MODUL PRAKTIKUM

RANCANGAN PERCOBAAN

LAILA QADRINI., S.Si., M.Stat

MODUL PRAKTIKUM RANCANGAN PERCOBAAN

Hak Cipta © 2022, Laila Qadrini

Hak cipta dilindungi undang-undang.

Dilarang keras menerjemahkan, memfotokopi, atau memperbanyak
sebagian atau seluruh isi buku ini tanpa izin tertulis dari Penerbit.

CV. Feniks Muda Sejahtera

(Anggota IKAPI)
Jl. Asia Afrika 133 – 137, Wisma Monex 9th floor,
Kebon Pisang, Menara Asia Afrika, Bandung, Jawa
Barat admin@feniksmudasejahtera.my.id

Terbit Perdana, Maret 2022

ISBN 978-623-5950-63-1
 Daftar Isi

Daftar Isi......................................................................................iii
Kata Pengantar.......................................................................... iv
Hak, Ketentuan dan Tata Tertib Praktikum................................ v

Modul I Pengenalan Menu-Menu Utama Spss .......................... 1

Modul II Analisis Statistik Deskriptif ......................................... 15
Modul III Rancangan Acak Lengkap ........................................ 19
Modul IV Rancangan Acak Kelompok ..................................... 35
Modul V Rancangan Bujur Sangkar Latin ................................ 39
Modul VI Rancangan Acak Lengkap Dua Faktor..................... 50
Modul VII Rancangan Acak Kelompok Dua Faktor ................. 66
Modul VIII Rancangan Petak Terpisah .................................... 82

D a f t a r P u s t a k a ............................................................ 100

iii
 Kata Pengantar

Bismillahirrahmanirahim
Assalamu’alaikum. Wr. Wb. Alhamdulillah, puji syukur kami
panjatkan kehadirat Allah SWT, Tuhan penguasa alam
semesta. Shalawat dan salam juga turut dipanjatkan kepada
Junjungan Nabi Besar Muhammad SAW, keluarga, serta para
shahabat. Modul Praktikum Rancangan Percobaan ini kami
susun sebagai pedoman bagi pelaksanaan mata praktikum
Rancangan Percobaan, khususnya bagi mahasiswa pada Prodi
Matematika dan Statistika Universitas Sulawesi Barat
(Unsulbar). Semoga dengan tersusunnya modul ini dapat
membantu bagi kelancaran pelaksanaan praktikum,
menambah pemahaman, pengetahuan, serta wawasan baik
secara teoritis maupun aplikatif terhadap bidang Rancangan
Percobaan. Adapun pengguna modul ini disyaratkan telah
menempuh mata kuliah Statistika Dasar. Besar harapan dari
tim penyusun tentang adanya saran & kritik yang bersifat
membangun bagi perbaikan atas kekurangan yang ada pada
modul ini. Semoga Allah meridhoi dan memberkahi kita semua
dalam mempelajari setitik air dari luas lautan ilmu-Nya.

Amin ya rabbal’alamin. Wassalamu’alaikum. Wr. Wb

Majene, Agustus 2020

iv
HAK, KETENTUAN DAN TATA TERTIB PRAKTIKUM

HAK PRAKTIKAN :
1. Tiap praktikan menerima Modul Praktikum dan Kartu
Absensi (selanjutnya harap ditempel pas foto terbaru
ukuran 3x4).
2. Menggunakan fasilitas komputer selama melaksanakan
materi praktikum sesuai jadwal dan kelompok yang telah
ditentukan.
3. Menggunakan fasilitas komputer dalam menyusun tugas
atau laporan praktikum, selama fasilitas tersebut tidak
digunakan oleh kegiatan praktikum lain/laboratorium, atas
izin penanggung jawab laboratorium.
4. Menerima materi sesuai dengan modul yang telah disusun.
5. Menerima pengarahan/bimbingan/asistensi baik dalam
pembuatan tugas pendahuluan, penyampaian materi
maupun penyusunan laporan.

KETENTUAN PRAKTIKUM
1. Penggunaan komputer dan alat bantu praktikum harus
sesuai dengan petunjuk penggunaannya.
2. Peminjaman peralatan harus atas persetujuan Asisten
Praktikum tersebut.
3. Kelalaian pada poin 2 yang mengakibatkan kerusakan
pada alat, akan berakibat praktikan bertanggung jawab
terhadap perbaikan peralatan yang rusak tersebut.
4. Semua hasil praktikum harus diserahkan pada Asisten dan
akan menjadi milik Laboratorium Komputer Matematika.

v
TATA TERTIB PRAKTIKUM
1. Praktikan diwajibkan hadir tepat pada jadwal yang telah
ditentukan. Toleransi keterlambatan tidak lebih dari 10
menit Jika peraturan poin 1 ini dilanggar, mengakibatkan
praktikan tidak boleh mengikuti praktikum pada jadwal
tersebut dan diwajibkan menghadap Asisten yang
bertugas.
2. Praktikan tidak boleh keluar dari laboratorium tanpa seizin
Asisten Praktikum yang bertugas.
3. Praktikan yang berhalangan maka diwajibkan melapor dan
memberikan surat keterangan berkenaan dengan
ketidakhadirannya minimal 1 (satu) hari sebelum
praktikum, serta bersedia untuk dipindahjadwalkan oleh
Asisten Praktikum.
4. Praktikan diwajibkan mempersiapkan diri sebelum
mengikuti praktikum dengan membaca, memahami materi,
menunjukkan tugas pendahuluan yang telah di- Acc oleh
Asisten Praktikum.

vi
MODUL I : PENGENALAN MENU-MENU UTAMA SPSS

Perkembangan ilmu pengetahuan dan teknologi yang semakin

maju, aplikasi dalam sebuah komputer juga semakin bervariasi, dengan
tujuan untuk mempermudah pengguna dalam mengolah data yang
dibutuhkan. Salah satunya adalah aplikasi SPSS. SPSS adalah aplikasi
yang digunakan untuk melakukan analisis statistika tingkat lanjut,
analisis data dengan algoritma machine learning, analisis string, serta
analisis big data yang dapat diintegrasikan untuk membangun platform
data analisis. SPSS adalah kependekan dari Statistical Package for the
Social Sciences. SPSS sangat populer di kalangan peneliti dan
statistikawan untuk membantu melakukan perhitungan terkait analisis
data. SPSS menyediakan library untuk perhitungan statistika dengan
antarmuka interaktif yang menjadikannya sebagai software analisis data
tingkat lanjut paling populer di berbagai universitas, instansi, dan
perusahaan. SPSS sebagai sofware statistik pertama kali dibuat tahun
1968 oleh tiga mahasiswa Stanford University, yakni Norman H. Nie, C.
Hadlai Hull dan Dale H. Bent. Saat itu software dioperasikan pada
komputer mainframe. Setelah penerbit terkenal McGraw-Hill
menerbitkan user manual SPSS, program tersebut menjadi populer.
SPSS dirilis pertama kali pada tahun 1998. Kemudian sejak tahun 2009
SPSS telah diakuisisi oleh IBM Corporation sebagai software IBM
Analytic. Selanjutnya perangkat lunak ini disebut IBM SPSS Statistics.
Software ini dikembangkan dengan bahasa pemrograman Java. SPSS
tersedia untuk platform sistem operasi Microsoft Windows, Linux dan

1
Mac OS. SPSS juga dapat diintegrasikan dengan bahasa pemrograman
R, Microsoft.NET dan Python untuk penggunaan lebih lanjut. SPSS
digunakan oleh berbagai universitas, institusi, dan perusahaan untuk
melakukan analisis data. Berikut beberapa contoh penggunaan SPSS,
yaitu:
1. Melakukan riset pemasaran (market research).
2. Analisis data survey atau kuesioner.
3. Populer digunakan untuk penelitian akademik mahasiswa.
4. Populer digunakan oleh keperluan pemerintahan seperti
lembaga BPS.
5. Data mining.
6. Membantu untuk pengambilan keputusan suatu perusahaan.
7. Penelitian kesehatan masyarakat.
8. Mendokumentasikan data.
9. Representasi data statistik.
10. Memprediksi suatu kejadian time series.

2
 Pengenalan Menu SPSS

Saat memulai menggunakan

sosftware SPSS makita akan
melihat Data Editor window
seperti gambar disamping.
Sebelum Anda dapat
menganalisis data, terlebih
dahulu Anda harus memasukan
data yang akan dianalisis
tersebut ke dalam Data Editor
window di samping

Gambar 1.1

Bila Anda sebelumnya sudah

memiliki data yang telah ditulis
dalam format yang kompatibel
dengan SPPS, maka Anda
dapat membuka file data
tersebut dari menu yang tersedia
dengan memilih menu berikut:

File
Open
Data...
Lihat Gambar 1.2

Gambar 1.2

3
 Atau kita dapat
menggunakan tanda

yang terdapat pada

toolbar untuk membuka
file.
Selanjutnya akan
tampak daftar file yang
akan dibuka pada
kotak dialog seperti
tampak pada Gambar
1.3
Format file data SPSS
berekstensi “.sav

Gambar 1.3

Secara keseluruhan SPSS menyediakan tujuh window, yang meliputi:

1. Data Editor
Window ini terbuka secara otomatis setiap kali program SPSS
dijalankan, dan berfungsi untuk input data SPSS. Menu yang ada
pada Data Editor adalah:
• File
Menu File berfungsi untuk menangani hal-hal yang
berhubungan dengan file data, seperti membuat file baru,
membuka file tertentu, mengambil data dari program lain,
mencetak isi dari Data Editor dan lainnya.

