SKRIPSI
Disusun oleh:
Atin Auna
NIM. 06305149001
2010
MOTTO DAN PERSEMBAHAN
“... Dan mintalah pertolongan Alloh dengan sabar dan sholat. Dan
sesungguhnya yang demikian itu sungguh berat kecuali bagi orang-orang yang
khusyuk”.
( QS. Al-Baqoroh: 45 )
(QS. Al-Insyiroh: 5)
♥ Kedua Orang tuaku, ibu Oni Kona(almh.) dan bapak Latif Auna yang
selalu menyayangi diriku, memberikan semangat, dan selalu
mendoakanku.
♥ Saudara-saudaraku yang selalu mendukung dan mendoakanku
♥ Teman-teman Bsc 06, Ely, Sari, Selfi, Dewi, Niken,Rahmi, Fitri, Evi
yang selalu mensupport diriku agar segera menyelesaikan skripsi ini.
♥ Teman-teman Bsc Mat n Fisika 06 yang selalu mensupport diriku agar
segera menyelesaikan skripsi ini.
♥ Mas ku Andy Suryowinoto yang selalu mensupport diriku agar segera
menyelesaikan skripsi ini.
♥ Semua orang-orang yang dekat dihati penulis
v
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan
Sarjana Sains pada Program Studi Matematika, Fakultas Matematika dan Ilmu
penulisan ini, penulis tidak lepas dari bantuan dan peran serta dari berbagai pihak.
Oleh karena itu, pada kesempatan ini penulis menyampaikan ucapan terima kasih
Science
vi
4. Dr. Hartono sebagai Ketua Jurusan Pendidikan Matematika FMIPA UNY
menjalani kuliah.
skripsi ini.
9. Semua pihak yang telah membantu dalam menyelesaikan skripsi ini yang
Penulis
vii
DAFTAR ISI
viii
F. Analisis Regresi ..................................................................... 15
Latin ........................................................................................ 18
J. Distribusi F ............................................................................. 27
K. Sisaan ..................................................................................... 28
A. Kesimpulan ............................................................................ 89
B. Saran ....................................................................................... 90
DAFTAR PUSTAKA ............................................................................... 91
LAMPIRAN 1 ........................................................................................... 94
ix
DAFTAR TABEL
Tabel 3.1. Analisis Kovarians pada RBSL Dengan Data Hilang ................... 39
Tabel 3.3. Data Dugaan Galat pada Percobaan Varietas Tanaman Padi terhadap
Tabel 3.7. Data Galat pada Percobaan Pemberian Insektisida Padi terhadap
Tabel 3.8. Analisis Kovarians pada RBSL Dengan Satu Data Hilang ........... 70
x
dengan Dua Data Hilang Y 23A dan Y 44B ...................................... 75
Tabel 3.11. Data Dugaan Galat pada Percobaan Pemberian Insektisida terhadap
Tabel 3.12. Analisis Kovarian pada RBSL dengan Dua Data Hilang ............. 87
x
DAFTAR GRAFIK
Variabel Y .................................................................................. 60
Variabel Y .................................................................................. 77
xi
ANALISIS KOVARIANS PADA RANCANGAN BUJUR SANGKAR
LATIN DENGAN DATA HILANG
Oleh
Atin Auna
NIM. 06305149001
ABSTRAK
xii
BAB I
PENDAHULUAN
sesuatu yang baru. Penelitian dilakukan karena ingin mendapatkan jawaban atas
metode ilmiah (scientific method) yang meliputi: fakta observasi, hipotesis, dan
percobaan (Kemas Ali Hanafiah, 2000: 15). Seorang peneliti akan menghasilkan
dilakukan.
percobaan merupakan gagasan dari R.A. Fisher dan F. Yates dari percobaan
Lengkap (RAL), yaitu rancangan yang paling sederhana karena unit percobaan
dan lingkungan bersifat homogen. Jika unit percobaan dan lingkungan tidak
1
2
yang diinginkan dilakukan dalam dua arah, yaitu baris dan kolom maka
kontrol lokal yaitu yang disebut baris dan kolom. Ada beberapa hal yang perlu di
perhatikan dalam menerapkan RBSL meliputi: banyaknya baris dan kolom harus
sama dengan banyaknya perlakuan dan perlakuan hanya boleh muncul sekali
Pada kasus rancangan bujur sangkar latin sering terjadi satu atau lebih
data hilang. Data yang hilang terjadi akibat pengamatan yang sah tidak dapat di
data hilang atau tidak dapat digunakan. Misalnya dalam suatu percobaan dengan
objek makhluk hidup ada yang mati sebelum percobaan berakhir, sebuah tabung
pecah atau terdapat data hasil percobaan yang hilang. Penyebab umum hilangnya
1. Perlakuan yang tidak tepat, yang menjadi penyebab umumnya antara lain
karena perlakuan yang tidak diberikan, pemberian yang salah kadarnya, dan
3. Data hasil percobaan yang hilang seperti data yang hilang diantaranya
4. Data tidak logis, yaitu data yang nilainya terlalu ekstrim (berlebihan) untuk
dinyatakan dalam batas wajar materi percobaan. Data ini dinyatakan sebagai
data hilang jika hanya karena suatu kesalahan seperti kesalahan membaca
pengamatan, salinan tidak tepat, atau penggunaan peralatan yang tidak tepat.
Analisis tidak dapat langsung diterapkan jika terdapat satu atau lebih
data hilang. Hal inilah yang mendasari diperlukan dugaan terhadap data hilang.
Dugaan data hilang dapat dilakukan dengan rumus baku. Setelah dilakukan
efek perlakuan yang diiringi oleh terjadinya variabel lain yang sifatnya
baik dibandingkan dengan analisis varians. Pada skripsi ini penulis hanya
membatasi pada analisis kovarians pada rancangan bujur sangkar latin dengan
satu dan dua data hilang dan model yang digunakan adalah model tetap.
4
B. Rumusan Masalah
1. Bagaimana analisis kovarians pada rancangan bujur sangkar latin dengan data
hilang?
C. Tujuan Penulisan
sebagai berikut:
data hilang.
D. Manfaat Penulisan
1. Bagi penulis
Pada kajian teori ini akan dibahas beberapa materi yang mendukung pada
analisis kovarians, model analisis kovarians pada rancangan bujur sangkar latin,
A. Rancangan Percobaan
Suatu percobaan dilakukan untuk menguji sesuatu yang telah atau diduga
bagaimana respons yang akan diberikan oleh suatu objek pada berbagai keadaan
tertentu yang diperhatikan. Dalam Suatu percobaan, keadaan tertentu ini sengaja
1994: 19).
