Oleh:
I. Marzuki
FAKULTAS PERTANIAN
UNIVERSITAS PATTIMURA
AMBON
2005
2
Kata Pengantar
Kami memanjatkan puji dan syukur ke hadirat Allah SWT atas selesainya penulisan
buku ini.
Buku ini dimaksudkan untuk memberikan pengetahuan prakt is bagi mahasiswa
Pertanian (Agronomi) mengenai aplikasi Minitab dalam analisis data percobaan. Agar
dapat memahami dengan baik buku ini, mahasis wa perlu memiliki pengetahunan yang
cukup tentang statist ika parametrik dan Perancangan Percobaan. Di samping itu,
mahasiswa juga harus sudah t idak asing dengan program-program ko mputer aplikasi
seperti misalnya Excel.
Materi yang disusun dalam buku ini dipersiapkan sebagai bahan penunjang kuliah
Perancangan Percobaan. Bagi mahasiswa t ingkat akhir yang sedang mempersiapkan
rencana penelit ian, buku ini dapat membantu dimana di dalamnya terdapat contoh-contoh
hasil percobaan berikut analisis data dan interpretasinya.
Agar program Minitab dapat diprakt ikkan secara langsung o leh mahasiswa maka d i
dalam buku ini disertakan CD program berikut beberapa contoh file data.
Semoga buku ini memberikan manfaat.
Terima kasih.
MAr
2
3
A. PENGANTAR MINITAB
Minitab adalah program komputer untuk manajemen data dan analisis statistik.
Minitab yang digunakan dalam tulisan ini adalah Minitab versi 13 yang bekerja di bawah
sistem operasi Windows.
Minitab memiliki tiga jendela atau window: Session, Project Manager, dan
Worksheet. Jendela Session berfungsi menuliskan perintah-perintah dan/atau melihat
hasil analisis. Jendela Project Manager mengatur jendela, grafik, worksheet, dokumen,
dan informasi lainnya. Sementara untuk mengentri dan manipulasi data dilakukan di
jendela Worksheet. Jendela ini mirip dengan worksheet program Excel.
Terdapat beberapa tipe file yang ditangani Minitab yaitu: Minitab saved worksheet
(MTW), Lotus 1-2-3 (WK?), Minitab portable worksheet (MTP), dBASE (DBF), Excel
(XLS), FoxPro (dBASE format), Quattro Pro (WB1,WQ1), dan Text file (TXT, DAT).
Untuk mempersiapkan data di luar sistem Minitab, pengguna dapat memilih progam
Excel atau Notepad.
Untuk keperluan perancangan percobaan, Minitab menyediakan fasilitas analisis
statistik antara lain Analisis Ragam (ANOVA), Analisis Peragam (ANCOVA), Uji
Pembandingan Rata-rata, Analisis Regresi dan Korelasi, dan Uji nonparametrik.
3
4
Gambar 2 di atas memperlihatkan kotak Response, Row factor, dan Column faktor
ANOVA Rancangan Acak Kelompok. Kotak Response untuk variabel respon, kotak
Row factor untuk faktor perlakuan, dan kotak Column factor dengan faktor kelompok.
Kotak Display means diconteng bila ingin menampilkan nilai rata-rata respon menurut
perlakuan dan/atau kelompok.
Untuk melakukan analisis ragam beberapa variabel respon sekaligus digunakan
prosedur ANOVA GLM.
4
5
Perlakuan adalah sesuatu yang diberikan pada satuan percobaan yang hendak diukur
pengaruhnya. Perlakuan ini dapat berupa dosis pupuk, varietas tanaman, kondisi lingkungan, atau
kombinasinya. Kombinasi dua atau lebih perlakuan akan membentuk percobaan faktorial.
Bila perlakuan yang sama diberikan/diterapkan lebih dari sekali pada satuan percobaan
maka ulangan telah dilakukan. Setiap perlakuan sedikitnya memiliki dua ulangan. Dalam
percobaan agronomi ulangan biasanya tidak kurang dari tiga.
Dalam merancang suatu percobaan harus dipastikan setiap satuan percobaan memiliki
peluang yang sama untuk mendapatkan atau dikenai perlakuan tertentu. Prinsip ini
menggambarkan unsur pengacakan perlakuan. Kalau prinsip ini dilanggar penelitian tersebut
tidak sahih dan menghasilkan kesimpulan yang berbias.
Bila bahan percobaan (tanaman, tanah, atau bibit) memperlihatkan keragaman internal
yang nyata, sebaiknya bahan-bahan ini dikelompokkan ke dalam satuan-satuan yang lebih
homogen. Kaidah pengelompokan adalah memperkecil variasi dalam kelompok, dan
memperbesar variasi antar kelompok. Bahan-bahan percobaan dapat dikelompokkan ke dalam
satu arah, seperti pada Rancangan Acak Kelompok atau dua arah seperti pada Rancangan Bujur
Sangkar Latin. Pengelompokan bahan-bahan percobaan haruslah didasarkan pada suatu
karakteristik atau sifat yang secara nyata dapat diamati atau diukur. Misalnya pengelompokan
bahan tanaman berdasarkan umur, tinggi, sumber benih atau sifat-sifat bahan lainnya yang dapat
diamati.