4
• Edit
Menu Edit berfungsi untuk menangani hal-hal yang
berhubungan dengan memperbaiki atau mengubah nilai data
(duplikasi data), menghilangkan data, edit data dan lainnya.
Selain itu, menu Edit juga berfungsi untuk mengubah setting
pada Options.
• View
Menu view berfungsi untuk mengatur toolbar (status bar,
penampakan value lable dan sebagainya).
• Data
Menu data berfungsi untuk membuat perubahan data SPSS
secara keseluruhan, seperti mengurutkan data, menyeleksi
data berdasarkan kriteria tertentu, menggabungkan data dan
sebagainya.
• Transform
Menu Transform berfungsi untuk membuat perubahan pada
variabel yang telah dipilih dengan kriteria tertentu.
• Analyze (Statistics)
Menu Analyze merupakan menu inti dari SPSS, yang berfungsi
untuk melakukan semua prosedur perhitungan statistik, seperti
uji-t, uji-F, regresi, time series dan sebagainya.
• Graphs
Menu Graphs berfungsi untuk membuat berbagai jenis grafik
untuk mendukung analisis statistik, seperti Pie, Line, Bar dan
kombinasinya.
5
• Utilities
Menu ini adalah menu tambahan yang mendukung program
SPSS seperti :

➢ Memberi informasi tentang variabel yang sekarang sedang

dikerjakan

➢ Menjalankan Scripts

➢ Mengatur tampilan menu-menu lain

• Add-Ons
Menu ini juga merupakan menu tambahan yang berisi
mengenai software lain yang dapat diintegrasikan dengan
SPSS, juga berisi sambungan on-line dengan website SPSS
guna kepentingan pelatihan dan pengembangan SPSS.
• Window
Menu ini berfungsi untuk pindah diantara menu-menu lain di
SPSS
• Help
Menu ini berfungsi untuk menyediakan bantuan informasi
mengenai program SPSS yang bisa diakses secara mudah dan
jelas.

6
2. Menu Output Navigator
Jika menu Editor berfungsi untuk memasukkan data yang siap
diolah oleh SPSS, kemudian melakukan pengolahan data yang
dilakukan lewat menu Analyze, maka hasil pengolahan data atau
informasi ditampilkan lewat menu Output Navigator atau dapat
disebut Output saja. Menu Output pada prinsipnya sama dengan
menu Editor, seperti: File, Edit, View, Analyze, Graphs, Utilities,
Window dan Help. Tentunya dengan disesuaikan untuk kegunaan
output SPSS. Selain menu ditas ada lagi menu tambahan, yaitu:
• Insert
Berfungsi untuk menyisipkan judul, grafik, teks atau objek
tertentu dari aplikasi lain.
• Format
Berfungsi untuk mengubah tata letak huruf output.
3. Menu Pivot Tabel Editor
Ilmu Statistik banyak berhubungan dengan berbagai tabel dan
banyak output SPSS yang disajikan berbentuk tabel. Menu Pivot
Tabel berhubungan dengan pengerjaan tabel SPSS, seperti
mentransformasi baris tabel menjadi kolom dan sebaliknya,
memindah baris dan kolom tabel, grouping atau ungrouping tabel
dan yang lainnya. Karena pengerjaan Pivot table erat kaitannya
dengan menu Output Navigator, yaitu sebagai tempat editing tabel
hasil output, maka menu ini mempunyai submenu yang hampir
sama dengan submenu pada Output Navigator.

7
4. Menu Chart Editor

Menu ini juga merupakan tempat editing bagi output hasil

pengerjaan data di menu Editor, hanya khusus untuk output berupa
Grafik/Chart/Diagram. Sesuai dengan fungsinya, selain submenu
dasar seperti File, edit, View dan lainnya, Char Editor juga
dilengkapi submenu berikut:
• Gallery
Berfungsi untuk mengubah jenis chart.
• Chart
Untuk mengedit berbagai hal mengenai grafik, seperti layout
dan Labelling Grafik, skala grafik dan sebagainya.
• Series
Untuk memilih kelompok data tertentu, transpose data atau
menampilkan seri data.
5. Menu Text Output Editor
Sama seperti menu Pivot table dan Chart berfungsi untuk edit
output yang berupa teks atau tulisan.

6. Menu Syntax Editor

Walaupun SPSS sudah menyediakan berbagai macam pengolahan
data statistik secara memadai, namun ada berbagai perintah atau
pilihan yang hanya bisa digunakan dengan SPSS Command
Language. Perintah-perintah tersebut bisa ditulis pada menu
Syntax`Editor. Menu ini berupa file teks yang berisi berbagai
perintah SPSS dan bisa diketik secara manual.

8
7. Menu Script Editor
Menu ini pada dasarnya digunakan untuk melakukan berbagai
pengerjaan SPSS secara otomatis, seperti membuka menutup File,
eksport Chart dan sebagainya. Isi menu ini sama dengan menu
terdahulu, hanya ditambah dengan submenu Script untuk membuat
berbagai subrutin dan fungsi baru, serta submenu Debug untuk
melakukan proses debug pada script.
Memasukan Data

1. Buka lembar kerja baru

Lembar kerja baru selalu dibuka jika ada pemasukan variabel
yang baru. Untuk itu dari menu File pilih submenu New.
Selanjutnya tampak beberapa pilihan. Karena akan dibuat data
yang baru, klik mouse pada Data. Sekarang SPSS siap membuat
variabel baru (Gambar 1.4)

Gambar 1.4
9
Misalkan kita punya data sebagai berikut:

Nama Berat badan Gender

Ahmad 75.00 Pria
Budi 67.80 Pria
Cindy 45.00 Wanita
Danny 68.00 Pria
Early 50.50 Wanita
Fanny 45.80 Wanita
Gerhana 65.50 Pria
Iwan 70.00 Pria
Jovanka 62.00 Wanita
Katherine 45.50 Wanita

10
2. Menamai variabel yang diperlukan

Langkah berikutnya adalah

membuat nama untuk setiap
variabel baru. Untuk contoh
kasus di atas ada tiga (3)
variabel, maka akan
dilakukan input nama
variabel sebanyak 3 kali.
Variabel pertama: NAMA

Gambar 1.5

Langkah pemasukan variabel NAMA:

a. Klik Menu “Variable View” yang terletak di sebelah kiri bagian

paling bawah dari editor SPPS (Gambar 1.5),

Gambar 1.6
11
 maka akan tampil layar editor seperti pada Gambar 1.6.

b. Kolom pertama tempat menuliskan nama variabel, misalkan variabel

pertama adalah NAMA, variabel kedua adalah BERAT BADAN dan
variabel ketiga adalah GENDER, maka pada baris pertama, kedua
dan ketiga pada kolom pertama tuliskan nama-nama variabel
tersebut.
c. Kolom kedua (Type) merupakan tipe data dari variabel tersebut. Tipe
data terdiri dari: Numeric, Comma, Dot., Scientific notation, Date,
Custom currency, dan String. Karena nama seseorang (variabel
NAMA) adalah huruf, bukan angka, maka tipe variabel ini adalah
String. Sedangkan berat seseorang berupa angka atau numerik
maka tipenya dipilih Numerik. Sementara untuk gender merupakan
variabel yang unik bila dibandingkan variabel NAMA yang berisi huruf,
karena selain dapat diberi tipe string juga bisa diberi tipe numerik
dengan jenis data bersifat nominal. Misalnya PRIA = 1, WANITA = 2.
Untuk tipe data string juga perlu ditentukan jumlah karakter yang akan
digunakan, oleh karena itu kita pun akan ditanyakan berapa jumlah
karakter maksimum yang akan digunakan.

12
d. Kolom ketiga (Width) adalah untuk menentukan
berapa jumlah maksimal angka/huruf yang dapat
dimuat. Untuk keperluan praktik biarkan kolom width
sesuai dengan default SPSS yaitu = 8.
e. Kolom keempat (Desimal) adalah untuk menentukan
jumlah angka di belakang koma. Bila angka merupakan
bilangan bulat, seperti PRIA = 1, WANITA = 2, desimal
diisi dengan angka NOL (0).

Gambar 1.7

13
3. Mengisi data
Langkah berikutnya adalah mengisikan data variabel yang telah
didefinisikan nama, tipe, width dan desimalnya. Cara pengisian
data persis seperti kita mengisi data pada program Excel, yaitu
baris-baris pada tiap-tiap kolom variabel tersebut, seperti Gambar
1.8.

Gambar 1.8

4. Langkah berikutnya adalah menyimpan data.

a. Dari menu File, lalu pilih submenu Save As ….
b. Beri nama file tersebut, misalnya untuk keseragaman kita beri
nama berat. Dan tempatkan file tersebut di direktori yang kita
kehendaki. Untuk tipe data file SPSS adalah sav, sehingga
data tersebut akan disimpan dengan nama lengkap berat.sav.