6
7
1. Pengulangan (replication)
2. Pengacakan ( randozamition)
percobaan untuk dikenakan perlakuan (Gasperz, 1991: 23). Dengan kata lain
acak memberikan peluang yang sama kepada setiap unit percobaan untuk
dapat menggunakan tabel bilangan acak, sistem undian secara manual atau
perlakuan-perlakuan didalam kelompok ada dua cara, yaitu baris dan kolom.
Setiap perlakuan hanya diberikan sekali untuk setiap baris dan kolom.
Rancangan bujur sangkar latin dikenal sebagai suatu rancangan yang mampu
mengelompokkan unit percobaan berdasarkan dua kriteria untuk setiap baris dan
percobaan adalah sedemikian rupa sehingga perlakuan tertentu harus terjadi satu
kali dalam baris dan kolom. Hal ini hanya mungkin terjadi jika banyaknya
perlakuan sama dengan banyaknya baris dan sama dengan banyaknya kolom.
Oleh karena itu, diperlukan suatu pola tertentu agar syarat-syarat terpenuhi.
rancangan ini disebut dengan Rancangan Bujur Sangkar Latin (Latin Square
Design) dan disingkat menjadi RBSL atau LSD. Cara pencatatan secara umum
adalah RBSL r × r yang artinya RBSL dengan r buah baris dan r buah kolom
RBSL akan menjadi suatu rancangan yang sangat tidak efektif bila
biasanya di beri ukuran bergantung pada banyaknya perlakuan. Jika dalam suatu
memerlukan r2 unit percobaan. Untuk jumlah perlakuan yang lebih kecil dari
9
sangat kecil dengan konsekuensinya bahwa kuadrat tengah dari galat percobaan
menjadi besar. Dengan demikian, secara umum RBSL hanya digunakan untuk
122).
Selanjutnya kolom pertama juga ditulis seperti pada baris pertama, yaitu A B C
menjadi BCDA. Kolom kedua juga demikian, sama dengan baris kedua, ialah
BCDA. Baris ketiga dan kolom ketiga dengan mudah dapat ditulis berbentuk
CDBA serta untuk baris dan kolom keempat diperoleh DABC. Secara
Kolom
1 2 3 4
1 A B C D
Baris 2 B C D A
3 C D A B
4 D A B C
10
Dari RBSL standar diatas dapat disusun model RBSL lain yaitu dengan
jalan menukarkan baris secara acak dan atau juga menukarkan kolom secara
acak. misalnya baris 1 dan 2 diikuti kolom 2 dan 4, akhirnya baris 2 dan 3. Hasil
Kolom
1 2 3 4
1 C D B A
Baris 2 D B A C
3 B A C D
4 A C D B
jumlah perlakuan
2. Terdapat dua variabel kelompok, yaitu variabel kolom dan baris masing-
masing r tingkat
3. Setiap baris dan kolom dalam rancangan bujur sangkar latin memuat seluruh
Secara umum model linier aditif dari suatu rancangan satu faktor dengan
Υijk = µ + α i + β j + τ k + ε ijk
(2.1)
dengan:
i = 1,…,r
j = 1,…,r
k = 1,…,r
Y ijk = nilai pengamatan dari perlakuan ke-k, yang dipengaruhi oleh baris ke-i
dan kolom ke-j
µ = nilai tengah populasi (rata-rata yang sesungguhnya)
α i = pengaruh aditif dari baris ke-i
β j = pengaruh aditif dari kolom ke-j
τ k = pengaruh aditif dari perlakuan ke-k
ε ijk = pengaruh galat percobaan dari perlakuan ke-k pada baris ke-i dan kolom
ke-j
Jika model yang digunakan dalam RBSL adalah model tetap, maka asumsi
r r r
∑α i = ∑ β j =
i =1 j =1
∑τ
k =1
k =0
a. Pengaruh perlakuan
diamati)
12
b. Pengaruh baris
yang diamati)
diamati)
c. Pengaruh kolom
yang diamati)
diamati)
𝐽𝐽𝐽𝐽𝐽𝐽 𝐾𝐾𝐾𝐾𝐾𝐾
Baris r-1 JKB KTB =
𝑟𝑟−1 𝐾𝐾𝐾𝐾𝐾𝐾
𝐽𝐽𝐽𝐽𝐽𝐽 𝐾𝐾𝐾𝐾𝐾𝐾
Kolom r-1 JKK KTK =
𝑟𝑟−1 𝐾𝐾𝐾𝐾𝐾𝐾
𝐽𝐽𝐽𝐽𝐽𝐽 𝐾𝐾𝐾𝐾𝐾𝐾
Perlakuan r-1 JKP KTP =
𝑟𝑟−1 𝐾𝐾𝐾𝐾𝐾𝐾
𝐽𝐽𝐽𝐽𝐽𝐽
Galat (r-1)(r-2) JKG KTG = (𝑟𝑟−1)(𝑟𝑟−2) -
Keterangan :
r r r 2
r r
∑∑∑ (Yijk − Y ) =
i =1 j =1 k =1
∑∑ Y
i =1 j =1
ijk
2
− FK (2.2)
r r r r 2
Y
∑∑∑ (Yi ... − Y ) = ∑ i... − FK
2
(2.3)
i =1 j =1 k =1 i =1 r
2
r r r r Y. j .
∑∑∑ (Y
i =1 j =1 k =1
. j. −Y) = ∑
2
j =1 r
− FK (2.4)
r r r r 2
Y
∑∑∑
i =1 j =1 k =1
(Y..k − Y ) = ∑ ..k − FK
2
k =1 r
(2.5)
FK = Faktor Koreksi
2
Y ...
FK = 2 (2.7)
r
14
masalah yang dijumpai dalam banyak bidang penelitian biologi (Schefler, 1987:
kenyataannya ada variabel tertentu yang tidak dapat dikendalikan, tetapi sangat
varians dengan analisis regresi yang dapat digunakan untuk perbaikan ketelitian
suatu percobaan (Neter dkk, 1997: 136). Anakova dapat digunakan untuk
Selain itu anakova juga memerlukan adanya hubungan fungsional tertentu antara
varians dan kovarians. Dengan kata lain, anakova berfungsi untuk memurnikan
sebagai efek perlakuan yang diiringi variabel lain yang sifatnya berkorelasi
pengamatan terhadap ciri utama obyek seperti halnya dalam analisis varians,
15
juga memerlukan hasil-hasil pengamatan terhadap satu atau lebih ciri pengiring,
tertentu (korelasi) antara ciri utama dan ciri pengiring (Hanafiah, 2000: 147).
linier.
