Modul Pelatihan Pengenalan Dasar Software Minitab Dan SPSS Untuk Statistika Farmasi

MODUL PELATIHAN
PENGENALAN DASAR SOFTWARE MINITAB

DAN SPSS UNTUK STATISTIKA FARMASI
Disusun Oleh:
Wahyu Dwi Lesmono, S. Si
SEKOLAH TINGGI TEKNOLOGI INDUSTRI DAN FARMASI

BOGOR
2017
Sekolah Tinggi Teknologi Industri dan Farmasi Bogor
KATA PENGANTAR
Puji syukur kehadirat Allah SWT, yang telah memberikan rahmat dan
hidayah-Nya sehingga modul pelatihan Dasar-Dasar Software Minitab dan SPSS
untuk Statistika Farmasi diselesaikan dengan baik. Modul ini disusun sebagai
fasilitas materi dalam kegiatan pelatihan dasar-dasar software Minitab dan SPSS
untuk Statistika Farmasi agar bisa berjalan dengan baik.
Modul ini mencangkup langkah-langkah dalam pengoperasian software
Minitab dan SPSS dalam mengolah data statistika deskriptif, metode dasar
statistika, rancangan percobaan, dan rancangan permukaan respon yang sering
digunakan oleh penelitian di bidang farmasi.
Modul ini masih jauh dari sempurna, oleh karena itu di masa mendatang
akan dilakukan berbagai penyempurnaan yang dianggap perlu dan sesuai dengan
kebutuhan peneliti dalam pengolahan dan analisis data program. Semoga, modul
ini dapat memberikan kontribusi yang cukup signifikan dalam menambah
wawasan keilmuan bagi pembaca dan praktikan.
Bogor, Juni 2017
Penyusun
Modul Pelatihan Dasar-Dasar Software Minitab dan SPSS untuk Statistika Farmasi
i
DAFTAR ISI
KATA PENGANTAR .................................................................................... i

DAFTAR ISI ................................................................................................... ii
MODUL I: Dasar-Dasar Penggunaan Software Minitab dan SPSS ................ 1
MODUL II: Statistika Deskriptif dengan SPSS .............................................. 11
MODUL III: Dasar-Dasar Rancangan Percobaan dengan SPSS .................... 27
MODUL IV: Metode Statistika Dasar dengan SPSS ...................................... 54
MODUL V: Statistika Deskriptif dengan Minitab........................................... 75
MODUL VI: Dasar-Dasar Rancangan Percobaan dengan Minitab ................ 83
MODUL VII: Optimasi Respon ...................................................................... 98
ii
BAB I
DASAR-DASAR PENGGUNAAN SOFTWARE MINITAB DAN SPSS
Program Minitab
Minitab merupakan software statistika yang digunakan untuk melakukan pengolahan
data. Penggunaan software Minitab serupa dengan software Microsoft Excel. Perbedaannya
terletak pada hasil output serta penggunaan dalam melakukan analisa data. Apabila di Microsoft
Excel menggunakan Add-Ins Data Analysis dalam analisa data, sementara itu Minitab bisa
menggunakan menu-menu tertentu dalam analisa data.
Tampilan Utama Minitab

Ruang lingkup Window dalam aplikasi Minitab diantaranya sebagai berikut:
1. Worksheet Window
Worksheet Window merupakan tampilan dalam ruang lingkup Minitab yang memiliki
Worksheet (lembar kerja) yang berisi sel-sel data. Data Window serupa dengan Sheet
yang ada pada aplikasi Microsoft Excel.
1
2. Session Window
Session Window merupakan tampilan dalam ruang lingkup Minitab yang menampilkan
hasil analisis data yang dilakukan.
3. Project Manager Window

Project Manager Window merupakan tampilan dalam ruang lingkup Minitab yang
berfungsi untuk mengatur file serta output window yang tersimpan selama proses
pengolahan data. Project Manager terdiri dari beberapa folder dan window dari suatu
folder.
4. Graph Window
Graph Window merupakan tampilan dalam ruang lingkup Minitab yang menampilkan
grafik data yang muncul secara otomatis jika output berupa grafik.
2
Menu Bar Minitab