14
 Modul 2. Analisis Statistik Deskriptif

Statistika deskriptif berkaitan dengan bagaimana data dapat

digambarkan (dideskripsikan) atau disimpulkan baik secara numerik
(misal menghitung rata-rata dan deviasi standar) atau secara grafis
(dalam bentuk tabel atau grafik) untuk mendapatkan gambaran sekilas
mengenai data tersebut sehingga lebih mudah dibaca dan bermakna.
A. Statistik Deskriptik dengan SPSS
Data yang sama dapat di olah dengang program SPSS dengan
langkah sebagai berikut:
1. Buka data editor pada program SPSS, dan pada variabel view
tuliskan nama data “Nilai Ujian” (Gambar 2.1)

Gambar 2.1

15
2. Pada kolom data view tuliskan data secara berurutan seperti pada
excel (Gambar 2.2)

Gambar 2.2

Gambar 2.3

16
3. Klik menu “analyze” pilih “Descriptive Statistics”, kemudian
pilih“frequencies” sehingga keluar kotak dialog frequencies
(Gambar 2.4)
4. Klik pilihan “nilai_ujian” pada kolom variables dan klik tanda panah.
Klik tombol “statistics” hingga muncul kotak dialog (Gambar 2.5)
5. Pilih menu mean, median, dan mode. Centang std deviation,
variance, skewness, dan kurtosis. Klik “continue” kemudian “ok”

Gambar 2.4

17
 Gambar 2.5

Hasil analisis dekriptif dari data tersebut disajikan sebagi berikut:

Nilai_Ujian
N Valid 20
Missing 0
Mean 54.80
Std. Error of Mean 5.764
Median 58.00

Mode 30a
Std. Deviation 25.778
Variance 664.484
Skewness -.092
Std. Error of Skewness .512
Kurtosis -1.109
Std. Error of Kurtosis .992
a. Multiple modes exist. The smallest value is shown

18
 MODUL III. RANCANGAN ACAK LENGKAP

Agar lebih memudahkan dalam melakukan dan mamahami

proses analisis percobaan bergalat tunggal Rancangan Acak Lengkap
(RAL) dengan penggunan program SPSS contoh yang diambil sama
dengan analisis Contoh Soal dan Pembahasan RAL (secara manual).
Dengan demikian nanti dapat dilakukan perbandingan hasil yang
diperoleh apabila analisis dilakukan secara manual dengan analisis
yang dilakukan dengan menggunakan program komputer.
1. One way anova dengan SPSS
• Masukkan data pada SPSS Data Editor,
• kllik Variable View , Pada kolom "Name", isi dengan nama
variabel level, dan Kolesterol sesuai dengan soal pada analisis
secara manual.
• Pada kolom "Type" ganti tipe data menjadi string pada kolom
perlakuan.
• Pada kolom "Label" berilah nama sesuai dengan keinginan,
pada contoh ini diberi label Level tepung kunyit pada baris
perlakuan.
• Pada kolom "Value" klik pada sisi kanan sel, akan muncul
jendela Value Labels. Klik panah pada Values, selanjutnya
akan muncul window Value Labels kemudian masukkan
makna dari nilai 1 – 6 sesuai dengan jenis perlakuan. Ketik
pada Value, kemudian T. kunyit 0% pada Label, lalu klik Add,

19
 ulangi langkah tadi untuk T.kunyit 1;1,5;2;2,5 dan 3%. Lalu klik
OK.
• Pada kolom "measure" pilih Ordinal,

• Pada sheet Data View, sekarang masukkan data sesuai

dengan urutan perlakuan dan ulangan seperti Gambar
berikut:

20
 Gambar 3.1.

Analisis
• Setelah data tersusun dengan baik, selanjutnya analisis dapat
dilakuan. Langkahnya sebagai berikut, klik: Analize -> General
Linear Model - > Univariate, hingga muncul kotak dialog
seperti berikut:

21
 Gambar 3.2

• Selanjutnya akan muncul jendela univariate. Masukkan Level tepung

kunyit pada “fixed Factor” dan kolesterol pada Dependent variable
seperti pada Gambar 3.3 berikut :

Gambar 3.3

22
• Selanjutnya klik Model, untuk menentukan pilihan model yang akan
digunakan (anova sederhana atau faktorial). Pilih “main effects” dan
pindahkan “level” kekolom sebelah kanan. Klik continue (Gambar
3.4)

Gambar 3.4

Selanjutnya Klik Options, untuk menampilkan pilihan-pilihan tambahan

informasi yang nantinya muncul pada Output. Pada jendela Option, pilih
Descriptive, Homogenity of Variance test, Means Plot kemudian Kllik
Continue (Gambar 3.5)

23
 Gambar 3.5

• Pada menu post hoc, pindahkan “level” ke kolom sebelah kanan

dan centang “LSD” dan “Duncan”, untuk pilihan uji lanjut yang
diinginkan ( Gambar 3.6), klik continue, dan klik OK.

24
 Gambar 3.6
• Tabel Output dari model analsis dengan menggunakan GLM
seperti ini akan muncul sebagai berikut:

25
26
• Interpretasi Output:

Output 1: Descriptives, merupakan output yang menyajikan deskripsi

statistic data yang diteliti, meliputi banyak data (N), rata-rata
(mean), standar deviasi (SD), standar error (SE), selang
kepercayaan 95% terhadap rata-rata, nilai minimum dan
maksimum.
Output 2: Tabel sidik ragam (ANOVA), pada table ini terdapat nilai
jumlah kuadrat (Sum of Squares), derajat bebas (df),
kuadrat tengah (Mean Square), F hitung (F) dan Signifikansi
hasil analisis.
Output 3: Tabel uji lanjut BNT, menunjukkan perbandingan langsung
diantara taraf perlakuan, sehingga jelas mana diantara
perlakuan yang berbeda satu sama lain.
Output 4: Tabel uji Duncan, sama dengan BNT, bedanya pada tabel
ini notasi pembeda diantara perlakuan lebih mudah

27
ditentukan dengan membedakan perlakuan yang menempati kolom subset
yang berbeda. Berdasarkan nilai p-value (Sig.) pada table ANOVA diatas
sebesar 0,00 yang lebih kecil dari 0,01 (P<0,01), berarti H0 ditolak yang
bermakna bahwa perlakuan yang diberikan berpengaruh nyata pada taraf
1%. Hasil analisis pada penggunaan SPSS ini dapat dibandingkan dengan
hasil pengolahan data RAL secara manual, dan hasilnya adalah sama.

Uji lanjut dengan BNT/Duncan

Pada contoh diatas, terdapat hasil uji lanjut sebagai konsekuensi dari
adanya pengaruh perlakuan yang ditemukan pada Tabel anova. Mengapa
dikatakan uji lanjut? Perhatikan kembali pada Contoh Soal dan
Pembahasan RAL, kesimpulan yang diberikan pada dalam hasil analisis
tersebut menerangkan ada tidaknya perngaruh/respon signifikan sebagai
akibat dari perlakuan yang diberikan. Namun, kita belum mengetahui
dengan pasti perbedaan-perbedaan respon diantara ke-enam taraf
perlakuan tersebut. Maka untuk menjawab pertanyaan mengenai
perbedaan respon yang terjadi maka diperlukan suatu pengujian secara
lebih lanjut. Terdapat berbagai macam uji lanjut yang dapat anda jumpai
dalam buku statistik terapan atau dalam buku terkait rancangan percobaan,
antara lain: Uji beda nyata terkecil (Least Significant Differences), Uji-
Duncan, Uji-Dunnett, Uji Contras Ortogonal, Bonferroni, Sidak Test, Tukey
Test dan lain sebagainya. Macam uji bergantung pada analisis Varians
atau rancangan percobaan yang digunakan serta jawaban yang diinginkan.
Pada modul ini diuraikan secara singkat hasil uji lanjut seperti pada contoh
diatas.

28
Uji Beda Nyata Terkecil (BNT/LSD)

Uji BNT atau LSD-test juga dikenal dengan Uji t berganda atau
multiple t test, uji ini akan bekerja secara lebih efektif (lebih teliti)
apabila perlakuan yang akan diperbandingkan sebelumnya telah
direncanakan, sehingga sering juga dikenal sebagai perbandingan
terencana. Pengujian dilakukan berdasarkan dua nilai baku (α)
pembanding terhadap perbedaan rata-rata, yaitu LSD(α=5%) dan
LSD(α=1%), yang diperoleh dengan mengalikan nilai t-sudent dengan
nilai galat baku rerata deviasi (Sδ). Persamaan umum LSD adalah
sebagai berikut:

t = nilai t yang diperoleh pada Tabel

s2 = nilai kuadrat tengah galat (KTG),
r = jumlah ulangan

Untuk menilai apakah dua nilai tengah berbeda secara statistika, maka
bandingkan selisih (beda) dua nilai tengah perlakuan tersebut dengan
LSD. Jika beda dua nilai tengah tersebut lebih besar dengan LSD maka
dikatakan berbeda secara nyata pada taraf sebaliknya jika lebih kecil
maka dikatakan tidak berbeda nyata
• Pada contoh kasus kandungan kolesterol telur dikatakan
dipengaruhi oleh level kolesterol yang diujikan padaayam dengan
level yang berbeda. Untuk mengetahui dengan pasti level mana
yang berbeda, dapat ditelusuri pada Tabel berikut:

29
• Analisis output:

A vs B; A vs C; A vs D; A vs E dan seterusnya, yang dapat

ditabulasikan dan dibandingkan dengan taraf alfa (5 dan 1%).

30
 Perlakuan 0% 1% 1.5% 2% 2.5% 3%

0%

*
1%
** **
1.5%
** tn *
2%
** ** tn **
2.5%

** * tn tn *
3%

Uji Duncan
Hasil uji Duncan seperti contoh soal dapat dilihat pada Tabel berikut:

Setiap kolom subset, menunjukkan adanya perbedaan nyata pada setiap

taraf perlakuan yang berada pada kolom tersebut.
• Dengan demikian, berdasarkan hasil uji diatas (LSD dan DUNCAN),
dapat dibuatkan notasi dengan kaidah berikut :

31
o Urutkan nilai tengah perlakuan dari terendah hingga tertinggi
o Berikan notasi “a” untuk nilai tengah terendah dan semua nilai tengah
yang tidak berbeda berdasarkan uji LSD
o Berikan notasi “b” untuk nilai tengah terbesar kedua yang berbeda nyata
dengan nilai tengah pertama, notasi yang sama juga diberikan pada
nilai tengah yang tidak berbeda dengan nilai tengah ini
o Berikan notasi “c” untuk nilai tengah terbesar ketiga yang berbeda nyata
dengan nilai tengah kedua dan pertama. Notasi yang sama untuk
semua nilai tengah yang tidak berbeda.
o Dst, apabila diurutkan kembali maka notasi yang mungkin pada
data tersebut, yaitu:

1. Perlakuan 2,5% = 13,3 a

2. Perlakuan 1,5 % = 14,6 ab
3. Perlakuan 3% = 18,7 bc
4. Perlakuan 2% = 19,9 cd
5. Perlakuan 1% = 24,0 d

6. Perlakuan 0% = 28,8 E

32
Data tersebut dapat diplotkan ke dalam Grafik seperti pada Gambar di
Bawah ini:

28.8
e

24.0
d

19.9c 18.7b
14.6a d
b c
13.3
a

0% 1% 1.50% 2% 2.50%
3%
Level Pemberian Tepung Kunyit

Gambar 3.8: Kandungan kolesterol telur (mg/butir) ayam ras petelur

setelah diberi tepung kunyit dalam pakan.