F. Analisis Regresi
tidak bebas Y dari nilai-nilai satu atau lebih variabel bebas X disebut persamaan
Regresi linear sederhana terdiri dari satu variabel bebas X dan satu
variabel tidak bebas Y. Model regresi linear sederhana (Sembiring, 1995: 38)
adalah:
Y= 𝛼𝛼 + 𝛽𝛽X + 𝜀𝜀 (2.8)
𝜀𝜀 = galat, 𝜀𝜀 𝑖𝑖𝑖𝑖𝑖𝑖 2
~ 𝑁𝑁(0, 𝜎𝜎 )
Yˆ = a + bX (2.9)
Regresi linier yang terdiri dari dua variabel bebas atau lebih disebut
regresi linier berganda. Model regresi linier berganda dengan dua variabel bebas
adalah:
Y = β 0 + β 1 X 1 + β 2 X 2 +𝜀𝜀 (2.10)
ε = galat, 𝜀𝜀 𝑖𝑖𝑖𝑖𝑖𝑖 2
~ 𝑁𝑁(0, 𝜎𝜎 )
Yˆ = b0 + b1 X 1 + b2 X 2 (2.11)
17
nonlinier.
1. Regresi Linier
Pola hubungan antara dua variabel dikatakan linier jika besar perubahan
nilai Y yang diakibatkan oleh perubahan satu satuan nilai-nilai X adalah konstan,
untuk jangkauan nilai X tertentu (Sugiarto, 1992: 2). Model regresi linier umum
adalah:
Y = β 0 + β 1 X 1 + β 2 X 2 +…+ β p −1 X p −1 + ε (2.12)
besar perubahan nilai Y yang diakibatkan oleh perubahan X, tidak konstan untuk
nonlinier diantara dua variabel. Oleh karena terdapat banyak kurva nonlinier
misalnya kurva parabola dan kurva kuadratik yang dapat digunakan untuk
penelitian sebaiknya ditentukan dahulu bentuk kurva yang paling tepat untuk
dengan i = 1,2,3,…,r
j= 1,2,3,…,r
k= 1,2,3,…,r
ε ijk ~ N(0, σ 2 )
Υijk = pengamatan dari perlakuan ke-k yang dipengaruhi oleh baris ke-i dan
kolom ke-j
µ = nilai tengah populasi
α i = pengaruh aditif dari baris ke-i
ε ijk = pengaruh galat percobaan perlakuan ke-k pada baris ke-i kolom ke-j
rancangan bujur sangkar latin ada beberapa asumsi yang harus dipenuhi.
dicobakan
Asumsi ini dapat diketahui dari plot X dan Y yaitu apabila titik-titik amatan
grafik peluang normal dari galat. Apabila titik-titik amatan mengikuti arah
garis diagonal maka galat berdistribusi normal. Hal ini dapat dilakukan
20
1993: 117) :
r r r Yijk
a. µ̂ Yˆ = ∑∑∑ =Y (2.15)
i =1 j =1 k =1 r
r r r X ijk
b. µ̂ X = ∑∑∑ =X (2.16)
i =1 j =1 k =1 r
r r
∑ ijkY ∑ X ijk
c. aˆ i = i =1 − µˆ Y − Yˆ i =1 − µˆ X (2.17)
r r
r r
∑ ijkY ∑ X ijk
d. β j =
ˆ j =1
− µˆ Y − Yˆ j =1
− µˆ X (2.18)
r r
r r
∑ Yijk ∑ X ijk
e. τˆk = k =1 − µˆ Y − Yˆ k =1 − µˆ X (2.19)
r r
∑∑∑ ( X
i =1 j =1 k =1
ijk − X i.. − X . j . − X ..k ) 2
JHK XY
= (2.20)
JK X
d. Pengaruh X terhadap Y
H 0 : γ = 0 (X tidak mempengaruhi Y)
H 1 : γ ≠ 0 (X mempengaruhi Y)
Taraf signifikan : α
KTregresi
Statistik uji : F = (2.22)
KTgalatterkoreksi
terkoreksi).
sangkar latin dengan model tetap yang dilakukan adalah sebagai berikut :
Jika semua asumsi terpenuhi dapat dilanjutkan, maka dengan langkah berikut:
1. Menghitung Jumlah Kuadrat Total (JKT) dari X,Y dan Jumlah Hasil Kali
r r r 2 2
X
JKT x = ∑∑∑ X
i =1 j =1 k =1
ijk − ...2
r
(2.23)
r r r 2 2
Y...
JKT y = ∑∑∑ Yijk −
i =1 j =1 k =1 r2
(2.24)
r r r
X ...Y...
JHKT xy = ∑∑∑ X
i =1 j =1 k =1
ijk Yijk −
r2
(2.25)
22
2. Menghitung Jumlah Kuadrat Baris (JKB) dari X,Y dan Jumlah Hasil Kali
r 2 2
X i... X
JKB x = ∑
i =1 r
− ...2
r
(2.26)
r 2 2
Y Y
JKB y = ∑ ... − ...2 (2.27)
i =1 r r
r
X i ...Yi... X ...Y...
JHKB xy = ∑ i =1 r
− 2
r
(2,28)
3. Menghitung Jumlah Kuadrat Kolom (JKK) dari X,Y dan Jumlah Hasil Kali
2 2
r X . j. X ...
JKK x = ∑j =1 r
−
r2
(2.29)
2
r Y. j . Y...
JKK y = ∑
j =1 r
−
r2
(2.30)
r X . j .Y. j . X ...Y...
JHKK xy = ∑j =1 r
−
r2
(2.31)
4. Menghitung Jumlah Kuadrat Perlakuan (JKP) dari X,Y dan JHKP dari X,Y
r 2 2
X X
JKP x = ∑ ..k − ...2 (2.32)
k =1 r r
r 2 2
Y Y
JKP y = ∑ ..k − ...2 (2.34)
k =1 r r
r
X ..k Y..k X ...Y...