Satuan percobaan adalah satuan bahan percobaan dimana perlakuan diterapkan atau
diberikan. Satuan percobaan dapat berupa beberapa rumpun tanaman dalam petakan, satu
tanaman dalam pot, atau hanya sehelai daun. Satuan percobaan ditetapkan berdasarkan tujuan
penelitian dan variabel respon yang diamati.
Respon adalah sifat atau karakteristik satuan percobaan yang diukur atau diamati sebagai
variabel tak bebas (dependent variable).
Pada dasarnya rancangan percobaan tersusun dari tiga bagian: rancangan perlakuan,
rancangan lingkungan, dan rancangan pengukuran. Rancangan perlakuan berkaitan dengan
bagaimana perlakuan-perlakuan dibentuk dan oleh karenanya dikenal percobaan satu-faktor dan
percobaan dua-faktor atau lebih. Percobaan yang melibatkan dua faktor atau lebih disebut
percobaan faktorial. Faktor-faktor ini satu sama lain dapat bersilang (crossed), tersarang (nested),
atau campuran (mixed). Satu faktor dalam percobaan dapat bersifat tetap (fixed model) atau acak
(random model). Percobaan yang melibatkan faktor bersilang dan tersarang membentuk
perlakuan model campuran (mixed model). Umumnya percobaan Agronomi faktor-faktornya
bersifat tetap, kecuali disebutkan lain.
Rancangan lingkungan menggambarkan bagaimana perlakuan ditempatkan dalam satuan
percobaan dan karenanya dikenal Rancangan Acak Lengkap (RAL), Rancangan Acak Kelompok
(RAK), Rancangan Busur Sangkar Latin (RBSL), Rancangan Petak Terbagi (RPT), Rancangan
Blok Terbagi (RBT), Rancangan Kisi (RK), dan rancangan turunan lainnya.
Rancangan pengukuran menentukan bagaimana respon diambil dan diamati.
Tahapan umum dalam melakukan percobaan adalah:
(1) Menetapkan masalah
(2) Menetapkan tujuan
(3) Memilih perlakuan
(4) Memilih bahan percobaan
5
6
Hasil percobaan umumnya diarahkan pada prosedur analisis ragam atau ANOVA. Bila
mengikutkan variabel peragam dapat dilakukan analisis peragam ANCOVA. Hasil analisis
biasanya ditampilkan dalam bentuk tabel ANOVA. Dalam percobaan Agronomi selain analisis
ragam/peragam juga sering diperlukan analisis Regresi dan Korelasi untuk mengetahui bentuk
hubungan variabel.
Untuk mengetahui perlakuan mana saja yang berpengaruh terhadap respon dilakukan
pengujian lebih lanjut menggunakan uji Pembandingan Nilai Rata-Rata (mean comparison).
Layout RAL 5 perlakuan (A, B, C, D, E) dan empat ulangan adalah seperti berikut.
B1 A2 B2 C1 D3
B3 C2 D2 E2 E3
C3 B4 E1 A4 D1
C4 A3 A1 D4 E4
Analisis Ragam
Terdapat dua sumber keragaman dalam RAL yaitu keragaman yang terjadi karena
perlakuan dan keragaman antar satuan percobaan yang mendapat perlakuan sama.
Keragaman yang kedua ini disebut galat percobaan (experimental error). Oleh karena itu,
tabel ANOVA RAL memiliki dua komponen keragaman, perlakuan dan galat. Tabel
analisis ragam RAL ulangan sama tampak seperti berikut.
6
7
Kelompok 1 T1 T6 T5 T2 T4 T3
Kelompok 2 T2 T3 T1 T5 T3 T4
Kelompok 3 T4 T2 T4 T3 T5 T1
7
8
B C D A
A D B C
Lajur
D A C B
C B A D
Baris
Perhatikan tidak ada perlakuan yang sama dalam arah baris maupun lajur.
Analisis Ragam
Terdapat empat sumber keragaman pada RBSL: perlakuan, baris, lajur, dan galat.
Tabel analisis ragam RBSL adalah seperti berikut.
Sumber Derajat bebas Jumlah Kuadrat Kuadrat Tengah
Fhitung
keragaman (db) (JK) (KT)
Perlakuan r-1 JKP KTP KTP/KTG
Baris r-1 JKB KTB KTB/KTG
Lajur r-1 JKL KTL KTL/KTG
Galat (r-1) (r-2) JKG KTG -
Total r2 -1 JKT - -
8
9
4. Percobaan Faktorial
Percobaan faktorial merupakan percobaan yang melibatkan dua faktor atau lebih.
Setiap faktor minimal mempunyai dua taraf. Tujuan utama percobaan faktorial adalah
untuk mengetahui pengaruh satu faktor pada berbagai taraf faktor lainnya terhadap
respon. Bagian yang diutamakan dalam percobaan faktorial adalah pengaruh interaksi.
Misalkan faktor A terdiri atas tiga taraf (a1, a2, a3) dan faktor B dengan 2 taraf (b1,
b2) maka banyaknya kombinasi perlakuan faktorial yang dapat disusun adalah 3x2 = 6.
Respon Respon
b1 b1
b2
b2
a1 a2 a3 a1 a2 a3
(1) (2)
Gambar (1) menunjukkan faktor A dan B yang tidak berinteraksi; Gambar (2)
memperlihatkan A dan B beinteraksi.