Keterangan: Huruf yang berbeda mengikuti nilai rataan pada perlakuan

yang berbeda menunjukkan perbedaan yang nyata (P<0,05).

33
“Peningkatan level tepung kunyit dalam pakan ayam ras petelur
hingga 3% dapat menurunkan level kandungan kolesterol telur
yang dihasilkan” . Kesimpulan diatas dapat diterima walaupun
terdapat inkonsistensi hasil yang diperoleh, hal ini diduga
merupakan akibat adanya variasi individu dan error (bias)
selama penelitian

34
 MODUL IV. Rancangan Acak Kelompok (RAK)

Pada pembahasan sebelumnya telah dibahas mengenai pengujian varians

satu faktor hingga tahap pengujian lanjutan yang dapat memberikan
keterangan perbedaan diantaralevel/taraf perlakuan yang diberikan.
Pembahasan selanjutnya pada modul ini ialah pengujian pada suatu
pemberian perlakuan yang dilakukan pada suatu obyek yang telah
dikelompokkan terlebih dahulu berdasarkan karakteristik tertentu. Desain
yang dimaksud sering disebut dengan Rancangan Acak Kelompok (RAK).
Pengujian dengan menggunakan RAK akan mengurangi tingkat kesalahan
yang mungkin ditemukan pada rancangan sebrlumnya terkait adanya
variasi individu (misalnya jenis kelamin, umur, berat badan, dan
sebagainya). Pengujian dengan SPSS
• Pengujian rancangan acak kelompok dengan SPSS dilakukan
melalui prosedur General Linear Model.

• Masukkan data ke dalam data editor SPSS dengan mengisikan pada

variabel view “ransum” untuk variabel 1 dan “umur” pada variabel 2
serta “PBB” pada variabel 3. (lihat Gambar 4.1)
• Pada menu analyze, pilih General Linear Model, kemudian Univariate.
Kotak dialog univariate seperti Gambar 4.2

35
 Gambar 4.1 Cara input data dan kotak dialog Univariate

• Masukkan variabel ransum dan umur pada kotak “fixed factors” dan
PBB pada kotak “Dependent variabel”.
• Pada menu “model”, pilih “custom” dan pada pilihan tipe pilih “main
effect” dan pindahkan “ransum” dan “umur” ke kotak sebelah kanan
sebagai model yang akan dianalisis. Klik “continue”.

36
 Pada menu “post hoc” pindahkan “ransum” dan “umur” dan centang LSD dan
Duncan, sebagai model uji lanjut yang akan digunakan.

Pada menu “option” klim “descriptive” untuk memunculkan dekriptif

statistik. Klik OK, maka ouput akan terlihat seperti pada Gambar 4.2

Gambar
4.2
Output
analisis
model
RAK

• Berdasarkan output diatas, diketahui bahwa faktor ransum nyata

37
pengatuhnya terhadap PBB domba jantan. Hal ini terlihat dari nilai F hitung
(10,54) dan nilai signifikansi sebesar 0,003 (P<0,01). Namun demikian
pengaruh umur tidak nyata dengan nilai F hitung 0,34 dan signifikansi
0,795 (P0,05).
• Hasil pengujian lanjut, menunjukkan bahwa ransum C nyata
memberikan pertambahan berat badan lebih tinggi dibanding jenis
ransum lainnya. Hal ini terlihat pada Tabel uji lanjut, nilai rata- rata
ransum C berada pada kolom subset yang nyata berbeda dengan jenis
ransum lainnya.

38
 MODUL V : Rancangan Bujur Sangkar Latin

Rancangan bujur sangkar (Latin Square Design) merupakan salah

satu model rancangan lingkungan dalam rancangan percobaan. Disain
rancangan ini berbentuk bujur sangkar sehingga disebut juga rancangan
bujur sangkar latin.
Rancangan ini digunakan apabila unit percobaan tidak homogen
dimana ketidak homogenan tersebut diduga mengarah pada dua arah
sehingga pengelompokan perlakuannya berdasarkan dua kriteria yaitu
pengelompokan ke arah baris dan ke arah kolom/lajur. Hal ini
memungkinkan untuk mengukur dan menyisihkan keragaman tanah
percobaan ke dua arah sehingga menurunkan galat percobaan.
Salah satu ciri khas dari rancangan bujur sangkar latin adalah jumlah
baris sama dengan jumlah kolom atau dengan kata lain jumlah perlakuan
sama dengan jumlah ulangan. Jumlah perlakuan yang ideal untuk
rancangan ini adalah 5 sampai 8. Apabila perlakuan yang diuji hanya
sedikit (<4) maka penggunaan rancangan ini kurang efisien.
Beberapa penelitian yang menggunakan rancangan ini adalah:
1. Pengujian pengaruh insektisida terhadap hasil jagung, dimana
efek dari penggunaan insektisida menuju ke dua arah
2. Pengujian varietas jagung terhadap dosis pemupukan dimana
menggunakan pengelompokan lima cara pemupukan dan lima
orang tenaga kerja.
3. Pengaruh tingkat protein ransum terhadap jumlah zat makanan
dapat cerna pada ternak kambing

39
 4. Uji efektivitas mesin fillet otomatis A, B, C dan D terhadap
produksi fillet tuna dengan empat operator sebagai baris dan
empat hari kerja sebagai baris.

Studi Kasus

Seperti telah dijelaskan, percobaan bujursangkar latin mempunyai

jumlah perlakuan dan ulangan yang sama. Sebagai contoh percobaan
pengaruh insektisida terhadap hasil padi. Terdapat 5 perlakuan yaitu A
= Kontrol, B = Insektisida FCe; C= Insektisida EC, D= Insektisida BHC,
dan E = Insektisida DDT. Percobaan ini diulang sebanyak 5 kali
sehingga rancangan bujur sangkar latinnya 5 X 5. Tidak boleh ada
perlakuan yang sama pada baris atau kolom yang sama. Hasil
pengacakan yang diperoleh sebagai berikut:

40
 Layout pengacakan percobaan
E B D C A
3,51 t/ha 3,92 t/ha 3,73 t/ha 3,91 t/ha 3,54 t/ha

D A B E C
3,53 t/ha 3,06 t/ha 4,02 t/ha 3,63 t/ha 4,05 t/ha

B D C A E
4,84 t/ha 3,87 t/ha 4,25 t/ha 3,64 t/ha 3,21 t/ha

C E A D B
4,55 t/ha 3,52 t/ha 3,44 t/ha 3,05 t/ha 4,52 t/ha
A C E B D
3,30 t/ha 4,13 t/ha 3,60 t/ha 4,01 t/ha 3,50 t/ha

Perlakuan : A = Kontrol, B = Insektisida FCe; C= Insektisida EC, D=

Insektisida BHC, dan E = Insektisida DDT

Bagan percobaan insektisida dalam rancangan latin square dengan 5

perlakuan dan 5 ulangan. Data yang diperoleh dari hasil percobaan
kemudian ditabulasi sebagai berikut:

41
 Kolom
Baris
1 2 3 4 5
1 3,51 (E) 3,92 (B) 3,73 (D) 3,91 (C) 3,54 (A)
2 3,53 (D) 3,06 (A) 4,02 (B) 3,63 (E) 4,05 (C)
3 4,84 (B) 3,87 (D) 4,25 (C) 3,64 (A) 3,21 (E)
4 4,55 (C) 3,52 (E) 3,44 (A) 3,05 (D) 4,52 (B)
5 3,30 (A) 4,13 (C) 3,60 (E) 4,01 (B) 3,50 (D)
Penyelesaian

Model yang digunakan untuk analisis sidik ragam adalah general linear
model dengan post test uji Duncan. Tahapan analisisnya adalah:

1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti

berikut. Simpan dengan nama bujursangkarlatin.xls

2. Buka program Excel Microsoft Office dan lakukan tabulasi seperti

berikut. Simpan dengan nama bujursangkarlatin.xls

42
 Gambar 5.1.Tampilan data entri di Excel

3. Buka program SPSS pada komputer, selanjutnya akan muncul data

view pada komputer. Impor data dari Excel dengan klik File > Open >
Data

4. Selanjutnya pada dialog File Type pilih Excel

dan File nama pilih bujursangkarlatin.xls dilanjutkan dengan klik
Open.

43
5. Klik Continue maka data akan ditampilkan di data view spss seperti
berikut.

Gambar 5.2 Data view perlakuan

6. Selanjutnya kita akan melakukan analisis varians, klik Analyze

>General linear model >univariate sebagai berikut:

44
 Gambar 5.3. Tampilan menu general linear model

7. Kotak dialog Univariate selanjutnya ditampilkan. Pilih variable Hasil

dan klik ke Dependent List. Pada Fixed Factor pilih BARIS,
KOLOM dan PERLAKUAN, maka ketiga variable akan berpindah
ke kanan (Lihat gambar 5.4).

45
 Gambar 5.4. Memasukkan variabel

8. Klik model maka akan keluar tampilan seperti gambar 5.5. Klik custom
dan masukkan BARIS, KOLOM dan PERLAKUAN, ke kotak model
dengan klik tanda panah. Klik continue untuk lanjut.