Program Minitab memiliki menu bar yang merupakan menu utama program
Minitab. Beberapa menu utama dalam program Minitab diantaranya sebagai berikut:
1. File
Menu File menyediakan berbagai macam submenu yang berkaitan dengan
menyimpan dan membuka hasil olahan data dan worksheet, mengeksport data,
mencetak grafik, keluar dari program Minitab, dan lain sebagainya.
2. Edit
Menu Edit menyediakan berbagai macam fasilitas sunting (edit) untuk olahan input
data.
3. Data
Menu Data menyediakan berbagai fasilitas submenu untuk melakukan olahan pada
worksheet data.
4. Calc
Menu Calc digunakan untuk menghitung data pada worksheet data, selain itu dapat
digunakan untuk membangkit data acak (random) dari distribusi tertentu.
5. Stat
Menu Stat digunakan untuk melakukan berbagai macam analisis statistika yang
disediakan pada Minitab seperti penampilan statistika deskriptif, uji hipotesis tertentu,
selang kepercayaan, regresi, korelasi, dan lain sebagainya.
3
6. Graph
Menu Graph merupakan menu untuk menampilkan berbagai Graph selain yang ada
pada submenu Stat.
7. Editor
Menu Editor digunakan untuk melakukan sunting pada Graph di Graph Window dan
Command pada Session Wiondow.
8. Tools
Menu Tools menyediakan berbagai fasilitas untuk menampilkan alat bantu dalam
mengoperasikan pengolahan data di Minitab serta menampilkan berbagai toolbar
pada program Minitab.
9. Window
Menu Window mengatur Window yang muncul dalam pengoperasian Minitab.
10. Help
Menu Help merupakan fasilitas menu bantuan yang berisikan mengenai penjelasan
penggunaan menu dan teori.
11. Assistant
Menu Assistant merupakan fasilitas menu yang mengarahkan dalam menentukan
analisa statistika yang tepat apabila belum mengetahui analisa yang digunakan.
Toolbar Minitab
Toolbar merupakan icon yang terdiri dari sekumpulan tombol gambar untuk menjalankan
suatu perintah dengan cepat yang ditunjukkan pada Gambar berikut:
Sebagai contoh, jika ingin menyimpan hasil olahan data dapat menyimpannya di menu File dan
memilih submenu Save Project As. Dalam toolbar, cukup melakukan klik pada icon bergambar
disket atau untuk menyimpan hasil olahan data.
4
Program SPSS
Program SPSS (Statistical Package For Social Science) merupakan software statistika
yang digunakan untuk mengolah data dan menganalisa data statistika. Sama halnya dengan
Minitab, program SPSS merupakan program yang populer digunakan bagi kalangan saintis dan
sosial. Penggunaan program SPSS sedikit berbeda dengan Minitab khususnya dalam melakukan
input data.
Tampilan Utama SPSS

Ruang Lingkup dalam melakukan input data pada SPSS terdiri dari dua bagian yang
diantaranya sebagai berikut:
1. Variable View
Variable View merupakan worksheet input data yang digunakan untuk
mendefinisikan suatu variabel pada data. Dalam melakukan input variabel perlu
mendefinisikan beberapa hal tertentu di dalam SPSS:
a. Name : memberikan nama input variabel dalam SPSS. Penamaan input variabel
tidak boleh mengandung spasi atau huruf angka diawal nama input variabel. Jika
ingin memberikan spasi dapat diganti oleh karakter garis bawah (Underscore atau
“_”) atau tanpa spasi sekalipun.
b. Type : memberikan tipe variabel pada input variabel. Tipe variabel dapat berupa
numerik, string (kalimat/huruf), komma, dot, notasi bilangan baku, tanggal,
dollar, dan satuan mata uang tertentu.
c. Width : mengatur panjang karakter yang diizinkan dalam SPSS.
d. Decimals : mengatur panjang angka dibelakang koma (desimal) yang diizinkan
dalam SPSS.
5
e. Label : memberikan penamaan/label variabel dari input variabel dalam SPSS.