Kelebihan percobaan faktorial adalah kemampuannya mendeteksi respon dari taraf
masing-masing faktor (pengaruh utama) dan interaksi antara dua faktor (pengaruh
sederhana). Dua faktor atau lebih juga dapat menghasilkan formasi faktorial dalam
bentuk RPT dan RBT.
9
10
Pengacakan dan layout semua kombinasi perlakuan di atas dengan tiga ulangan dapat
disusun sebagai berikut. Subskrip menunjukkan nomor ulangan.
Analisis Ragam
Terdapat empat sumber keragaman pada percobaan faktorial RAL dua faktor yaitu:
faktor A, faktor B, interaksi AB, dan galat. Untuk percobaan faktorial dimana kedua
faktornya tetap (fixed), tabel ANOVA-nya adalah sebagai berikut.
Adalah penting untuk diperhatikan apakah suatu faktor (perlakuan) bersifat tetap atau
acak karena akan menentukan nilai harapan kuadrat tengah. Hal ini penting misalnya
dalam menghitung nilai komponen ragam dari faktor acak.
10
11
Bila setiap kombinasi perlakuan diulang tiga kali (kelompok) maka pengacakan dan
layout akan tampak seperti berikut.
Kelompok 1 a1b2 a2b2 a1b1 a3b2 a3b3 a2b2 a3b1 a1b3 a2b3
Kelompok 2 a2b2 a1b2 a1b1 a3b3 a2b2 a3b2 a1b3 a2b3 a2b3
Kelompok 3 a1b3 a2b3 a1b2 a2b3 a1b1 a1b2 a2b3 a3b3 a2b3
Analisis Ragam
Terdapat lima sumber keragaman dalam percobaan jenis ini yaitu: kelompok, faktor
A,B, AB, dan galat. Tabel ANOVA percobaan faktorial RAK dimana A dan B keduanya
faktor tetap adalah sebagai berikut.
11
12
N0 N1 N0 N2 N1 N1 N2 N0 N2
V1 V2 V2 V1 V2 V1 V3 V2 V3
V2 V3 V1 V2 V3 V3 V2 V1 V1
V3 V1 V3 V3 V1 V2 V1 V3 V2
Analisis Ragam
Percobaan dua faktor, misalnya N dan V, pada RPT menggunakan RAL memiliki lima
sumber keragaman: faktor N, galat (a), faktor V, interaksi NV, dan galat (b). Bila kedua
faktor sifatnya tetap, susunan tabel ANOVA nya adalah sebagai berikut.
Bila menggunakan lingkungan RAK, tabel ANOVA RPT dua faktor, N dan V, menjadi
seperti berikut.
12
13
Arah plot
A1 A3 A2 A2 A1 A3
B1 A1B1 A3B1 A2B1 B2 A2B2 A1B2 A3B2
B2 A1B2 A3B2 A2B2 B3 A2B3 A1B3 A3B3
B3 A1B3 A3B3 A2B3 B1 A2B1 A1B1 A3B1
Taraf faktor sama Arah plot taraf faktor sama
Analisis Ragam
Percobaan dengan RBT dalam RAK mempunyai tujuh sumber keragaman: kelompok,
faktor A, galat (a), faktor B, galat (b), interaksi AB, dan galat (c). Tabel ANOVA tampak
seperti berikut.
13
14
1 1
BNT = t KTG (── + ──)
r1 r2
dimana, t adalah nilai tabel BNT pada taraf nyata ; r1 dan r2 adalah banaknya ulangan
perlakuan pertama dan kedua.
Sementara nilai kritik bagi uji BNJ adalah sebagai berikut.
KTG
BNJ = Q;p;dbgalat ────
r
dimana, Q;p;dbgalat adalah nilai tabel Q BNJ dengan taraf nyata pada p perlakuan
dengan db galat.
Untuk uji Duncan menggunakan nilai kritik sebagai berikut.
KTG
D = R;p;dbgalat ────
r
14
15
dimana, R;p;dbgalat adalah nilai tabel Duncan dengan taraf nyata pada p perlakuan
dengan db galat.
Pembandingan kelompok adalah prosedur pembandingan lainnya yang dapat
digunakan bila di dalam perlakuan itu sendiri mencerminkan kelompok. Sebagai contoh,
misalnya perlakuan pemupukan yang terdiri atas enam jenis: satu pupuk kandang, dua
jenis pupuk N, dan tiga jenis pupuk P. Pada contoh ini perlakuan pupuk mencerminkan
adanya 3 kelompok (pupuk kandang, pupuk N, dan pupuk P).
Prosedur pembandingan kelompok menggunakan koefisien ortogonal. Koefisien
ortogonal biasanya dijumpai pada bagian lampiran dari buku-buku perancangan
percobaan.
Untuk memutuskan apakah dua (kelompok) perlakuan yang diperbandingkan berbeda
secara signifikan atau tidak ditentukan oleh nilai peluang nyata (nilai-P) pembandingan
tersebut. Bila nilai-p lebih kecil dari taraf nyata yang digunakan, 5% atau 1%, maka
perbandingan dimaksud berbeda nyata. Begipula sebaliknya.