Gambar 5.5. Kotak dialog model

46
9. Kali ini kita akan melakukan uji Duncan. Klik menu Post Hoc yang
terletak di sebelah kanan. Klik PERLAKUAN dilanjutkan dengan
menekan panah ke kanan maka variable akan berpindah ke kanan.
Pilih uji Duncan > Continue > OK

Gambar 6. Univariate: post Hoc multiple comparison

47
OUTPUT MODEL

Tests of Between-Subjects Effects

Dependent Variable:HASIL

Type III
Source Sum of df Mean F Sig.
Squares Square
Corrected 3.905a 12 .325 3.915 .013
Model
Intercept 356.530 1 356.530 4.289E3 .000

BARIS .279 4 .070 .838 .527

KOLOM .290 4 .072 .871 .509

PERLAKUAN 3.337 4 .834 10.036 .001

Error .998 12 .083
Total 361.433 25

Corrected Total 4.903 24

a. R Squared = .797 (Adjusted R Squared = .593)
Hasil analisis dapat disimpulkan sebagai berikut : karena nilai Sig untuk
PERLAKUAN < 0.05, maka H1 diterima dan H0 ditolak. Hal ini berarti ada
perbedaan antara perlakuan jenis insektisida yang digunakan terhadap
hasil jagung.

48
 HASIL Duncan

Subset
Perlakuan N
1 2

1 5 3.41 b

5 5 3.49 b

4 5 3.54 b

3 5 4.18 a

2 4.26 a
5
Sig. 0.53 0.653
Hasil analisis di atas dapat disederhanakan penyajiannya sebagai berikut:

Perlakuan Hasil (t/ha)

A. Kontrol 3.41 b
B. Insektisida FCe 4.26 a
C. Insektisida EC 4.18 a
D. Insektisida BHC 3.54 b
E. Insektisida DDT
3.49 b

Kesimpulan: Penggunaan insektisida jenis FCE memberikan hasil

jagung yang tertinggi yaitu 4,26 t/ha namun tidak berbeda nyata dengan
penggunaan insektisida jenis EC yang menghasilkan 4,18 t/ha.
Penggunaan insektisida jenis BHC dan DDT kurang efektif karena tidak
berbeda nyata dengan kontrol (tanpa di semprot insektisida).

49
MODUL VI. RANCANGAN ACAK LENGKAP DUA FAKTOR

Sebagaimana telah dijelaskan pada bab sebelumnya bahwa

Metode Rancangan Acak Lengkap (RAL) umumnya dipakai pada
kondisi lingkungan yang homogen diantaranya percobaan di
laboratorium dan rumah kaca. RAL umumnya terdiri atas faktor
tunggal seperti dibahas pada bab sebelumnya serta RAL Faktorial.
Tujuan dari penggunaan RAL Faktorial adalah untuk melihat interaksi
antara faktor yang diujicobakan apakah responnya positif atau
negatif. Diantara contoh penggunaan RAL Faktorial dalam kegiatan
penelitian adalah:
1. Analisis pengaruh penggunaan inokulum antagonis dalam
penekan penyakit busuk pelepah pada tanaman jagung
2. Keragaman hara dalam tanaman pada berbagai taraf pemupukan
dan waktu pemberian air
3. Analisis ketahanan bahan material bangunan pada berbagai
jenis bahan pembuat serta temperatur.
4. Pengaruh tingkat konsentrasi asam dan lama penyimpanan
terhadap mutu produk
5. Pengaruh pemberian kapur dan posfat terhadap pertumbuhan
tanaman jagung manis

Seperti pada percobaan RAL 1 faktor, penempatan kombinasi

perlakuan pada RAL faktorial dilakukan secara acak dan bebas pada
petak percobaan.

50
CONTOH KASUS: Analisis Mikrobia untuk Menekan Penyakit
Tanaman Jagung Menggunakan RAL Faktorial

Sebuah penelitian dilakukan untuk mengetahui efektifitas penggunaan

mikrobia hayati untuk menekan penyakit busuk pelepah pada tanaman
jagung. Penelitian dilaksanakan di rumah kaca dengan menggunakan RAL
faktorial. Percobaan terdiri atas dua faktor yaitu jenis agen pengendali dan
waktu inokulasi. Faktor pertama yaitu agen pengendali terdiri atas tiga yaitu
Agen A, Agen B dan Agen C. Sementara itu faktor kedua adalah waktu
inokulasi, terdiri atas tiga yaitu 1 minggu setelah tanam (MST), 2 MST dan
3 MST. Percobaan menggunakan tiga ulangan.Faktor pertama terdiri tiga
taraf: A0 (Agen pengendali hayati A), A1 (Agen pengendali hayati B) dan
A2 (Agen pengendali hayati C). Faktor kedua terdiri tiga taraf yaitu W0 (1
minggu setelah tanam), W1 (2 minggu setelah tanam) dan W2 (3 minggu
setelah tanam). Terdapat 3 x 3 = 9 kombinasi perlakuan yaitu A0W0,
A0W1, A0W2, A1W0, A1W1, A1W2, A2W0, A2W1 dan A2W2. Percobaan
diulang sebanyak 3 kali sehingga terdapat 27 unit percobaan.

Layout pengacakan percobaan

A0W0 A1W0 A1W2 A0W2 A2W0 A2W2 A1W1 A0W1 A2W1

A0W2 A2W0 A0W1 A2W1 A1W0 A0W0 A0W2 A2W2 A1W1

A1W2 A1W1 A2W1 A0W1 A1W2 A1W0 A2W0 A0W0 A2W2

Perlakuan: A0= Agen Hayati A; A1= Agen B; A2 = Agen C; W0 = 1 minggu
setelah tanam (mst) ; W1 = 2 mst; W2 = 3mst

51
 Data intensitas serangan penyakit (%) pada berbagai jenis mikrobia
dan waktu inokulasi adalah sebagai berikut:

Agen Waktu (minggu setelah tanam/MST)

Pengendali (A) Ulangan
W0 (1 W1 (2 W2 (3
MST) MST) MST)
A 1 10,50 18,75 27,80
0
2 9,68 17,65 28,50
3 9,90 18,00 28,3
A 1 11,43 19,89 29,8
1
2 12,12 20,20 30,1
3 12,35 19,88 30,5
A 1 13,12 19,2 29,9
2
2 12,98 19,6 30,7
3 13,45 19,5 30,1

52
Penyelesaian

Model yang digunakan untuk analisis sidik ragam adalah general linear
model dengan post test uji Duncan. Tahapan analisisnya adalah:

1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti

berikut. Simpan dengan nama Ralfaktorial.xls

Gambar 6.1.Tampilan data entri di Excel

2. Buka program SPSS pada komputer, selanjutnya akan muncul data

view pada komputer. Impor data dari Excel dengan klik File > Open >
Data.
53
3. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih
Ralfaktorial.xls dilanjutkan dengan klik Open. Klik Continue maka
data akan ditampilkan di data view spss seperti berikut:

Gambar 6.2. Data view perlakuan

54
4. Selanjutnya kita akan melakukan analisis varians, klik Analyze >
General linear model > univariate sebagai berikut:

Gambar 6.3 Tampilan menu general linear model

5. Kotak dialog Univariate selanjutnya ditampilkan. Pilih variabel

Serangan_penyakit dan klik ke Dependent List. Pada Fixed Faktor
pilih Mikrobia dan Waktu, maka kedua variabel akan berpindah ke
kanan (Lihat gambar 6.4).

55
 Gambar 6.4. Memasukkan variabel

6. Klik model maka akan keluar tampilan seperti gambar 6.5. Klik
custom dan masukkan Mikrobia dan Waktu ke kotak model
dengan klik tanda panah. Selanjutnya kita akan menganalisis
interaksi mikrobia dengan waktu inokulasi. Klik Mikrobia sambil
menekan Shift klik Waktu maka kedua variabel akan terblok. Klik
tanda panah ke kanan maka akan terbentuk interaksi
Mikrobia*Waktu. Klik continue > Ok.

56
 Gambar 6.5. Kotak dialog model

OUTPUT MODEL
Tests of Between-Subjects Effects

Type III
Source d Mean F Sig.
Sum of
f Square
Squares
Corrected Model 1466.197a 8 183.275 1.282E3 .000
Intercept 10956.563 1 10956.563 7.665E4 .000
Mikrobia 25.177 2 12.588 88.063 .000
Waktu 1437.659 2 718.829 5.029E3 .000
Mikrobia * Waktu 3.361 4 .840 5.878 .003
Error 2.573 18 .143
Total 12425.333 27

57
 Corrected Total 1468.770 26
a. R Squared = .998 (Adjusted R Squared = .997)

Hasil analisis sidik ragam diperoleh nilai Sig (p-value) variabel Mikrobia =
0,000 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa
terdapat perbedaan yang sangat nyata antara perlakuan Mikrobia dengan
intensitas serangan penyakit busuk batang pada tanaman jagung.
Selanjutnya variabel kedua yaitu Waktu (saat inokulasi dilakukan)
diperoleh nilai Sig (p-value) variabel waktu = 0,003 (< 0,05) sehingga
hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang
nyata antara perlakuan waktu inokulasi dengan intensitas serangan
penyakit busuk batang pada tanaman jagung. Interaksi jenis mikrobia
dengan waktu inokulasi mempunyai nilai Sig (p-value) = 0,0003 (< 0,05)
sehingga hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan
yang sangat nyata antara perlakuan jenis Mikrobia dan waktu inokulasi
terhadap intensitas serangan penyakit busuk batang pada tanaman
jagung. Apabila ingin melakukan uji interaksi dua arah prosedurnya
adalah:

58
1. Ubah konfigurasi penyusunan data seperti gambar berikut. Tampilan
data di Excel adalah

Gambar 6.6 Penyusunan Interaksi arah vertikal di excel

1. Buka program SPSS pada computer. Impor data dari Excel dengan klik
File > Open > Data
2. Selanjutnya pada dialog File Type pilih
Excel dan File name pilih Ralfaktorhorizontal.xls
dilanjutkan dengan klik Open.
3. Klik Continue maka data akan ditampilkan di data view spss seperti
berikut.

59
 Gambar 6.7. Data view di spss

4. Selanjutnya kita akan melakukan analisis anova secara bersamaan

terhadap ketiga parameter. Klik Data > Split File sebagai berikut.