JHKP xy = ∑ k =1 r
− 2
r
(2.35)
23
5. Menghitung Jumlah Kuadrat Galat (JKG) dari X,Y dan JHKG dari X,Y
( JHKG xy ) 2
= JKGy −
JKG x
( JHKPxy + JHKG xy ) 2
JK ( P+G) terkoreksi = (JKP y + JKG y ) -
JKPx + JKG x
( JHKB xy − JHKG xy ) 2
JK (B +G) terkoreksi = (JKBy + JKGy) -
JKB X + JKG x
( JHKK xy − JHKG xy ) 2
JK(K + G) terkoreksi = (JKKY+JKGY) -
JKK X + JKG x
8. Menghitung KT
JKG y terkoreksi
KTG terkoreksi =
dbgalatterkoreksi
JKPy terkoreksi
KTP terkoreksi =
dbperlakuanterkoreksi
JKB y terkoreksi
KTB terkoreksi =
dbbaristerkoreksi
JKK y terkoreksi
KTK terkoreksi =
dbkolomterkoreksi
a. Pengaruh perlakuan
yang diamati)
Taraf signifikansi : α
KTPterkoreksi
Statistik uji : F =
KTGterkoreksi
b. Pengaruh baris
yang diamati)
KTBterkoreksi
Statistik uji : F =
KTGterkoreksi
c. Kolom
yang diamati)
Taraf signifikansi : α
KTKterkoreksi
Satistik uji : F =
KTGterkoreksi
db regresi
KT
SV Sebelum dikoreksi Setelah dikoreksi
regresi
db JK x JK y JHK xy Db JK KT F hit
Total r2-1 JKT x JKT y JHKT xy - - r2-1 - - -
JKB 𝐽𝐽𝐽𝐽𝐽𝐽 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾)
Baris r-1 JKB x JKB y JHKB xy - - r-1
(koreksi) 𝑑𝑑𝑑𝑑 𝐾𝐾𝐾𝐾𝐾𝐾(𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡)
I. Koefisien Keragaman
ketepatan dari suatu kesimpulan atau hasil yang diperoleh dari suatu percobaan.
KTG
KK = × 100% (2.36)
Y
KTGterkoreksi
KK = × 100% (2.37)
Y
semakin kecil berarti derajat ketepatan akan semakin tinggi dan keabsahan
J. Distribusi F
Jika S 1 2 dan S 2 2 adalah variansi dari sampel acak bebas dengan ukuran
n 1 dan n 2 yang berasal dari populasi normal dengan σ 1 2 dan σ 2 2 adalah variansi
populasi maka:
S1 / σ 1
2 2
F= (2.38)
S2 /σ1
2 2
Merupakan nilai bagi variabel acak yang mempunyai distribusi F dengan derajat
1
F1−α (υ1 ,υ 2 ) = (2.39)
Fα (υ 2 ,υ1 )
28
K. Sisaan
ei = Yi − Yˆi (2.40)
Pada bab ini akan dibahas pendugaan satu data hilang dan dua data
hilang dengan rumus baku. Setelah dilakukan pendugaan terhadap data hilang
Hilang
Pada rancangan bujur sangkar latin sering terjadi adanya data yang
untuk analisis, sehingga data tersebut dianggap data hilang (Gasperz, 1991:
167). Jika terdapat satu atau dua data hilang pada RBSL ini, data tersebut
masih dapat di analisis. Tentunya, data yang hilang atau dianggap hilang
Jika terdapat satu data hilang pada rancangan bujur sangkar latin maka
data yang hilang tersebut diganti oleh nilai dugaan yang menyebabkan jumlah
metode kuadrat terkecil dengan langkah awal dimisalkan data yang hilang
penggunaan metode kuadrat terkecil maka penduga data yang hilang untuk
baris ke-i lajur ke-j dan perlakuan ke-k (Yitnosumarto, 1993: 92) adalah:
29
30
r ( Ri + C j + Tk ) − 2G
Yij ( k ) =
(r − 1)(r − 2) (3.1)
dengan:
Yijk = data yang diduga pada baris ke-i lajur ke-j dan perlakuan ke-k,
Ri = total pada baris ke-i dimana terdapat data yang hilang atau dianggap
hilang
Cj = total lajur ke-j di mana terdapat data hilang
T (k ) = total perlakuan ke-k di mana terdapat data yang hilang
G = total seluruhnya (tidak termasuk data yang hilang)
R = banyaknya perlakuan
Jumlah kuadrat perlakuan akan terbias keatas, oleh karena itu perlu dikoreksi
{G − Ri − C j − (r − 1)Tk }
bias =
{(r − 1)(r − 2)}2 (3.2)
kebebasan galat dengan satu, dimana satu adalah banyaknya data yang hilang.
Jika terdapat dua data hilang maka nilai pengamatan diusahakan tinggal
satu saja yaitu dengan cara menduga dahulu nilai pengamatan yang hilang
lainnya berdasarkan rata-rata nilai pada baris, kolom, dan perlakuan yang
sebagai berikut:
Langkah 1. Tentukan nilai awal untuk semua data yang hilang. Nilai yang
paling umum digunakan untuk setiap pengamatan yang hilang adalah rata-rata
Yi +Y j +Y k
Yijk = (3.3)
3
dengan:
Y = nilai dugaan
Langkah 2. Masukkan semua nilai awal yang ditentukan dalam langkah satu
r ( Ri + C j + Tk ) − 2G
Yij ( k ) =
(r − 1)(r − 2)
Ambil nilai awal dan dianggap sebagai data hilang, kemudian diduga dengan
rumus baku.
32
Ambil salah satu nilai dan nyatakan sebagai data hilang, kemudian data
Langkah 5. Gunakan hasil dugaan dari siklus iterasi terakhir bersama seluruh
[Y '... − Yi1.. − Y '. j1. − (r − 1)Y '..k ] 2 + [Y '... − Yi 2.. − Y '. j 2. − (r − 1)Y '..k 2 ] 2
bias = (3.4)
[(r − 1)(r − 2)]2
Analisis kovarians pada rancangan bujur sangkar latin data hilang sama
latin tanpa data hilang yaitu menghitung FK, JKT, JKB, JKK, JKP, dan JKG.
Sebelum dilakukan uji analisis kovarians pada satu data hilang dan dua
data hilang terlebih dahulu dilakukan uji asumsi analisis kovarians. Asumsi-
asumsi yang harus dipenuhi pada analisis kovarians yaitu sebagai berikut:
dicobakan
33
dicobakan
JKPx /(t − 1)
iii. Statistik uji : F = (3.5)
JKG x /(t (r − 1))
linier. Asumsi ini dapat diketahui dari plot X dan Y yaitu apabila titik-titik
mengikuti arah garis diagonal maka galat berdistribusi normal. Hal ini
r r r Yijk
a. µˆ Yˆ = ∑∑∑ = Yˆ (3.6)
i =1 j =1 k =1 r
r r r X ijk
b. µˆ X = ∑∑∑ = Xˆ (3.7)
i =1 j =1 k =1 r
r r
∑ Yijk ∑ X ijk
c. aˆ i = i =1 − µˆ Y − Yˆ i =1 − µˆ X (3.8)
r r
34
r r
∑ ijkY ∑ X ijk
d. β j =
ˆ j =1
− µY − Y
ˆ ˆ j =1
− µX
ˆ (3.9)
r r
r r
∑ ijkY ∑ X ijk
e. τˆk = k =1 − µˆ Y − Yˆ k =1 − µˆ X (3.10)
r r
∑∑∑ ( X
i =1 j =1 k =1
ijk − X i.. − X . j . − X ..k ) 2
JHK XY
= (3.11)
JK X
4. Pengaruh X terhadap Y
H 0 : γ = 0 ( X tidak mempengaruhi Y)
H 1 : γ ≠ 0 (X mempengaruhi Y)
KTregresi
iii. Statistik uji : F = (3.13)
KTgalatterkoreksi
iv. Kriteria keputusan : H 0 ditolak jika F hit >F α (db regresi, db galat
terkoreksi).