Untuk pembandingan arah, perlakuan haruslah bersifat kuantitatif dan terdiri atas
beberapa taraf. Taraf dari perlakuan dapat berjarak sama atau berbeda. Sebagai contoh,
perlakuan pemupukan N dengan lima taraf: 0, 25, 50, 75, dan 100 kg N/ha. Taraf
perlakuan demikian dikatakan berjarak sama karena selisih setiap taraf tetap, yaitu 25.
Pembandingan arah menggunakan prosedur kontras polinomial berderajat bebas 1.
Dengan prosedur ini dapat diketahui arah atau kecendrungan pengaruh suatu perlakuan
(faktor) terhadap respon apakah linier, kuadratik, kubik, atau bentuk polinomial lainnya.
Dalam percobaan Agronomi, pembandingan arah umumnya diteliti hingga derajat
polinomial kubik.
Analisis Korelasi
Korelasi menggambarkan hubungan linear dua variabel atu lebih. Korelasi digunakan
untuk menjawab dua pertanyaan: Seberapa dekatkah dua variabel berhubungan ? dan
Apakah hubungan itu signifikan atau hanya kebetulan ? Untuk menjawab pertanyaan
pertama siperlukan suatu ukuran keeratan hubungan yang disebut koefisien korelasi
Pearson yang dilambangkan dengan r. Jawaban bagi pertanyaan kedua adalah dengan
mengacu pada nilai peluang nyata dari r.
cov xy
Koefisien korelasi x dan y hitung sebagai r =
√(var x)(var y)
dimana cov xy adalah peragam x dan y; var x dan var y adalah ragam x dan ragam y.
Nilai r adalah +1 sampai -1.
Dalam bidang Agronomi, analisis korelasi dapat digunakan secara khusus dalam sidik
lintas (path analys is). Sidik lintas adalah metode korelasi yang digunakan dalam
pendugaan hubungan langsung dan tak langsung antarvariabel. Analisis ini sangat
15
16
berguna bagi pemulia tanaman karena dapat membantu proses seleksi tak langsung hasil
tanaman.
Dua unsur utama pada sidik lintas, koefisien korelasi (r) dan koefisien lintas (L).
Kemudian untuk dapat mengaplikasikan sidik lintas perlu pengetahuan mengenai
komponen hasil (yield components) tanaman yang berkontribusi langsung atau t idak
langsung terhadap pembentukan hasil (yield).
Misalkan hasil, Y, adalah fungsi dari beberapa komponen hasil, misalkan x1, x2, dan x3
maka Y = x1 + x2 + x3 + R, dimana R adalah residual atau faktor yang belum
didefinis ikan. Untuk ketiga ko mponen di atas dapat dibentuk persamaan sebagai berikut.
r (x1,Y) = a + r (x1,x2) b + r (x1,x3) c
r (x2,Y) = r (x2,x1) a + b + r (x2,x3) c
r (x3,Y) = r (x3,x1) a + r (x3,x2) b + c
r (R,Y) = h
Korelasi antara X1 dan Y dilambangkan dengan r (x1,Y). Pada persamaan ini a adalah
koefisien lintas dari X1 ke Y; b adalah koefis ien lintas dari X2 ke Y; begitu pula c, dan h.
Koefisien lintas didefinisikan sebagai rasio simpangan baku X terhadap simpangan
baku Y dimana Y adalah akibat dan x adalah sebab. Jadi, koefisien lintas bagi lintasan A
Untuk memutuskan suatu komponen hasil (X) adalah pent ing, digunakan kaidah berikut.
1. korelasinya dengan Y posit if;
2. pengaruh langsung X terhadap Y positif dan besar;
3. pengaruh tak langsung X terhadap Y melalui ko mpoen hasil lainnya negatif kecil
4. pengaruh tak langsung X posit if melalui ko mnponen hasil lainnya.
16
17
menggunakan uji Bartlett. Nilai P uji Bartlett yang melebihi 5% menandakan bahwa
data memenuhi asumsi kehomogenan ragam. Jika tidak, lakukan transformasi data.
Pemenuhan asumsi ANOVA lainnya dapat diperiksa dengan melihat bentuk distribusi
data melalui plot.
TRANSFORMASI DATA
Bila data percobaan tidak memenuhi satu atau beberapa asumsi ANOVA dianjurkan
melakukan transformasi data. Kalau upaya transformasi juga tidak memberikan perbaikan
yang berarti maka data sebaiknya diarahpan ke analisis statistika nonparametrik.
Data yang menunjukkan pola multiplikatif (yang seharusnya aditif) atau simpangan
bakunya proporsional dengan rata-ratanya disarankan ditransformasi logaritma (Log X).
Data hitungan (count) atau kejadian yang jarang atau nilainya sangat kecil seringkali
ragamnya proporsional dengan rata-ratanya sehingga untuk menangani penyimpangan
seperti ini diperlukan transformasi akar kuadrat X atau X + 1/2 bila terdapat data nol.
Transformasi akar kuadrat juga cocok untuk data proporsi atau persentase yang
menunjukkan kisaran 0 - 30% atau 70 - 100 % tetapi tidak keduanya.