60
 Gambar 6.7 Tampilan menu split file

5. Selanjutnya akan muncul kotak dialog split file. Pilih Analyze all cases
do not create groups diikuti dengan klik OK

Gambar 6.8. Kotak dialog menu split file

61
6. Selanjutnya kita akan melakukan analisis varians, klik Analyze >
Compare means > one way anova sebagai berikut.

Gambar 6.9 Tampilan menu one way anova

7. Pilih variabel Intens_A0W012 dan klik ke Dependent List,. Lakukan

hal yang sama pada variabel Intens_A1W012 dan Intens_A2W012.
Selanjutnya pada Faktor pilih Perlakuan dan klik tanda panah
kekanan (Lihat Gambar 6.10).

62
 Gambar 6.10. Memasukkan variabel
8. Masih pada kotak dialog One way anova, kali ini kita akan melakukan
uji Duncan. Caranya Klik menu Post Hoc dan pilih uji Duncan >
Continue. Apabila semua data sudah lengkap maka SPSS siap
memproses data, klik OK.

63
OUTPUT MODEL

Output uji Duncan arah horizontal

Untuk melakukan uji Duncan arah vertikal ulangi prosedur di atas

dengan menggunakan data interaksi arah vertikal (Lihat Gambar 6.B).
Output uji interaksi adalah:

Output uji Duncan arah vertikal

Catatan:
Kolom yang sama mempunyai kode huruf yang sama

64
Kedua hasil uji Duncan diatas selanjutnya dapat di sederhanakan menjadi
tabel dua arah sebagai berikut
Persentase Tanaman Terserang (%)
Jenis Mikrobia
Inokulasi 1 Inokulasi 2 Inokulasi 3
MST (W0) MST (W1) MST (W2)

Agen pengendali 10,03 18,13 28,20

c b b
hayati A (A0)
C B A
Agen pengendali
hayati B (A1) 11,97 19,99 30,1 a
b a
A
Agen pengendali C B
hayati C (A2) 30,23
13,1 19,43 a
8a a
A
C B
Keterangan: Angka yang diikuti huruf yang sama tidak berbeda nyata
menurut uji Duncan pada taraf 5%. Huruf kapital di baca horizontal (baris)
dan huruf kecil dibaca arah vertical (kolom)

Kesimpulan:
1. Berdasarkan uji anova terdapat interaksi antara perlakuan agen
pengendali hayati/mikrobia dengan waktu inokulasi terhadap penurunan
tingkat serangan penyakit pada tanaman jagung.

2. Berdasarkan uji Duncan disimpulkan bahwa perlakuan A0W0

(penggunaan agen pengendali hayati A) dengan waktu inokulasi 1 MST
persentase serangan paling rendah, 10,03% dan berbeda nyata dengan
perlakuan lainnya. Sementara itu perlakuan A2W2 (penggunaan agen
pengendali hayati C) dengan waktu inokulasi 3 MST memberikan nilai
persentase serangan penyakit yang terbesar.

65
 MODUL VII. RANCANGAN ACAK KELOMPOK DUA
FAKTOR

Dalam percobaan faktorial, pengaruh dua faktor atau lebih diselidiki

secara bersama-sama. Apabila pengaruh suatu faktor diperkirakan akan
berubah menurut tingkatan faktor tersebut, percobaan sering dilakukan
dengan menggunakan faktorial. Ciri khas dari rancangan faktorial adalah
susunan perlakuannya terdiri dari kombinasi lengkap antara tingkatan
faktor-faktor yang diteliti. Susunan perlakuan semacam itu memungkinkan
pula bagi peneliti untuk mempelajari pengaruh faktor yang satu pada tiap
tingkat faktor yang lain atau dikenal sebagai pengaruh interaksi.
Rancangan acak kelompok (Randomized Block Design) banyak
digunakan di bidang pertanian, peternakan dan sosial ekonomi. RAK
umumnya terdiri dari 1 faktor, 2 faktor dan 3 faktor. Rak 2 faktor umumnya
dilakukan di lapangan atau laboratorium, diantaranya:
▪ Pengaruh jenis varietas dan lama waktu penyimpanan terhadap
keseragaman tumbuh benih jagung.
▪ Pengaruh dosis pemupukan dan kerapatan tanaman terhadap
hasil tanaman jagung.
▪ Pengaruh kombinasi takaran kotoran sapi dan varietas terhadap
emisi gas metan padi.
▪ Pengaruh konsentrasi hidrogen peroksida dan lama waktu
desinfeksi terhadap jumlah bakteri E.coli.
▪ Pengaruh jenis kemasan dan promosi iklan terhadap tingkat
penjualan benih jagung hibrida.

66
Pengacakan dilapangan dapat dilakukan sebagai berikut: misalnya sebuah
penelitian dilakukan untuk mengetahui pengaruh varietas dan lama waktu
penyimpanan terhadap persentase biji tumbuh. Penelitian terdiri atas dua
faktor, faktor pertama adalah jenis varietas yang terdiri dari empat varietas
yaitu Varietas A (VA), Varietas B (VB), Varietas C (VC) dan Varietas D
(VD). Faktor kedua adalah lama waktupenyimpanan benih yang terdiri dari
tiga taraf yaitu 0 bulan (P0), 6 bulan (P6), dan 12 bulan (P12). Jumlah
kombinasi dari kedua faktor tersebut adalah 3 x 4 = 12, yaitu VAP0, VAP6,
VAP12, VBP0, VBP6, VBP12, VCP0, VCP6, VCP12, VDP0, VDP6, dan
VDP12. Apabila setiap kombinasi diulang 3 kali sebagai kelompok/blok,
maka total unit percobaan adalah 3 X 4 X 3 = 36 unit percobaan.
Selanjutnya dilakukan pengacakan pada setiap blok, oleh sebab itu jumlah
pengacakan yang dilakukan sebanyak jumlah kelompok, yaitu 3 kali dan di
setiap blok tidak muncul perlakuan yang sama. Hasil pengacakan yang
diperoleh adalah:

67
 BLOK
I

VAP V VBP V VAP VCP V VB VCP VAP VD V

0 C 12 D 12 6 D P0 12 6 P12 B
P0 P0 P6 P6

II

VBP VC VAP VC VBP VBP VA V VCP VDP VA VD

0 P1 6 P0 6 12 P0 D 6 6 P12 P12
2 P0

III
VAP V VBP V VCP VDP VA VB VDP VBP V V
12 C 0 D 12 6 P6 P6 12 12 C A
P6 P0 P0 P0

Perlakuan : VA= Varietas A; VB= Varietas B; VC= Varietas

C; VD= Varietas D; P0 = Penyimpanan 0 bulan; P6 = 6
bulan; P12 = 12 bulan.

Contoh denah dan pengacakan menggunakan RAK

68
 Data Persentase tanaman tumbuh (%) empat varietas jagung pada
tiga periode penyimpanan (bulan) adalah:

Varietas Periode penyimpanan

Ulangan
0 bulan 6 bulan 12 bulan
(P0) (P6) (P12)

Varietas A (VA) 1 100 98 97

2 100 98 98
3 100 98 97
Varietas B (VB) 1 97 96 95
2 97 96 96
3 98 96 96
1 97 96 94
Varietas C (VC) 2 95 94 93
3 95 94 94
1 95 92 86
Varieta D (VD) 2 92 90 88
s
3 92 90 89

69
 Penyelesaian
Model yang akan digunakan untuk analisis sidik ragam adalah general
linear model dengan post test uji Duncan. Tahapan analisisnya
adalah:
1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti
berikut. Simpan dengan nama rak2faktor.xls

Gambar 7.1. Tampilan data entri di Excel

2. Buka program SPSS pada komputer, selanjutnya akan muncul data

view pada komputer. Impor data dari Excel dengan klik File > Open
70
 > Data

3. Selanjutnya padadialog File Type pilih Excel dan File nama pilih
Rak2faktor.xls dilanjutkan dengan klik Open. > Continue, data
akan ditampilkan seperti berikut.

Gambar 7.2 Data view Perlakuan dan hasil

4. Selanjutnya kita akan melakukan analisis varians, klik Analyze

> General linear model > univariate
5. Selanjutnya kotak dialog Univariate ditampilkan. Pilih variabel
Tumbuh dan klik ke Dependent List, variabel Hasil akan
berpindah ke kanan. Selanjutnya Pada Fixed Faktor pilih Var,
Simpan dan Blok, (Lihat gambar 7.3).
71
 Gambar 7.3. Memasukkan variabel

6. Klik model maka akan keluar tampilan seperti gambar 4. Klik custom
dan masukkan Var, Simpan dan Blok ke kotak model dengan klik
tanda panah. Selanjutnya kita akan menganalisis interaksi varietas dan
lama penyimpanan. Klik Var selanjutnya sambil menekan Shift klik
Simpan maka kedua variabel akan terblok. Klik tanda panah ke kanan
maka akan terbentuk interaksi Simpan*Var pada model. Selanjutnya
klik continue > OK.