35
berikut:
1. Menghitung Jumlah Kuadrat Total (JKT) dari X,Y dan Jumlah Hasil Kali
r r r 2 2
X
JKT x = ∑∑∑ X
i =1 j =1 k =1
ijk − ...2
r
(3.14)
r r r 2 2
Y...
JKT y = ∑∑∑ Yijk −
i =1 j =1 k =1 r2
(3.15)
r r r
X ...Y...
JHKT xy = ∑∑∑ X
i =1 j =1 k =1
ijk Yijk −
r2
(3.16)
2. Menghitung Jumlah Kuadrat Baris (JKB) dari X,Y dan Jumlah Hasil Kali
r 2 2
X i... X
JKB x = ∑
i =1 r
− ...2
r
(3.17)
r 2 2
Y Y
JKB y = ∑ ... − ...2 (3.18)
i =1 r r
r
X i ...Yi... X ...Y...
JHKB xy = ∑ i =1 r
− 2
r
(3.19)
3. Menghitung Jumlah Kuadrat Kolom (JKK) dari X,Y dan Jumlah Hasil Kali
2 2
r X . j. X
JKK x = ∑
j =1 r
− ...2
r
(3.20)
2
r Y. j . Y...
JKK y = ∑
j =1 r
−
r2
(3.21)
36
r X . j .Y. j . X ...Y...
JHKK xy = ∑
j =1 r
−
r2
(3.22)
4. Menghitung Jumlah Kuadrat Perlakuan (JKP) dari X,Y dan JHKP dari X,Y
r 2 2
X X
JKP x = ∑ ..k − ...2 (3.23)
k =1 r r
r 2 2
Y..k Y
JKP y = ∑
k =1 r
− ...2
r
(3.24)
r
X ..k Y..k X ...Y...
JHKP xy = ∑
k =1 r
− 2
r
(3.25)
5. Menghitung Jumlah Kuadrat Galat (JKG) dari X,Y dan JHKG dari X,Y
( JHKG xy ) 2
= JKGy −
JKG x
( JHKPxy + JHKG xy ) 2
JK ( P+G) terkoreksi = (JKP y + JKG y ) -
JKPx + JKG x
( JHKB xy − JHKG xy ) 2
JK (B +G) terkoreksi = (JKB y + JKG y ) -
JKB X + JKG x
( JHKK xy − JHKG xy ) 2
JK(K + G) terkoreksi = (JKKY+JKGY) -
JKK X + JKG x
8. Menghitung KT
JKG y terkoreksi
KTG terkoreksi =
dbgalatterkoreksi
JKPy terkoreksi
KTP terkoreksi =
dbperlakuanterkoreksi
38
JKB y terkoreksi
KTB terkoreksi =
dbbaristerkoreksi
JKK y terkoreksi
KTK terkoreksi =
dbkolomterkoreksi
a. Pengaruh perlakuan
KTPterkoreksi
iii. Statistik uji : F =
KTGterkoreksi
b. Pengaruh baris
i. Hipotesis
yang diamati)
KTBterkoreksi
iii. Statistik uji : F =
KTGterkoreksi
c. Kolom
i. Hipotesis
KTKterkoreksi
iii. Satistik uji : F =
KTGterkoreksi
Dengan menduga data hilang pada baris ke-i kolom ke-j dan perlakuan ke-k, maka
regresi
db
KT
SV Sebelum dikoreksi Setelah dikoreksi
regresi
db JK x JK y JHK xy Db JK KT F hit
Total r2-1 JKT x JKT y JHKT xy - - r2-1 - - -
JKB 𝐽𝐽𝐽𝐽𝐽𝐽 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾𝐾)
Baris r-1 JKB x JKB y JHKB xy - - r-1
(koreksi) 𝑑𝑑𝑑𝑑 𝐾𝐾𝐾𝐾𝐾𝐾(𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡)
JKK 𝐽𝐽𝐽𝐽𝐽𝐽 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝐾𝐾𝐾𝐾𝐾𝐾(𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡)
Kolom r-1 JKK x JKK y JHKK xy - - r-1
(koreksi) 𝑑𝑑𝑑𝑑 𝐾𝐾𝐾𝐾𝐾𝐾(𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡)
JKP’ 𝐽𝐽𝐽𝐽𝐽𝐽′ 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝐾𝐾𝐾𝐾𝐾𝐾′(𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
Perlakuan r-1 JKP x JKP y JHKP xy - - r-1
(koreksi) 𝑑𝑑𝑑𝑑 𝐾𝐾𝐾𝐾𝐾𝐾(𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡)
terhadap hasil produksi padi yang terdapat dalam petak percobaan. Telah
digunakan maka model matematis yang digunakan adalah model tetap. Data
aslinya adalah data lengkap, sehingga untuk penerapan RBSL dengan satu
ke-D kelompok ke-2 (Y 12 ) hilang. Sedangkan untuk RBSL dengan dua data
41
Data dan penyelesaian untuk RBSL dengan data lengkap, RBSL dengan
satu data hilang, dan RBSL dengan dua data hilang adalah sebagai berikut.
1. Data lengkap
Tabel 3.2. Data Hasil Produksi Tanaman Padi (Y) dan Pemberian
Insektisida (X)
Total
Kolom
Baris Baris
1 2 3 4
V C D B A
1 X 3,27 3,97 4,19 2,96 14,39
Y 3,33 4,17 4,49 3,35 15,34
V D B A C
2 X 3,77 4,12 4,10 3,28 15,27
Y 3,93 4,22 4,48 3,98 16,61
V B A C D
3 X 4,02 3,38 4,91 3,96 16,27
Y 4,12 3,79 5,02 4,14 17,07
V A C D B
4 X 4,12 4,57 3,13 4,18 16
Y 4,55 4,40 3,30 4,44 16,69
Total X .j. 15,18 16,04 16,33 14,38 61,93
Kolom Y .j. 15,93 16,58 17,29 15,89 65,71
A B C D
42
X = pemberian insektisida
adalah:
dengan i = 1,2,3,…,r
j = 1,2,3,…,r
k = 1,2,3,…,r
ε ijk ~ N(0, σ 2 )
Υijk = hasil produksi dari varietas tanaman padi ke-k yang dipengaruhi
oleh baris ke-i dan kolom ke-j
µ = rata-rata hasil produksi yang sesungguhnya
α i = pengaruh aditif dari baris ke-i
ε ijk = pengaruh galat yang timbul dari varietas tanaman padi ke-k pada
baris ke-i kolom ke-j
X ijk = pemberian insektisida dari pelakuan ke-k dalam baris ke-i kolom
ke-j, merupakan peubah pengiring yang mempengaruhi nilai
pengamatan Y ijk .