17
18
Contoh kasus 1:
Sebuah percobaan dilakukan untuk mengetahui efektivitas inokulasi dalam
pembentukan bintil akar kedelai varietas Wilis yang ditumbuhkan pada kondisi tanah
masam (pH sekitar 5,5). Lima dosis inokulum Rhizobium (g/100 g benih) diberikan pada
benih kedelai yang ditanam di dalam polibag. Setiap perlakuan diulang empat kali.
Setelah dua bulan, jumlah bintil akar dihitung. Hasilnya adalah seperti berikut.
Dosis
Jumlah bintil akar
inokulum
0 (kontrol) 25 34 31 29
1 31 35 38 36
2 50 54 51 52
3 75 78 80 77
4 65 61 52 53
5 60 55 58 57
Entri Data
Masukkan variabel jumlah Bintil akar pada kolom C1, variabel Dosis inokulum pada
kolom C2.
18
19
Hasil uji di atas menampilkan nama variabel respon, faktor atau perlakuan, dan
taraf kepercayaan. Uji Bartlett menghasilkan tabel selang kepercayaan Benforroni bagi
simpangan baku, statistik Bartlett, dan nilai-P.
Uji ini menunjukkan bahwa ragam variabel Bintil akar adalah homogen.
Kesimpulan ini didasarkan pada nilai-P 0,231 yang lebih besar dari taraf nyata 5 % (jika
p-Value < 5%, ragamnya tidak homogen sehingga diperluakan transformasi data).
Dengan demikian analisis dapat dilanjutkan ke ANOVA.
Untuk analisis ragam, pada jendela Session klik menu Stat ANOVA One-
way. Kemudian pada kotak Response masukkan variabel Bintil akar; dan pada kotak
Factor dengan variabel Dosis inokulum lalu OK. Hasil analisis dengan prosedur
ANOVA satu-arah adalah berupa tabel ANOVA dan tabel selang kepercayaan 95 % bagi
nilai rata-rata jumlah Bintil akar.
Source DF SS MS F P
Dosis 5 5985.7 1197.1 96.96 0.000
Error 18 222.3 12.3
Total 23 6208.0
19
20
Bentuk hubungan dosis dengan hasil memperlihatkan pola kuadrat ik yang signifikan
(P= 0,046), sedangkan po la linier dan kubik tidak signifikan (nilai P > 5%). Melalui
prosedur Stat Regression Fitted line plot dipero leh model regresi kuadrat ik yaitu
Hasil1 = 22.4143 + 33.5966 Dosis - 6.36571 Dosis2. (Catatan: Nilai P 0,207 bagi mode l
regresi tersebut tidak signifikan yang berarti hubungan antara dosis dan hasil adalah
nonlinier).
20
21
Analysis of Variance
Source DF SS MS F P
Regression 3 1705.38 568.461 3.99748 0.207
Error 2 284.41 142.205
Total 5 1989.79
Source DF Seq SS F P
Linear 1 54.70 0.1131 0.754
Quadratic 1 1512.83 10.7482 0.046
Cubic 1 137.85 0.9694 0.429
Nilai kritik uji Dunnett adalah 2,76 dengan tingkat kesalahan umum 5%, dan
kesalahan per pasangan adalah 0,0129. Untuk mengetahui perbedaan pengaruh dosis
inokulum, setiap respon perlakuan dikurangkan dengan respon kontrolnya. Misalnya
21
22
selisih antara perlakuan dosis 1 dengan kontrol adalah 5,25. Selisih ini dibandingkan
dengan nilai kritik Dunnett dan karena selisihnya lebih besar dari 5,25 maka dinyatakan
berbeda nyata.
Dapat disimpulkan bahwa pemberian inokulum pada kisaran 1 sampai 5 g/100 g
menghasilkan jumlah bintil akar kedelai yang lebih banyak dibandingkan dengan tanpa
inokulum.
Contoh kasus 2:
Kasusnya sama dengan kasus 1 di atas hanya saja dua pengamatan hilang karena rusak
sehingga datanya tidak tersedia (ditandai dengan -). Dengan demikian data Jumlah bintil
akar menjadi seperti berikut.
Dosis
Jumlah bintil akar
inokulum
0 (kontrol) 25 34 31 29
1 31 35 - 36
2 50 54 51 52
3 75 78 80 77
4 65 61 52 -
5 60 55 58 57
Entri Data
Masukkan data variabel jumlah Bintil akar di kolom C1 dan variabel Dosis inokulum
di kolom C2. Pengamatan yang hilang diganti dengan tanda asterik (*).
One-way ANOVA ulangan tidak sama: Bintil akar versus Dosis inokulum
Source DF SS MS F P
Dosis 5 5835.7 1167.1 103.65 0.000
Error 16 180.2 11.3
Total 21 6015.8
22
23
23
24
Nilai kritik Dunnett yang dipakai sebagai pembanding adalah 2,81. Setiap selisih
antara perlakuan dosis dengan kontrolnya dibandingkan dengan nilai kritik Dunnett. Dari
hasil analisis diketahui bahwa semua selisih nilainya lebih besar dari 2,81 artinya
pemberian inokulum pada dosis 1 sampai 5 g/100 g menghasilkan bintil akar yang lebih
banyak dibandingkan tanpa inokulum.