Label digunakan untuk memudahkan pembacaan output dari suatu input variabel
yang dihasilkan dari hasil pengolahan data.
f. Values : memberikan nama dari kode angka tertentu. Values berguna untuk
apabila jenis variabel merupakan variabel ordinal dan nominal.
g. Missing : memberikan kode angka yang dianggap sebagai data hilang.
h. Columns : mengatur panjang kolom untuk data view variabel.
i. Align : mengatur rataan sel pada data view variabel.
j. Measure : memberikan skala pengukuran dari suatu variabel. Apabila variabel
berskala numerik (kuantitatif), baik interval maupun rasio dapat dipilih Scale.
Apabila variabel berskala kategorik (kualitatif) dapat dipilih nominal (untuk
variabel penggolongan) atau ordinal (untuk variabel pengurutan)
2. Data View
Data View merupakan worksheet input data yang digunakan untuk menginput sel-sel
data. Apabila variabel data belum didefinisikan pada Variable View maka ketika
melakukan input pada sel data di Data View akan tampil kata pada kolom variabel
yang tertulis VAR####, oleh karena itu, sebelum melakukan input data pada sel data
di Data View perlu dilakukan input variabel terlebih dahulu untuk memudahkan
dalam melakukan input serta membaca input data tertentu.
6
Menu Bar SPSS

Program SPSS memiliki menu bar sebagai menu utama dalam melakukan operasi
program SPSS yang diantaranya sebagai berikut:
1. File
Menu File menyediakan berbagai fasilitas submenu dalam mengoperasikan file seperti
menyimpan data, mencetak data, membuka data dari direktori tertentu, dan lain
sebagainya.
2. Edit
Menu Edit menyediakan berbagai fasilitas submenu untuk melakukan sunting (edit) pada
data.
3. View
Menu View digunakan untuk mengubah tampilan program SPSS.
4. Data
Menu Data menyediakan fasilitas submenu dalam melakukan pengolahan data pada Data
View di SPSS.
5. Transform
Menu Transformasi digunakan untuk melakukan transformasi variabel yang terdapat
pada Data View.
6. Analyze
Menu Analyze menyediakan berbagai macam fasilitas analisa data statistika seperti
penyajian data frekuensi, data deskriptif, analisa model linear, model regresi, korelasi,
analisa statistika nonparametrik, dan lain sebagainya.
7
7. Graph
Menu Graph digunakan untuk menampilkan diagram, plot, dan grafik dari variabel-
variabel tertentu dapat memodifikasi grafik sesuai keinginan.
8. Utilites
Menu Utilities digunakan untuk menampilkan informasi mengenai variabel dari file data
yang sedang aktif.
9. Add-Ons
Menu Add-Ons merupakan menu dalam menambahkan fasilitas tambahan untuk program
SPSS.
10. Window
Menu Window digunakan untuk mengatur serta berpindah tampilan antar Window SPSS.
11. Help
Menu Help merupakan menu bantuan untuk mendapatkan bantuan mengenai fasilitas
yang tersedia di SPSS.
Toolbar SPSS
Toolbar dalam software SPSS digunakan untuk menampilkan serta menjalankan perintah
program dengan cepat. Gambar 5.10 berikut merupakan tampilan Toolbar pada software SPSS.
Penggunaan Toolbar SPSS sama dengan penggunaan Toolbar pada software Minitab serta
software yang lainnya dalam melakukan pengolahan data secara cepat.
8
Deskripsi Data
Deskripsi Data merupakan teknik penyajian dan peringkasan data sehingga menjadi
informasi yang mudah dipahami. Ringkasan data dapat dibentuk dalam ukuran pemusatan,
ukuran dispersi, dan ukuran penyebaran.
1. Ukuran Pemusatan
Ukuran pemusatan merupakan nilai tunggal yang mewakili semua data atau kumpulan
pengamatan yang nilai tersebut menunjukkan pusat data. Ukuran pemusatan data
diantaranya sebagai berikut:
a. Rata-rata
b. Median
c. Modus
d. Kuantil (Kuartil, Desil, Persentil)
2. Ukuran Dispersi
Ukuran dispersi merupakan suatu ukuran yang menyatakan besarnya penyimpangan
nilai-nilai data dengan nilai pusatnya. Ukuran dispersi data diantaranya sebagai berikut:
a. Simpangan baku
b. Ragam
c. Simpangan rata-rata
d. Range
e. Simpangan kuantil
3. Ukuran Penyebaran
Ukuran penyebaran merupakan suatu ukuran untuk melihat besaran penyebaran yang
terdapat pada suatu data. Ukuran penyebaran data terdiri:
a. Skewness (Kemencengan)
b. Kurtosis (Keruncingan)
9
Selain itu, data juga dapat disajikan dalam bentuk tabel maupun grafik. Penyajian data dalam
bentuk tabel digolongkan menjadi 3 macam yaitu:
1. Tabel Frekuensi
2. Tabel Distribusi Frekuensi
3. Tabel Kontingensi
Penyajian data dalam bentuk grafik digolongkan berdasarkan skala pengukuran data yaitu:
1. Data Kualitatif (Data Kategorik, yaitu skala Nominal atau Ordinal)
a. Diagram Batang
b. Diagram Lingkaran
2. Data Kuantitatif (Data Numerik, yaitu skala Interval atau Rasio)
a. Histogram
b. Diagram Garis
c. Diagram Pencar (Scatter Plot)
d. Diagram Kotak Garis (Boxplot)
e. Diagram Dahan Daun (Stem-and-Leaf Plot)
10
BAB II
STATISTIKA DESKRIPTIF DENGAN SPSS
Cara Menampilkan Statistika Deskriptif dengan SPSS