Sebelum melakukan analisis pada kasus dengan satu data hilang dan
dua data hilang, akan dilakukan analisis terhadap data lengkap dengan kasus
yang sama.
1. Pengujian asumsi
dicobakan
i. Hipotesis
dicobakan
dicobakan
JKPx /(t − 1)
F=
JKGx / t ((r − 1))
44
dengan :
JKPx = Jumlah Kuadrat Perlakuan untuk variabel x
JKGx = Jumlah Kuadrat Galat untuk variabel x
t = banyaknya perlakuan
r = banyaknya ulangan
v. Perhitungan:
0,6580687 /(4 − 1)
F= = 1,032775911
2,5487376 / 4((4 − 1))
vi. Kesimpulan:
Observed
Linear
5.00
4.50
4.00
3.50
65,71
i. µˆ = yˆ ... = = 4,106875
y 16
61,91
ii. µˆ = xˆ... = = 3,870625
x 16
JHKGx
iii. yˆ = = 0,911279607
JKGx
(
iv. aˆ = y − y... − y x − x...
i .i. .i.
) ( )
15,34 65,71 14,39 61,93
aˆ =
1 4
− − 0,911279607 − = −0,022981758
16 4 16
46
v. βˆ = y − y... − y x − x...
j . j. . j.
vi. τˆ ( ) (
= y − y... − y x − x...
.k . .k .
)
k
vii. εˆi jk = yijk − yˆijk = yijk − µˆ y − aˆi − βˆi − τˆk ( xijk − x...)
Prosedur untuk mencari data dugaan galat dapat dilihat pada lampiran 1.
Tabel 3.3. Data Dugaan Galat pada Percobaan Varietas Tanaman Padi
Kolom
Baris Total
A B C D
gambar berikut:
1.0
0.8
Expected Cum Prob
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob
Terlihat pada gambar grafik diatas bahwa titik-titik dugaan galat mengikuti
d. Pengaruh X terhadap Y
H 0 : γ = 0 ( X tidak mempengaruhi Y)
H1 : γ ≠ 0 (X mempengaruhi Y)
KT regresi
F=
KTG terkoreksi
iv. Kriteria keputusan: H 0 ditolak jika F hit > F α (db regresi,db galat terkoreksi)
v. Perhitungan:
KT regresi =
( JHKGxy )
2
= 2,116549499
JKGx
KT regresi 2,116549499
F= = = 45,82503924
KTG terkoreksi 0,04618762
vi. Kesimpulan:
2. Melakukan perhitungan
Diketahui:
r r
∑ xi jk = 61,93 ∑ yi jk = 65,71
ijk ijk
r
∑ xijk 2 = 24,0303
ijk
r
∑ y 2 = 273,3691
ijk
ijk
50
x 2 ... (61,93) 2
= = 239,7078063
r2 16
y 2 ... (65,71) 2
= = 269,8627563
r2 16
∑ ∑ xi jk yijk = 257,9554
= 0.5316687
= 0.4244187
51
= 0,5840187
= 0,3206187
= 0,6580687
= 0,4138187
52
= 2,5487376
= 2,3474876
= 2,3474876 -
(2,3226126)2
2,5487376
= 0,230938101
JKGy terkoreksi
KTG terkoreksi = = 0,04618762
(r − 1)(r − 2) − 1
JKBy terkoreksi
KTB terkoreksi = = 0,547202777
(r − 1)
JKKy terkoreksi
KTK terkoreksi = = 0,078404929
(r − 1)
JKPy terkoreksi
KTP terkoreksi = = 0,0374565941
(r − 1)
berikut :
db total terkoreksi = r2 –1 = 16 – 2 = 15
54
db perlakuan terkoreksi = r – 1 = 4 – 1 = 3
db baris terkoreksi = r – 1 = 4 – 1 = 3
db kolom terkoreksi = r – 1 = 4 –1 = 3
i. Pengaruh perlakuan
KTP terkoreksi
F=
KTG terkoreksi
v. Perhitungan
0,037465941
F= = 0,811168469
0,04618762
F 0,05 (3,5)=5,41
55
vi. Kesimpulan: H 0 diterima, karena F hit < Fα , artinya tidak ada pengaruh
Tabel 3.4. Analisis Kovarians pada Bujur Sangkar Latin dengan Data
Lengkap
db
KT
SV Sebelum dikoreksi reg Setelah dikoreksi
regresi
resi
db JK x JK y JHK xy db JK KT F hit
4,3224 3,506 3,6166
Total 15 - - 15 - - -
937 3437 312
0,5316 0,424 0,4477 1,641608 0,547202 11,847
Baris 3 - - 3
687 4187 812 333 777 39064
JKG 2,3474876
Diketahui: KTG = = = 0,391247933
(r − 1)(r − 2) (4 − 1)(4 − 2)
56
KTG 0,391247933
KK = 100% = 100% = 15,23051342%
y 4,106875
Kesimpulan:
varians.
Tabel 3.5. Data Hasil Produksi Tanaman Padi (Y) dan Pemberian
Insetisisda (X) dengan Satu Data Hilang Y 12D
Total
Kolom
Baris Baris
1 2 3 4
1 V C D B A
X 3,27 3,97 4,19 2,96 14,39
Y 3,33 Y 12 4,49 3,35 13,96
2 V D B A C
X 3,77 4,12 4,10 3,28 15,27
Y 3,93 4,22 4,48 3,98 16,61
3 V B A C D
X 4,02 3,38 4,91 3,96 16,27
Y 4,12 3,79 5,02 4,14 17,07
4 V A C D B
X 4,12 4,57 3,13 4,18 16
Y 4,55 4,40 3,30 4,44 16,69
Total X .j. 15,18 16,04 16,33 14,38 61,93
Kolom Y .j. 15,93 16,58 17,29 15,89 64,33
57
A B C D
X = pemberian insektisida
Pada kasus data lengkap di atas, dimisalkan data yang hilang terdapat
yang hilang perlu di duga terlebih dahulu. Dengan menggunakan rumus 3.1
= 65,71 – 4,17
= 61,54
(G − Ri − C j − (r − 1)T )
k
Bias =
{( r − 1)(r − 2)}2
(61,54 − 11,17 − 12,41 − (4 − 1)11,37)
=
{(4 − 1)(4 − 2)}2
37,96 − 34,11 14,8225
= =
36 36
= 0,411736111
Nilai dugaan data hilang yang telah didapat kemudian dimasukkan kedalam
tabel pengamatan.
