.4. Kotak Diolog Mean

KLik OK, maka diperoleh hasil beriklut :

Aplikasi SPSS dalam Bioststistika 123

Gambar 8.1.5. Kotak Dialog Univariate

Klik Log ALTB, pindahkan dengan tanda► ke kotak Dependent List

Aplikasi SPSS dalam Bioststistika 124

Klik Options, maka muncul Gambar 8.1.7.

Gambar 8.1.6. Univariate Options

Gambar 8.1.8. Kotak Diolog Syntax

Aplikasi SPSS dalam Bioststistika 126

Aplikasi SPSS dalam Bioststistika 127

Aplikasi SPSS dalam Bioststistika 128

Aplikasi SPSS dalam Bioststistika 129

Aplikasi SPSS dalam Bioststistika 130

Gamba 8.1.12. Data View.

Aplikasi SPSS dalam Bioststistika 131

Pilih Overlay Scatter, klik Difine, maka uncul Gambar 8.1.11.

Gambar 8.1.14. Overlay Scatterplot

Klok Ok, maka diperoleh Gambar BerikuT ;

Aplikasi SPSS dalam Bioststistika 132

Gambar 8.1. 15 Curve Estimation Cubic

Klik Ok, maka diperoleh hasil sebagai berikut :

Adjusted R Std. Error of the

The independent variable is Lama Simpan (Hari).

Sum of Squares df Mean Square F Sig.

Regression 31.333 3 10.444 492.569 .000

The independent variable is Lama Simpan (Hari).

Aplikasi SPSS dalam Bioststistika 133

B Std. Error Beta t Sig.

Lama Simpan (Hari) .631 .093 1.506 6.776 .000

Log ALTB Lokal

Adjusted R Std. Error of the

.997 .994 .993 .114

The independent variable is Lama Simpan (Hari).

Sum of Squares df Mean Square F Sig.

Regression 27.983 3 9.328 713.535 .000

The independent variable is Lama Simpan (Hari).

Aplikasi SPSS dalam Bioststistika 134

B Std. Error Beta t Sig.

Lama Simpan (Hari) -.134 .073 -.340 -1.837 .091

Log ALTB Import

Adjusted R Std. Error of the

.996 .992 .990 .098

The independent variable is Lama Simpan (Hari).

Sum of Squares df Mean Square F Sig.

Regression 14.935 3 4.978 517.798 .000

Aplikasi SPSS dalam Bioststistika 135

B Std. Error Beta t Sig.

Lama Simpan (Hari) .130 .063 .449 2.072 .060

Gambar 8.1. 16. Curve Estimation Quadratic

Aplikasi SPSS dalam Bioststistika 136

Log ALTB Import

Adjusted R Std. Error of the

.996 .992 .990 .098

The independent variable is Lama Simpan (Hari).

B Std. Error Beta t Sig.