Contoh kasus 3:
Suatu percobaan lapangan dilakukan untuk mengetahui perbedaan daya hasil enam
varietas alfalfa (A, B, C, D, E, dan F) yang ditanam di empat lahan tadah hujan yang
berbeda (Kelompok). Setelah panen, hasilnya dicatat dalam ton/ha seperti tampak
berikut.
Entri Data
Pada kolom C1 tuliskan variabel Hasil; kolom C2 dengan variabel Varietas; dan
kolom ketiga variabel Kelompok.
Analisis Statistik dan Output
Seperti halnya pada Contoh kasus 1, sebelum ANOVA dilakukan pemeriksaan
tentang homogenitas ragam perlu dilakukan. Pada jendela Session klik Stat ANOVA
Test for Equal Variances. Pada kotak Response isi variabel Hasil dan variabel
Varietas pada kotak Factor. Hasilnya uji seperti berikut.
24
25
Response Hasil
Factors Varietas
ConfLvl 95.0000
Nilai statistik Bartlett 5,168 dengan taraf nyata 0,395 (lebih besar dari α 5%) adalah
dasar yang sahih untuk menyatakan bahwa ragam bersifat homogen sehingga analisis
ANOVA dapat dilanjutkan.
Pada jendela Session klik menu Stat ANOVA Two-way. Kemudian pada
kotak Response masukkan variabel Hasil; kotak Row factor dengan Varietas dan pilih
Display means; dan pada kotak Column factor dengan Kelompok.
Hasil analisis dengan prosedur ANOVA dua-arah (Varietas dan Kelompok) adalah
berupa tabel ANOVA dan tabel selang kepercayaan 95 % bagi nilai rata-rata hasil alfalfa.
Source DF SS MS F P
Varietas 5 2.43507 0.48701 53.27 0.000
Kelompok 3 0.01878 0.00626 0.68 0.575
Error 15 0.13715 0.00914
Total 23 2.59100
Individual 95% CI
Varietas Mean ----+---------+---------+---------+-------
A 3.260 (---*--)
B 3.125 (--*---)
C 3.063 (--*--)
D 2.650 (--*---)
25
26
E 3.233 (---*--)
F 2.403 (--*--)
----+---------+---------+---------+-------
2.400 2.700 3.000 3.300
26
27
Contoh kasus 4:
Lima jenis pupuk N (A, B, C, D, E, dan F) diuji pengaruhnya terhadap hasil tanaman.
Karena tingkat kesuburan lahan menunjukkan dua arah (baris dan lajur) maka diputuskan
menggunakan Rancangan Bujur Sangkar Latin. Hasil tanaman dicatat sebagai berikut.
27
28
Lajur
Baris
1 2 3 4 5 6
1 28.2 (F) 29.1 (D) 32.1 (A) 33.1 (B) 31.1 (E) 32.4 (C)
2 31.0 (E) 29.5 (B) 29.8 (C) 24.8 (F) 33.0 (D) 30.6 (A)
3 30.6 (D) 28.8 (E) 21.7 (F) 30.8 (C) 31.9 (A) 30.1 (B)
4 33.1 (C) 30.4 (A) 28.8 (B) 31.4 (D) 26.7 (F) 31.9 (E)
5 29.9 (B) 25.8 (F) 30.3 (E) 30.3 (A) 33.5 (C) 32.3 (D)
6 30.8 (A) 29.7 (C) 27.4 (D) 29.1 (E) 30.7 (B) 21.4 (F)
Entri Data
Faktor Baris, Lajur, Pupuk, dan Hasil tanaman dientri pada kolom data yang masing-
masing terpisah seperti tampak pada tampilan berikut.
28
29
Pupuk fixed 6 A B C D E F
29
30
Analisis GLM menghasilkan tabel deskripsi, tabel ANOVA, dan pembandingan nilai
rata-rata. Pada tabel deskripsi ditampilkan nama-nama faktor (variabel Baris, Lajur, dan
Pupuk), jenis, taraf beserta nilainya.
Tabel ANOVA menunjukkan pengelompokan satuan percobaan ke dalam dua arah
(baris dan lajur) berpengaruh sangat signifikan yang ditunjukkan dari nilai P-nya yang
lebih kecil dari α 1%. Hal yang sama dengan perlakuan pupuk N (P = 0,000).
Uji pembandingan nilai rata-rata Tukey menunjukkan pupuk N jenis A berbeda
pengaruhnya dengan pupuk F (T = -8,801; P = 0,000). Tetapi tidak dengan jenis pupuk
lainnya (karena nilai P melebihi α 5%). Untuk pembandingan pasangan perlakuan
lainnya dapat dilihat pada tabel hasil pembandingan.
Berdasarkan hasil analisis GLM disimpulkan paling sedikit satu jenis pupuk N yang
berbeda dari jenis lainnya terhadap hasil tanaman.
Contoh kasus:
Lima konsentrasi fungisida met il bromida (0, 16, 32, 48, 62 g/m3) diberikan dalam dua
periode waktu perendaman (2, 4 jam) pada benih tomat varietas Intan untuk menekan
perkembangan cendawan. Percobaan dilakukan di rumahkaca menggunakan RAL t iga
ulangan. Data daya kecambah (%) benih dicatat sebagai berikut.