Tabel 3.6. Data Hasil Produksi Tanaman Padi (Y) dan Varietas
Tanaman (X) dengan Nilai Dugaan Satu Data Hilang Y 12D
Total
Kolom
Baris Baris
1 2 3 4
1 V C D B A
X 3,27 3,97 4,19 2,96 14,39
Y 3,33 2,79 4,49 3,35 13,96
2 V D B A C
X 3,77 4,12 4,10 3,28 15,27
Y 3,93 4,22 4,48 3,98 16,61
3 V B A C D
X 4,02 3,38 4,91 3,96 16,27
Y 4,12 3,79 5,02 4,14 17,07
4 V A C D B
X 4,12 4,57 3,15 4,16 16
Y 4,55 4,40 3,30 4,44 16,69
Total X .j. 15,18 16,04 16,33 14,38 61,93
Kolom Y .j. 15,93 16,58 17,29 15,89 64,33
59
A B C D
X = pemberian insektisida
1. Pengujian asumsi
dicobakan
i. Hipotesis
dicobakan
dicobakan
JKPx /(t − 1)
F=
JKGx / t ((r − 1))
60
dengan :
JKPx = Jumlah Kuadrat Perlakuan untuk variabel x
JKGx = Jumlah Kuadrat Galat untuk variabel x
t = banyaknya perlakuan
r = banyaknya ulangan
v. Perhitungan:
0,6580687 /(4 − 1)
F= = 1,032775911
2,5487376 / 4(4 − 1))
vi. Kesimpulan:
Observed
5.50 Linear
5.00
4.50
4.00
3.50
3.00
2.50
2.50 3.00 3.50 4.00 4.50 5.00
X
64,33
i. µˆ = yˆ ... = = 4,020625
y 16
61,93
ii. µˆ = xˆ... = = 3,870625
x 16
JHKGx
iii. yˆ = = 0,696731589
JKGx
( ) (
iv. aˆi = y.i. − y... − y x.i. − x... )
v. βˆ j = y. j. − y... − y x. j. − x...
vi. τ
A
( ) (
= y − y... − y x − x...
.k . .k .
)
16,17 64,33 14,56 61,93
τˆ = − − 0,696731589 − = 0,182558722
A 4 16 4 16
vii. εˆi jk = yijk − yˆijk = yijk − µˆ y − aˆi − βˆi − τˆk ( xijk − x...)
Prosedur untuk mencari data dugaan galat dapat dilihat pada lampiran 1
Kolom
Baris Total
A B C D
Komponen galat percobaan pada tabel diplotkan hasilnya seperti pada gambar
berikut:
1.0
0.8
Expected Cum Prob
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob
Terlihat pada gambar grafik diatas bahwa titik-titik dugaan galat mengikuti
d. Pengaruh X terhadap Y
H 0 : γ = 0 (X tidak mempengaruhi Y)
H1 : γ ≠ 0 (X mempengaruhi Y)
KT regresi
F=
KT terkoreksi
65
iv. Kriteria keputusan: H 0 ditolak jika F hit > F α (db regresi,db galat terkoreksi)
v. Perhitungan:
KT regresi =
(JHKGxy )2 =
(1,775876) 2
= 1,237371618
JKGx 2,5487376
KT regresi 1,237371618
F= = = 26,79011427
KTG terkoreksi 0,078527833
vi. Kesimpulan:
2. Melakukan perhitungan
r r
∑ xi jk = 61,93 ∑ y i jk = 64,33
ijk ijk
x 2 ... (61,93) 2
= = 239,7078063
r2 16
y 2 ... (64,33) 2
= = 258,6468063
r2 16
r
∑ xijk 2 = 244,0303
ijk
66
r
∑ yijk 2 = 263,743
ijk
∑ ∑ xi jk yijk = 252,4768
= 0.5316687
= 1,5318687
= 0,5840187
= 0,5724687
= 0,6580687
= 1,3832687
= 2,5487376
= 1,6298876
= 1,6298876 -
(1,7757876)2
2,5487376
= 1,6298876 - 1,237248432
= 0,392539168
berikut :
db total terkoreksi = r2 –1 = 16 – 1 = 15
db perlakuan terkoreksi = r – 1 = 4 – 1 = 3
db baris terkoreksi = r – 1 = 4 – 1 = 3
db kolom terkoreksi = r – 1 = 4 –1 = 3
Pengaruh perlakuan
i. Hipotesis
KTP terkoreksi
F=
KTG terkoreksi
dengan :
KTP = Kuadrat Tengah Perlakuan
KTG = Kuadrat Tengah Galat
v. Perhitungan
0,414031696
F= = 5,272419733
0,078527833
F 0,05 (3,5)=16,53
vi. Kesimpulan
db
KT
SV Sebelum dikoreksi regr Setelah dikoreksi
regresi
esi
Db JK x JK y JHK xy db JK KT F hit
4,3224 5,11749 3,479
Total 15 - - 14 - - -
937 37 4937
0,5316 1,53186 0,824 0,5737 0,19126 2,43560
Baris 3 - - 3
687 87 6937 88875 2958 7232
0,5840 0,57246 0,191 0,5737 0,19126 0,24355
Kolom 3 - - 3
187 87 9187 86944 2314 9903
0,6580 1,38326 0,687 1,2420 0,41403 5,27241
Perlakuan 3 - - 3
687 87 0937 95089 1696 9733
JKG 1,629876
Diketahui: KTG = = = 0,271647793
(r − 1)(r − 2) 6
KTG 0,271647793
KK = 100% = 100% = 12,96312276%
y 4,020625
Seperti pada kasus satu data hilang, pada penerapan dua data hilang
pendugaan pada dua data hilang tersebut dengan menggunakan rumus iterasi.