Menu analyze dapat mengelola data yang sudah dimasukkan dalam Data View SPSS,
salah satunya menampilkan statistika deskriptif. Ada beberapa cara umum untuk menampilkan
statistika deskriptif dari suatu data menggunakan software SPSS pada menu Analyze bagian
submenu Descriptive Statistics, yaitu:
11
1. Frequency
Digunakan untuk tabel frekuensi dan statistika deskriptif masing-masing variabel serta
menampilkan Histogram, Diagram Lingkaran, dan Diagram Batang.
2. Descriptive
Digunakan untuk menampilan statistika deskriptrif dan menyimpan nilai standardisasi z.
3. Explore
Digunakan untuk menampilkan statistika deskriptif berdasarkan faktor-faktor yang
mempengaruhi, menampilkan uji normalitas, menampilkan uji homogenitas berdasarkan
bentuk transformasi, menampilkan diagram dahan daun, dan menampilkan boxplot.
4. Crosstab
Digunakan untuk menampilkan tabel tabulasi silang (Crosstab) atau tabel kontingensi
dari dua atau lebih variabel kategorik, menampilkan nilai harapan, persentase, dan
residual dari tabel tabulasi silang, menampilkan uji korelasi kategorik seperti Chi-Square,
Pearson Chi-Square, Contingency, Phi, Gamma, Somers, Kendall, dan lain-lainnya.
Contoh 1
Seorang peneliti di rumah sakit melakukan pengumpulan data mengenai karakteristik
responden mengenai perbedaan kepuasan orang tua pasien anak rawat jalan terhadap pelayanan
obat racikan dan non racikan di BLUD RS Sekarwangi. Pengumpulan data dilakukan dengan
membagikan kuesioner kepada orang tua pasien anak rawat jalan. Berikut merupakan sampel 10
responden yang terkumpul:
Usia Orang Jenis Kelamin Pendidikan Orang Pekerjaan Orang Tua Pendapatan Per
No
Tua Pasien Orang Tua Pasien Tua Pasien Pasien Bulan
1 28 Perempuan SMA Ibu Rumah Tangga 1,200,000
2 38 Perempuan SMP Ibu Rumah Tangga 1,350,000
3 37 Perempuan SD Ibu Rumah Tangga 950,000
4 40 Laki-laki SMA Wiraswasta 2,750,000
5 30 Laki-laki SMP Karyawan Swasta 3,000,000
10 37 Laki-laki SD Karyawan Swasta 2,500,000
12
Langkah-Langkah Input Data di SPSS