Dosis funisida
Waktu Ulangan
0 16 32 48 64
1 96 92 92 74 50
2 2 98 88 94 74 50
3 94 90 84 68 54
1 90 88 78 0 0
4 2 94 92 82 0 0
3 92 94 74 0 0
30
31
Contoh kasus:
Untuk mendapatkan varietas ubikayu lokal yang berkadar sianida (HCN) rendah
dilakukan survei tanaman di Irian Jaya. Dari 100 jenis yang dipero leh dipilih secara acak
empat, kemudian dari jenis terpilih diambil masing-masing emat helai daun. Untuk
pemeriksaan kadar HCN diampil t iga sampel daun dengan ukuran masing-masing 1 gr.
Kadar HCN (ppm) daun adalah sebagai berikut.
Jenis Sampel
Daun
Ubikayu 1 2 3
1 1 35 32 25
2 35 34 38
3 37 35 41
4 38 37 35
2 1 112 113 124
2 125 130 110
3 111 109 108
4 124 20 130
3 1 85 88 89
2 91 91 9
3 92 93 94
4 99 98 97
4 1 56 58 61
2 55 65 63
3 58 57 58
4 59 57 58
Entri Data
31
32
Source DF SS MS F P
Jenis 3 37595.8958 12531.9653 40.000 0.000
Daun 12 3759.5833 313.2986 0.795 0.652
Sampel 32 12612.0000 394.1250
Total 47 53967.4792
Variance Components
32
33
Contoh kasus 7:
Percobaan lapangan dilakukan untuk mengetahui pengaruh lima dosis pupuk K
terhadap hasil pala. Panen dilakukan tiga kali dalam setahun pada empat blok pohon pala
(kelompok). Percobaan menggunakan RAK. Hasil pala (buah/pohon) dicatat sebagai
berikut.
Dosis K Penen
Kel. I Kel. II Kel. III Kel. IV
(kg/ha) ke-
0 (kontrol) 1 450 485 510 498
200 1 480 520 506 507
300 1 512 524 562 543
400 1 540 557 564 549
500 1 580 590 574 581
0 (kontrol) 2 650 657 687 687
200 2 712 741 725 732
300 2 852 845 867 957
400 2 958 867 941 900
500 2 987 975 1012 1003
0 (kontrol) 3 856 855 871 841
200 3 865 875 845 905
300 3 1100 1250 1089 115
400 3 997 996 985 956
500 3 1200 1250 1360 115
33
34
Jika analisis ragam dilakukan per panen, outputnya adalah sebagai berikut.
Source DF SS MS F P
Kelompok 3 155397 51799 0.94 0.452
Pupuk K 4 744482 186120 3.37 0.045
Error 12 662122 55177
Total 19 1562000
Source DF SS MS F P
Kelompok 3 594 198 0.24 0.869
Pupuk K 4 685797 171449 205.04 0.000
Error 12 10034 836
Total 19 696425
Source DF SS MS F P
Kelompok 3 188065 62688 0.90 0.469
Pupuk K 4 553960 138490 1.99 0.160
Error 12 835363 69614
Total 19 1577389
Perhatikan hasil analisis ragam berikut ini jika ketiga panen digabung.
Source DF SS MS F P
34
35
Means
K N Hasil
0 12 670.58
200 12 701.08
300 12 768.00
400 12 817.50
500 12 852.25
Panen N Hasil
1 20 729.70
2 20 760.80
3 20 795.15
35
36
8. Percobaan Multilokasi
Contoh kasus:
Dilakukan suatu percobaan multilokasi untuk mengetahui pengaruh pupuk N terhadap
hasil jagung hibrida C1 di lima lokasi transmigrasi yang dipilih secara acak. Pupuk N
diberikan pada takaran 0, 25, 50, 75 kg/ha. Percobaan menggunakan RAK empat
ulangan. Hasil jagung (ton/ha) adalah sebagai berikut.
Kelompok
Lokasi Dosis N
I II III IV
1 0 2.1 2.2 2.3 2.2
25 3.2 3.4 3.3 3.1
50 3.5 3.4 3.4 3.3
75 3.6 3.7 3.6 3.7
2 0 2.0 2.1 2.0 2.0
25 2.4 2.3 2.5 2.3
50 2.4 2.5 2.4 2.2
75 3.1 3.2 3.1 3.2
3 0 2.6 2.5 2.3 2.5
25 3.2 3.3 3.3 3.4
50 3.5 3.5 3.7 3.6
75 3.6 3.6 3.8 3.6
4 0 2.1 2.0 1.9 1.8
25 2.2 2.3 2.4 2.5
50 2.4 2.3 2.3 2.2
75 2.4 2.5 2.6 2.4
5 0 2.6 2.7 2.7 2.8
25 2.8 2.9 3.0 3.1
50 3.2 3.1 3.1 3.2
75 3.6 3.6 3.5 3.6
Entri Data
Analisis Statistik dan Output
Jika ANOVA hasil jagung dilakukan secara terpisah untuk setiap lokasi, outputnya
adalah sebagai berikut.