A B C D
X = pemberian insektisida
Prosedur pendugaan dua data hilang dalam tabel, yaitu Y 23A dan Y 44B sebagai
berikut:
Y 23A = 2,93 dan untuk Y 44B = 3,03. Nilai dugaan kemudian dimasukkan
Tabel 3.10. Data Hasil Produksi Tanaman Padi (Y) dan Pemberian
Insektisida (X) dengan Dua Data Hilang Y 23 A dan Y 44B
Total
Kolom
Baris Baris
1 2 3 4
1 V C D B A
X 3,27 3,97 4,19 2,96 14,39
Y 3,33 4,17 4,49 3,35 13,96
2 V D B A C
X 3,77 4,12 4,10 3,28 15,27
Y 3,93 4,22 3,03 3,98 16,61
3 V B A C D
X 4,02 3,38 4,91 3,96 16,27
Y 4,12 3,79 5,02 4,14 17,07
4 V A C D B
X 4,12 4,57 3,13 4,18 16
Y 4,55 4,40 3,30 2,93 16,69
Total X .j. 15,18 16,04 16,33 14,38 61,93
Kolom Y .j. 15,93 16,58 16,82 15,41 64,33
A B C D
X = pemberian insektisida
1. Pengujian asumsi
a. Variabel konkomitan tidak berkorelasi dengan perlakuan yang
dicobakan
i. Hipotesis
dicobakan
dicobakan
JKPx /(t − 1)
F=
JKGx /(t (r − 1))
v. Perhitungan:
0,6580687 /( 4 − 1)
F= = 1,032775911
2,5487376 /( 4(4 − 1))
vi. Kesimpulan:
Observed
Linear
5.00
4.50
4.00
3.50
3.00
62,75
i. µˆ = yˆ ... = = 3,921875
y 16
61,91
ii. µˆ = xˆ... = = 3,870625
x 16
79
JHKGx 1,5856876
iii. yˆ = = = 0,622478817
JKGx 2,5487376
( ) (
iv. aˆ = y − y... − y x − x...
i .i. .i.
)
15,34 62,75 14,39 61,93
aˆ =
1 4
− − 0,622478817 − = 0,083139526
16 4 16
v. βˆ j = y. j. − y... − y x. j. − x...
vi. τˆ ( ) (
= y − y... − y x − x...
.k . .k .
)
A
vii. εˆi jk = yijk − yˆijk = yijk − µˆ y − aˆi − βˆi − τˆk ( xijk − x...)
Kolom
Baris Total
A B C D
Komponen galat percobaan pada tabel diplotkan dan hasilnya seperti pada
gambar berikut
1.0
0.8
Expected Cum Prob
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob
Terlihat pada gambar grafik diatas bahwa titik-titik dugaan galat mengikuti
d. Pengaruh X terhadap Y
i. Hipotesis
H 0 : γ = 0 (X tidak mempengaruhi Y)
H1 : γ ≠ 0 (X mempengaruhi Y)
KT regresi
F=
KTG terkoreksi
iv. Kriteria keputusan: H 0 ditolak jika F hit > F α (db regresi,db galat terkoreksi)
v. Perhitungan:
KT regresi =
( JHKGxy )
2
=
(2,081625) 2
= 1,700121127
JKGx 2,5487376
KT regresi 1,700121127
F= = = 16,01534295
KTG terkoreksi 0,106155774
vi. Kesimpulan:
2. Melakukan perhitungan
r r
∑ xi jk = 61,93 ∑ yi jk = 62,75
ijk ijk
x 2 ... (61,93) 2
= = 239,7078063
r2 16
y 2 ... (62,75) 2
= = 246,0976563
r2 16
83
∑x = 244,0303
2
ijk
ijk
∑y = 251,3509
2
ijk
ijk
r r
∑∑ x
ijk ijk
ijk y ijk = 245,6986
= 0.5316687
= 0,6419687
84
= 0,5840187
= 0,63640687
= 0,6580687
= 0,5124687
85
= 2,5487376
= 3,4647376
berikut :
db total terkoreksi = r2 –1 = 16 – 1 = 13
db perlakuan terkoreksi = r – 1 = 4 – 1 = 3
db baris terkoreksi = r – 1 = 4 – 1 = 3
db kolom terkoreksi = r – 1 = 4 –1 = 3
i. Pengaruh perlakuan
KTP terkoreksi
F=
KTG terkoreksi
v. Perhitungan
0,588267344
F= = 1,186941942
0,495615938
88
Tabel 3.l 2. Tabel Analisis Kovarians pada Rancangan Bujur Sangkar Latin
dengan Dua Data Hilang
db
KT
SV Sebelum dikoreksi regre Setelah dikoreksi
regresi
si
db JK x JK y JHK xy Db JK KT F hit
2,81
4,3224 5,2532
Total 15 6881 - - 13 - - -
937 437
2
0,32
0,5316 0,6419 0,4378 0,14593 0,29446
Baris 3 9456 - - 3
687 687 1911 9703 1279
2
0,49
0,5840 0,6340 0,2410 0,08034 0,16211
Kolom 3 3231 - - 3
187 687 13402 4673 1753
2
0,40
0,6580 0,5124 1,7648 0,58826 1,18694
Perlakuan 3 8506 - - 3
687 687 02033 7344 1942
2
1,58
2,5487 3,4647 1,99051 2,7192 0,49561
Galat 6 5687 1 4 -
376 376 21371 5938
6 2321
JKG 3,4647376
Diketahui: KTG = = = 0,577456266
(r − 1)(r − 2) 6
89
KTG 0,577456266
KK = 100% = 100% = 19,38%
y 3,921875
Kesimpulan:
A. Kesimpulan
bujur sangkar latin dengan data hilang, maka dapat disimpulkan sebagai berikut:
dengan data hilang sama dengan analisis kovarians pada bujur sangkar latin
tanpa data hilang. Pada satu data hilang dan dua data hilang dilakukan
pendugaan terhadap data yang hilang menggunakan rumus baku dan dengan
cara iterasi. Setelah nilai data yang hilang dihasilkan kemudian dimasukkan
kovarians.
2. Penerapan anakova pada RBSL dengan data hilang dilakukan pada percobaan
produksi padi. Hasil uji analisis kovarians menunjukan tidak ada pengaruh
,satu data hilang nilainya sebesar 6,97%, dan dua data hilang nilainya sebesar
analisis variansi sebesar 15,23%, satu data hilang nilainya sebesar 12,96%,
dan dua data hilang nilainya sebesar 19,38%. Dari data yang diperoleh dapat
89
90
B. Saran
Pada skripsi ini penulis hanya membahas tentang analisis kovarians pada
rancangan bujur sangkar latin dengan data hilang. Disarankan pada penelitian
Steel, R.G.D, & Torrie, J.H.(1993). Prinsip dan Prosedur Statistika Suatu
Pendekatan Biogeometrik. Jakarta : PT. Gramedia Pustaka Utama.
Wijayanti, Ria. (2009). Analisis Kovarian Dalam Bujur Sangkar Latin. Skripsi
tidak diplubikasikan. Universitas Negeri Yogyakarta.
91
92
LAMPIRAN
94
Lampiran 1