72
 Gambar 7.4. Kotak dialog model
OUTPUT MODEL
Tests of Between-Subjects Effects

Type III Sum

Source of df Mean F Sig.
Squares Square
Corrected Model 377.194a 13 29.015 32.275 .000
Intercept 324710.028 1 324710.02 3.612E5 .000
8
Varietas 310.528 3 103.509 115.140 .000
WaktuSim 51.389 2 25.694 28.581 .000
Ulangan 1.556 2 .778 .865 .435
Varietas * 13.722 6 2.287 2.544 .050
WaktuSim
Error 19.778 22 .899
Total 325107.000 36
Corrected Total 396.972 35
a. R Squared = .950 (Adjusted R Squared = .921)

73
 Berdasarkan hasil analisis sidik ragam diperoleh nilai Sig (P-
value) dari variabel Var (varietas) sebesar 0.000 (< = 0.05) sehingga
hipotesis Ho ditolak sehingga dapat disimpulkan bahwa terdapat
perbedaan yang sangat nyata antara perlakuan Varietas terhadap
persentase biji tumbuh. Selanjutnya variabel kedua yaitu Simpan
(lama waktu penyimpanan sebelum varietas ditanam) sebesar 0.000
(< = 0.05) sehingga hipotesis Ho ditolak sehingga dapat disimpulkan
bahwa terdapat perbedaan yang sangat nyata antara perlakuan
Simpan terhadap persentase biji tumbuh. Interaksi varietas dengan
lama penyimpanan (Var*Simpan) mempunyai nilai Sig sebesar 0.027
(< = 0.05) sehingga hipotesis Ho ditolak sehingga dapat disimpulkan
bahwa interaksi antara Varietas dengan lama waktu penyimpanan
berpengaruh nyata terhadap persentase biji tumbuh. Karena terdapat
perbedaan yang nyata antara perlakuan maka dilakukan uji lanjut.
Prosedur uji interaksi varietas dan lama penyimpanan adalah:

1. Ubah konfigurasi penyusunan data seperti gambar berikut.

Tampilan data di Excel adalah

74
(A). Penyusunan Interaksi arah horizontal di excel

(B). Penyusunan Interaksi arah vertikal di excel

75
 Gambar 7.5. Data view di Excel

2. Buka program SPSS pada komputer, selanjutnya akan muncul data

view pada komputer. Impor data dari Excel dengan klik File > Open >
Data
3. Selanjutnya pada dialog File Type pilih Excel
Dan File name pilih RAKfaktorhorizontal.xls dilanjutkan dengan klik
Open. > Continue.

Gambar 7.6. Data view SPSS

4. Selanjutnya kita akan melakukan analisis varians, klik Analyze

>General linear model > Multivariate
5. Selanjutnya kotak dialog multivariate ditampilkan. Pilih variabel
VAP_0_6_12, VBP_0_6_12, VCP_0_6_12 dan VDP_0_6_12

76
dilanjutkan dengan klik panah Dependent List. Pada Fixed Faktor
pilih Ulangan dan Perlakuan.

Gambar 7. Memasukkan variabel

6. Klik model maka akan keluar tampilan seperti gambar 7. Klik

custom dan masukkan Ulangan dan Perlakuan . Klik
continue untuk lanjut.
7. Selanjutnya kita akan melakukan uji Duncan. Klik menu Post
Hoc, pilih variabel Perlakuan dilanjutkan dengan menekan
panah kekanan maka variabel akan berpindah ke kanan. Klik
Continue. Apabila semua data sudah lengkap klik OK.

77
 Gambar 8. Tampilan Uji Post-Hoc Model

OUTPUT MODEL
Output uji interaksi arah horizontal adalah:

VA P_0 _P6_P12 VB P_0 _P6_P12

Perlaku Subset
an N Perlaku an Subset
1 2 N
1 2

3 3 97.33 B
3 3 95.67 B
2 3 98.00 B
2 3 96.00 B
1 3 100.00 A
1 3 97.33 A
Sig 0.070 1.000
Sig 0.374 1.000

78
 VC P_0 _P6_P12

Perlaku Subset
an N
1 2

3 3 93.67 B
2 3 94.67 B 94.67 A
1 3 95.67 A
Sig 0.101 0.101

VD P_0 _P6_P12

Perlaku Subset
an N
1 2

3 3 87.67 B
2 3 90.67 B 90.67 A
1 3 93.00 A
Sig 0.09 0.171

Untuk melakukan uji Duncan arah vertikal Ulangi prosedur di atas

dengan menggunakan data interaksi arah vertikal (Lihat Gambar 7.B).

79
 Output uji interaksi arah vertikal adalah:

P0 V_A _VB_VC_VD

Perlaku Subset
an N
1 2 3

4 3 93.00 c
3 3 95.67 b
2 3 97.33 b
1 3 100.00a
Sig 1.00 1.000 0.084

P6 V_A _VB_VC_VD

Perlaku Subset
an N
1 2 3 4

4 3 90.67 d
3 3 94.67 c
2 3 96.00 b
1 3 98.00 a
Sig 1.000 1.000 1.000 1.000
P12 V_A _VB_VC_VD
Perlakuan Subset
N
1 2 3

4 3 87.67 c
3 3 93.67 b
2 3 95.67 a
1 3 97.33 a
Sig 1.00 1.000 1.000 0.057

80
 Hasil uji Duncan diatas selanjutnya dapat di sederhanakan sebagai
berikut

Persentase Tanaman Tumbuh

Varietas
0 bln 6 bln 12 bln
A 100,00 a 98,00 a 97,33 a
A B B
B
97,33 b 96,00 b 95,67 a
C
A B B
D 95,67 b 94,67 c 93,67 b
A AB B
93,00 c 90,67 d 87,67 c
A AB B
Keterangan: Angka yang diikuti huruf yang sama tidak berbeda nyata menurut uji
Duncan pada taraf 5%. Huruf kapital di baca horizontal (baris) dan huruf kecil
dibaca arah vertical (kolom)

Kesimpulan:

Berdasarkan uji anova terdapat interaksi antara varietas dengan lama

waktu penyimpanan benih jagung terhadap persentase tanaman yang
tumbuh. Varietas A dengan lama penyimpanan benih 0 bulan mempunyai
persentase tanaman tumbuh yang tertinggi yaitu 100 % dan berbeda nyata
dengan perlakuan lainnya. Sementara itu Varietas D dengan lama
penyimpanan 12 bulan mempunyai persentase tanaman tumbuh yang
terendah yaitu 87,67%.

81
 MODUL VIII. RANCANGAN PETAK TERPISAH

Rancangan split plot design atau dalam bahasa Indonesia disebut

Rancangan Petak Terpisah atau Rancangan Petak Terbagi (RPT)
merupakan jenis percobaan faktorial (lebih dari satu faktor). Rancangan
ini dicirikan oleh adanya petak utama dan anak petak. Rancangan ini
digunakan pada berbagai kondisi seperti:

1. Kita ingin mengetahui pengaruh perlakuan dengan tingkat

ketelitian yang berbeda, dalam hal ini pada petak utama tingkat
ketelitian yang lebih rendah sedangkan pada anak petak
dinginkan tingkat ketelitian yang lebih tinggi. Misalnya suatu
penelitian dilakukan untuk menilai 5 galur unggul jagung pada
tiga taraf/level pemupukan. Karena kita mengharapkan ketelitian
yang lebih tinggi pada respon galur daripada respon pemupukan
maka pemupukan dijadikan petak utama sementara galur jagung
menjadi anak petak.
2. Pengaruh utama salah satu faktor diharapkan lebih besar dan
lebih mudah terlihat dibandingkan faktor lainnya. Misalnya kita
ingin mengetahui produksi 4 varietas jagung hibrida pada
populasi yang berbeda. Potensi produksi dari keempat varietas
tersebut telah diketahui sebelumnya sedangkan yang ingin
diketahui adalah seberapa padat keempat varietas itu dapat
ditanam dengan hasil optimal. Pada kondisi tersebut maka
varietas dijadikan sebagai petak utama sedangkan populasi
tanaman dijadikan anak petak.

82
Pengacakan RPT RAL

Dalam pelaksanaannya, percobaan RPT dapat diterapkan pada

percobaan RAL maupun RAK. Pada percobaan RAL, petak utama
dirancang secara acak lengkap sedangkan anak petak diletakkan secara
acak di dalam petak utama. Sebagai contoh, sebuah penelitian dilakukan
untuk mengetahui pengaruh pemupukan dan varietas terhadap hasil
jagung manis. Faktor pertama pemupukan (A) sebagai faktor yang kurang
dipentingkan ditempatkan di petak utama yang terdiri atas tiga taraf (A1,
A2, dan A3). Faktor kedua adalah varietas (B) yang terdiri atas tiga taraf
(B1, B2 dan B3). Percobaan diulang sebanyak tiga kali. Bagan percobaan
split plot RAL nya dibuat sebagai berikut:

A1 A3 A2 A2 A3 A1 A3 A1 A2

A1 A3 A2 A2 A3 A1 A3 A1 A2
B1 B2 B2 B3 B2 B1 B2 B1 B3

A1 A3 A2 A2 A3 A1 A3 A1 A2
B2 B1 B3 B2 B1 B3 B3 B2 B1
A1 A3 A2 A2 A3 A1 A3 A1 A2
B3 B3 B1 B1 B3 B2 B1 B3 B2

Kombinasi perlakuan adalah: A1B1, A1B2, A1B3, A3B2, A3B1, A3B3,

A2B2, A2B3, A2B1, A2B3, A2B2, A2B1, A3B2, A3B1, A3B3, A1B1,
A1B3, A1B2, A3B2, A3B3, A3B1, A1B1, A1B2, A1B3, A2B3, A2B1,
dan A2B2.