1. Klik Variable View untuk mendefinisikan kolom variabel terlebih dahulu seperti gambar
dibawah:
2. Input data seperti gambar dibawah
Dengan Values diisi sebagai berikut sebagai berikut:

JK:
Value Label
1 Perempuan
2 Laki-Laki
Pendidikan:
Value Label
1 SD
2 SMP
3 SMA
13
Pekerjaan:
Value Label
1 Ibu Rumah Tangga
2 Wiraswasta
3 Karyawan Swasta
3. Klik Data View untuk menginput data pada Tabel 2.1 sebagai berikut:
JK, Pendidikan, dan Pekerjaan harus diinput sesuai dengan angka pada Values Label.
Misalnya, apabila baris satu pada kolom JK dituliskan Perempuan maka tidak akan
muncul pada sel. Oleh karena itu, variabel kategorik harus diinput menggunakan angka.
4. Untuk menampilkan label dari masing-masing angka pada variabel kategorik, dapat
dilakukan dengan klik View, dan klik Value Labels
14
Sehingga data variabel kategorik yang awalnya berupa angka, berubah menjadi label
yang sesuai dengan yang sudah diinputkan di Variable View.
5. Dari data tersebut, sudah bisa dilakukan pengolahan data untuk menampilkan statistika
deskriptif, tabel frekuensi, tabel kontingensi, dan berbagai jenis grafik, diagram, maupun
plot yang diinginkan.
Langkah-Langkah Menampilkan Tabel Frekuensi

1. Klik Analyze → Klik Descriptive Statistics → Frequency
2. Pada tampilan frequencies. klik Jenis Kelamin Orang Tua Pasien > klik Tombol Panah
Kanan . Kemudian Klik Pendidikan Orang Tua Pasien > Klik Tombol Panah Kanan
15
. Kemudian Klik Pekerjaan Orang Tua Pasien > Klik Tombol Panah Kanan .
Dan ceklis display frequency tables seperti digambar berikut:
3. Klik OK. Maka akan muncul Output sebagai berikut:
Output diatas menunjukkan banyaknya sampel dari setiap variabel yang valid (ada) dan
yang hilang. Dalam hal ini dapat disimpulkan mengenai data yang diperoleh bahwa
seluruh responden telah mengisi data diri mengenai jenis kelamin orang tua pasien,
pendidikan orang tua pasien, dan pekerjaan orang tua pasien serta tidak ada responden
yang tidak mengisi jenis kelamin, pendidikan, dan pekerjaannya.
16
Hasil Output diatas merupakan hasil tabel frekuensi dari setiap variabel kategorik Jenis
Kelamin Orang Tua Pasien, Pendidikan Orang Tua Pasien, dan Pekerjaan Orang Tua
Pasien yang terdiri dari jumlah frekuensi, persentase, valid Percent, dan Cumulative
Percent. Berdasarkan data yang didapat dari hasil olahan data yang ada, dapat
disimpulkan bahwa orang tua pasien yang berkunjung di rumah sakit untuk mendapatkan
pelayanan obat racikan dan non racikan di BLUD RS Sekarwangi lebih banyak dikunjung
oleh orang tua pasien berjenis kelamin perempuan sebesar 60%, pendidikan terakhir SMP
dan SMA sebesar 40%, dan bekerja sebagai Ibu Rumah Tangga sebesar 60% dari total
responden yang didata.
17
Langkah-Langkah Menampilkan Statistika Deskriptif