36
37
Source DF SS MS F P
Kelompok 3 0.02187 0.00729 0.93 0.466
Dosis N 3 2.71188 0.90396 115.19 0.000
Error 9 0.07063 0.00785
Total 15 2.80438
Source DF SS MS F P
Kelompok 3 0.01000 0.00333 0.26 0.852
Dosis N 3 3.47500 1.15833 90.65 0.000
Error 9 0.11500 0.01278
Total 15 3.60000
Source DF SS MS F P
Kelompok 3 0.01187 0.00396 0.26 0.851
Dosis N 3 0.60687 0.20229 13.42 0.001
Error 9 0.13563 0.01507
Total 15 0.75437
Source DF SS MS F P
Kelompok 3 0.03687 0.01229 2.19 0.159
Dosis N 3 1.64188 0.54729 97.30 0.000
Error 9 0.05062 0.00562
Total 15 1.72938
Means
Berikut ini ANOVA hasil jagung gabungan dari lima lokasi. Perhatikan perbedaannya
dengan ANOVA individual di atas.
37
38
Source DF SS MS F P
Lokasi 4 12.29875 3.07469 436.64 0.000
Kelompok(Lokasi) 15 0.10563 0.00704 0.71 0.762
Dosis 3 11.01737 3.67246 19.09 0.000
Lokasi*Dosis 12 2.30825 0.19235 19.37 0.000
Error 45 0.44687 0.00993
Total 79 26.17688
Means
Lokasi N Hasil
1 16 3.1250
2 16 2.4813
3 16 3.2500
4 16 2.2688
5 16 3.0938
Dosis N Hasil
0 20 2.2700
25 20 2.8450
50 20 2.9600
75 20 3.3000
σ2g
h2 = ----
σ2p
38
39
Entri Data
39
40
Source DF SS MS F P
Ulangan 3 0.01375 0.00458 0.48 0.701
Varietas 7 2.41375 0.34482 35.98 0.000
Error 21 0.20125 0.00958
Total 31 2.62875
Means
Dari tabel di atas diketahui σ2g = 0,08381; σ2e = 0,00958. Dengan demikian σ2p = σ2g +
σ2e sama dengan 0,09329. Selanjutnya KK genotipe dan fenotipe dihitung seperti
berikut.
√ 0.34482
KK genotipe = x 100 %
4.1687
= 14,09 %
√ 0,09329
KK fenotipe = x 100 %
4.1687
= 7,33 %
40
41
0,08381
h = = 0.898.
2
0,09329
Contoh kasus:
Dilakukan 15 pengamatan t iga ko mponen tanaman padi sawah hasil suatu percobaan.
Untuk menduga model hubungan antara variabel hasil dengan variabel t inggi dan jumlah
anakan dilakukan analisis regresi. Data percobaan sebagai berikut.
Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Hasil 5.75 5.94 6.01 6.54 6.73 6.75 6.9 7.86 6.56 6.4 7.92 5.6 5.81 6.33 6.95
Tinggi 110.5 105.4 118.1 104.5 93.6 84.1 77.8 75.6 96.2 92.6 76.4 112.1 109.5 89.8 78.3
Anakan 14 16 15 18 15 18 18 19 17 14 19 13 14 17 18
Entri Data
41
42
Analysis of Variance
Source DF SS MS F P
Regression 2 5.5641 2.7820 27.68 0.000
Residual Error 12 1.2061 0.1005
Total 14 6.7701
Contoh kasus:
Sebuah percobaan dilakukan untuk mengetahui performa sebuah varietas kacang hijau
pada lahan kering yang diberi pupuk empat jenis mulsa (jerami, serbuk gergaji, plast ik,
ela sagu). Petak-petak percobaan ditata menurut RAK t iga ulangan. Karakter tanaman
yang dicatat adalah: t inggi tanaman, jumlah daun, jumlah cabang produktif, banyaknya
polong per cabang, banyaknya biji per po long, dan bobot 1000 biji. Hasil pengamatan
adalah sebagai berikut.
2 29 40 46 39
3 38 4 50 42
1 8 9 10 9
Jumlah biji per polong 2 9 11 13 9
3 10 8 12 10
1 31 33 41 35
Bobot 1000 biji (g) 2 32 32 39 33
3 29 30 42 31
Perhat ikan kasus di atas bobot 1000 biji adalah hasil, sementara lima karakter lainnya
adalah komponen hasil.
Entri data
Koefisien korelasi (r) dan nilai-p enam karekater kacang hijau adalah:
43
44
Hasil analisis statistik yang seperti ANOVA, pembandingan nilai rata-rata, regresi dan
korelasi, dan statistik lainnya biasanya diorganisir dalam bentuk tabel hasil.
Untuk analisis ragam, hasilnya ditampilkan dalam bentuk tabel ANOVA. Satu tabel
ANOVA untuk satu variabel respon. Di bawah tabel biasanya dicantumkan koefisien
keragaman (KK), tanda * atau ** yang menyatakan taraf nyata 5% atau 1%; dan
kadang juga peluang nyata F.
Berikut bentuk tabel untuk hasil analisis Contoh kasus 1.
Tabel Anova Jumlah Bintil Akar Kedelai Varietas Willis Dengan Perlakuan Inokulum
Dosis Ulangan
Rata-rata
(g/100 g) I II III IV
0 25 34 31 29 29,75
1 31 35 38 36 35,00
2 50 54 51 52 51,75
3 75 78 80 77 77,50
4 65 61 52 53 57,75
5 60 55 58 57 57,50
Angka rata-rata dengan superskrip yang tidak sama berbeda nyata pada α 1%.
44