83
Pengacakan RPT RAK
Pada percobaan RPT RAK, area percobaan dibagi menjadi
kelompok/blok. Pembagian kelompok didasarkan pada pertimbangan
bahwa keragaman pada setiap kelompok yang sama relatif homogen.
Setiap kelompok selanjutnya di bagi menjadi anak petak sesuai
dengan taraf faktor dari percobaan yang dilakukan. Tahapan
selanjutnya adalah melakukan pengacakan pada setiap kelompok
secara terpisah di ikuti dengan pengacakan pada anak petak pada
setiap petak utama secara terpisah. Sebagai contoh, sebuah penelitian
pot dilakukan untuk mengetahui pengaruh pemupukan dan varietas
terhadap hasil jagung manis. Faktor pertama pemupukan (A) sebagai
faktor yang kurang dipentingkan ditempatkan di petak utama yang
terdiri atas tiga taraf (A1, A2, dan A3). Faktor kedua adalah varietas
(B) yang terdiri tiga taraf (B1, B2 dan B3). Percobaan diulang tiga kali.
Bagan percobaan split plot RAK nya adalah:

84
 BLOK BLOK BLOK
III II I
A3B1 A3B3 A1B1

A3B3 A3B1 A1B2

A3B2 A3B2 A1B3

A1B1 A2B2 A3B3

A1B2 A2B3 A3B1

A1B3 A2B1 A3B2

A2B3 A1B3 A2B3

A2B1 A1B2 A2B2

A2B2 A1B1 A2B1

CONTOH KASUS: Analisis Pengaruh Kombinasi Pemupukan N dan

Genotipe Terhadap Hasil Jagung Menggunakan RPT

Sebuah penelitian dilakukan untuk mengetahui pengaruh pemupukan N

dan genotipe terhadap hasil jagung. Penelitian pendahuluan pengaruh
pemupukan N terhadap jagung telah diketahui namun pengaruh genotipe
belum diketahui. Oleh karena itu pemupukan N dijadikan petak utama
sementara respon genotipe menjadi anak petak. Kombinasi pemupukan
N terdiri atas 6 taraf sedangkan genotipe terdiri atas dua taraf. Percobaan
menggunakan empat ulangan. Data yang diperoleh dari hasil percobaan
kemudian ditabulasi sebagai berikut:

85
Data hasil pengujian interaksi pupuk dengan genotype terhadap hasil
jagung.

Pupuk Genotipe Hasil (t/ha)

Ul. 1 Ul. 2 Ul. 3 Ul. 4
Kontrol G1 5,4 5,2 4,9 5
G2 4,3 4,2 4 3,9
50 Kg N G1 7,8 8,1 7,8 8
G2 6,8 6,7 6,8 6,7
75 Kg N G1 9 8,7 8,8 9
G2 8 7,9 7,5 7,6
100 Kg N G1 9,9 9,8 9,8 9,5
G2 8,9 8,5 8,8 8
125 Kg N G1 10,6 10,4 10 10,7
G2 9,8 9,2 9 8,9
150 Kg N G1 11,2 10,9 11 11,5
G2 12 12,4 12,5 13

86
Penyelesaian

Model yang digunakan untuk analisis sidik ragam adalah general linear
model dengan post test uji Duncan. Tahapan analisisnya adalah:

1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti

berikut. Simpan dengan nama splitplot.xls

Gambar 8.1.Tampilan data entri di Excel

87
2. Buka program SPSS pada komputer, selanjutnya akan muncul data
view pada komputer. Impor data dari Excel dengan klik File > Open
> Data

3. Selanjutnya pada dialog File qType pilih Excel dan File nama pilih
splitplot.xls dilanjutkan dengan klik Open. Klik Continue maka data
view spss ditampilkan.

Gambar 8.2. Data view perlakuan

88
4. Selanjutnya kita akan melakukan analisis varians, klik Analyze >
General linear model >univariate.
5. Kotak dialog Univariate selanjutnya ditampilkan. Pilih variable Hasil
dan klik ke Dependent List. Pada Fixed Faktor pilih Pupuk dan
Genotipe. Pada Random Faktor (s) pilih Ulangan (Lihat gambar 3).

Gambar 8.3. Memasukkan variabel

6. Klik model maka akan keluar tampilan seperti gambar 4. Klik

custom dan masukkan variable Pupuk, Genotipe dan Ulangan.
Selanjutnya kita akan menganalisis interaksi pupuk dengan
genotype serta pupuk dengan ulangan. Klik variable pupuk sambil
menekan Shift klik genotipe, kedua variable terblok. Klik panah

89
ke kanan maka akan terbentuk interaksi Pupuk*Genotipe. Ulangi
hal yang sama untuk interaksi Pupuk*Ulangan. Klik continue >
OK.

Gambar 8.4. Kotak dialog model

90
OUTPUT MODEL
Tests of Between-Subjects Effects

Type III Sum

Source of d Mean F Sig.
Squares f Square
Corrected 255.752a 29 8.819 213.077 .000
Model
Intercept 3474.803 1 3474.803 8.395E4 .000
PU (pupuk) 237.197 5 47.439 1146.19 .000
AP (genotype) 6.453 1 6.453 155.919 .000
Ulangan .342 3 .114 2.752 .073
PU * AP 10.212 5 2.042 49.345 .000
PU * Ulangan 1.548 15 .103 2.494 .034
Error .745 18 .041

Total 3731.300 48
Corrected Total 256.497 47
a. R Squared = .997 (Adjusted R Squared = .992)

Hasil analisis sidik ragam diperoleh nilai Sig (p-value) variable Pupuk
= 0,000 (< 0,05) sehingga hipotesis H0 ditolak dan disimpulkan bahwa
terdapat perbedaan yang sangat nyata antara perlakuan Pupuk dengan
hasil tanaman jagung. Selanjutnya variabel kedua yaitu Genotipe
diperoleh nilai Sig (p-value) variable Genotipe = 0,000 (< 0,05) sehingga
hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang
sangat nyata antara perlakuan Genotipe dengan hasil. Interaksi Genotipe
dengan Pupuk mempunyai nilai Sig (p-value) = 0,000 (< 0,05) sehingga
hipotesis H0 ditolak dan disimpulkan bahwa terdapat perbedaan yang
sangat nyata antara perlakuan pupuk dan genotipe terhadap hasil jagung.
Apabila ingin dilakukan uji lanjut atau interaksi varietas dan lama
penyimpanan prosedurnya adalah:
91
1. Ubah konfigurasi penyusunan data. Tampilan data di Excel adalah

(A) Penyusunan Interaksi arah horizontal di excel

92
 (B). Penyusunan Interaksi arah vertikal excel

Gambar 8.7. Data view di Excel

1. Buka program SPSS pada komputer, selanjutnya akan muncul

data view pada komputer. Impor data dari Excel dengan klik File
> Open > Data
2. Selanjutnya pada dialog File Type pilih Excel
dan File name pilih Splitfaktorhorizontal.xls
dilanjutkan dengan klik Open.

93
3. Klik Continue maka data akan ditampilkan di data view spss seperti
berikut.

Gambar 8.8. Data view SPSS

4. Selanjutnya kita akan melakukan analisis varians, klik Analyze

>General linear model >Multivariate
5. Selanjutnya kotak dialog multivariate ditampilkan. Pilih variabel
P0_G12, P50_G12, P75_G12, P100_G12, P125_G12, dan
P150_G12 dilanjutkan dengan klik panah Dependent List. Pada
Fixed Faktor pilih Ulangan dan Perlakuan.

94
 Gambar 8.9. Memasukkan variabel

6. Klik model dilanjutkan Klik custom dan masukkan Ulangan dan

Perlakuan . Klik continue.
7. Selanjutnya kita akan melakukan uji Duncan. Klik menu Post Hoc,

pilih variable Perlakuan > Continue. Pilih Uji Duncan dan klik

Continue > OK.

95
OUTPUT MODEL

Output uji interaksi arah horizontal adalah:

P0G1_G2

Perlaku an Subset
N
1 2

1 4 4.10 B
2 4
5.13 A

P50G1_G2

Perlaku Subset
an N
1 2

1 4 6.75 B
2 4
7.93 A

96
 P75G1_G2 P100G1_G2

Perlaku N Subset Perlakuan Subset

N
an
1 2 1 2

1 4 7.75 B 1 4 8.55 B
2 4 2 4
8.88 A 9.75 A

P125G1_G2 P150G1_G2

Perlakuan Subse Perlakuan Subs

N t N et

1 2 1 2

1 4 9.23 B 1 4 11.15 B
10.43 A 12.48 A
2 4 2 4

Untuk melakukan uji Duncan arah vertikal ulangi

prosedur diatas dengan menggunakan data interaksi arah vertikal (Lihat
Gambar 7.B).

97
Output uji interaksi arah vertikal adalah:

G1P0_P50_P75_P100_P125_P150
Subset
Perlakuan
N 1 2 3 4 5 6
1 4 5.13 f
4
2 7.93
3 4 e
4 8.8
4 d8
5 9.75
4 c
10.43
6 4 b

11.15 a

Subset
Perlaku
an N 1 2 3 4 5 6
1 4 4.10
2 4 f
6.75
3 4 e
4 4 7.75
5 4 d
6 8.55
4 c
9.23
b
12.4 8 a
G2P0_P50_P75_P100_P125_P150

98
 Hasil uji Duncan arah horizontal dan vertical selanjutnya dapat di
sederhanakan sebagai berikut

Hasil (t/ha)
Pupuk
Genotipe A Genotipe B
Kontrol (0 N) 5,13 f 4,10 f
A B
50 Kg N 7,93 e 6,75 e
A B
75 Kg N 8,88 d 7,75 d
A B
100 Kg N 9,75 c 8,55 c
A B
125 Kg N 10,43 b 9,23 b
A B
150 Kg N 11,15 a 12,48 a
A B
Keterangan: Angka yang diikuti huruf yang sama tidak berbeda nyata menurut uji
Duncan pada taraf 5%. Huruf kapital di baca horizontal (baris) dan huruf
kecil dibaca arah vertical (kolom)

Kesimpulan:
1. Berdasarkan uji Duncan, pemberian pupuk dengan dosis 150
Kg/ha pada genotipe B memberikan hasil tertinggi yaitu 12,48
Kg/ha dan berbeda nyata dengan perlakuan lainnya.
2. Perlakuan kontrol (tanpa pupuk) pada genotipe B memberikan
hasil yang terendah yaitu 4,10 t/ha.

99
 DAFTAR PUSTAKA

Hakim, M. R. (2014). Penuntun Praktikum Metode Penelitian dan

Rancangan Percobaan. Makassar: UIN Alauddin Makassar.

Hanafiah, K. A. (2017). Rancangan Percobaan Teori & Aplikasi. Depok:

Rajawali Pers.

Pramesti, G. (2010). SPSS 18 dalam Rancangan Percobaan. Surakarta: PT.

Elex Media Komputindo.

Puspawati, B. A. (2011). Rancangan Percobaan Teori Aplikasi SPSS &

Excel. Malang: Lintas Kata Publishing.

Susilawati, M. (2015). Rancangan Percobaan. Bali: Jurusan Matematika

FMIPA Universitas Udayana.

100