1. Klik Analyze → Klik Descriptive Statistics → Frequency
2. Pada tampilan Frequencies, keluarkan semua yang ada di kotak Variable(s) dengan klik
variabel dan klik tanda panah kiri satu per satu. Kemudian klik Usia Orang Tua
Pasien > klik Tombol Panah Kanan . Kemudian Klik Pendapatan Per Bulan > Klik
Tombol Panah Kanan . Dan ceklis display frequency tables seperti digambar
berikut:
3. Klik tombol Statistics. Ceklis Mean, Median, Mode, Sum, Std. Deviation, Variance,
Range, Minimum, dan Maximum sesuai pada gambar dibawah:
18
4. Klik Continue. Maka akan muncul Output sebagai berikut:
Hasil output diatas menunjukkan tabel statistika deskriptif berdasarkan variabel Usia
Orang Tua Pasien dan Pendapatan Per Bulan yang terdiri dari informasi mengenai jumlah
sel yang ada pada variabel (N Valid), sel yang hilang (N Missing), Mean, Median,
Modus (Mode), Std. Deviation (Standar Deviasi/Simpangan Baku), Variance
(Varians/Ragam), Range (Jarak), Minimum, Maximum (Maksimum), dan Sum (Jumlah.
Nilai mode 37.00a pada variabel Usia Orang Tua Pasien menunjukkan bahwa terdapat
lebih dari satu nilai modus, sehingga SPSS hanya menampilkan nilai modus terkecil pada
data. Sementara itu, nilai Variance 5.217E11 pada variabel Pendapatan Per Bulan
merupakan nilai dalam bentuk notasi baku 5.217  1011 .
19
Hasil output diatas menunjukkan tabel frekuensi untuk variabel numerik Usia Orang Tua
Pasien dan Pendapatan Per Bulan untuk memperoleh informasi mengenai jumlah atau
persentase angka yang muncul dari masing-masing variabel pada data yang diperoleh.
20
Langkah-Langkah Menampilkan Tabel Tabulasi Silang

Contoh berikut menampilkan tabel tabulasi silang pada variabel Pendidikan Orang Tua Pasien
dan Pekerjaan Orang Tua Pasien.
1. Klik Analyze → Klik Descriptive Statistics → Crosstab
2. Pada tampilan Crosstabs, klik Pendidikan Orang Tua Pasien ke tanda panah kanan
pada kotak Row(s). Kemudian klik Pekerjaan Orang Tua Pasien ke tanda panah kanan
seperti pada gambar berikut:
21
Keterangan: tidak ada aturan khusus mengenai variabel apa saja yang dimasukkan
dalam Row(s) (Baris) maupun Column(s) (Kolom) pada tampilan Crosstabs.
3. Klik OK. Maka akan muncul output sebagai berikut:
Hasil output diatas merupakan tabel tabulasi silang antara Pendidikan Orang Tua Pasien
dengan Pekerjaan Orang Tua Pasien. Tabel tersebut memberikan informasi mengenai
jumlah orang tua pasien yang berkunjung di rumah sakit untuk mendapatkan pelayanan
obat racikan dan non racikan di BLUD RS Sekarwangi berdasarkan gabungan Pendidikan
Orang Tua Pasien dan Pekerjaan Orang Tua Pasien. Sebagai contoh, banyaknya orang tua
pasien dengan pendidikan terakhir SMP dan bekerja sebagai Ibu Rumah Tangga sebesar
3 orang.
22
Langkah-Langkah Menampilkan Diagram Batang

Contoh berikut menampilkan diagram batang rata-rata pendapatan per bulan orang tua pasien
berdasarkan pendidikan terakhir:
1. Klik Graphs → Legacy Dialogs → Bar…
2. Pada tampilan Bar Charts pilih Simple. Pada Data in Chart Are dipilih “Summaries for
Groups of Cases” seperti gambar dibawah. Klik Define.
23
3. Pada tampilan Define Simple Bar: Summaries for Groups of Cases pilih “Other Statistic
(e.g. mean)”. Kemudian klik variabel Pendapatan Per Bulan dan klik tanda panah kanan
pada kotak Variabel. Kemudian klik variabel Pendidikan Orang Tua Pasien dan
klik tanda panah kanan pada kotak Category Axis seperti pada gambar berikut:
4. Klik OK. Maka akan keluar output sebagai berikut:
24
5. Hasil diagram batang diatas sedikit sulit untuk dilakukan intepretasi karena kurangnya
label angka pada data. Untuk menampilkan label angka dari masing-masing batang,
dapat dilakukan dengan klik kanan pada diagram batang, pilih Edit Content, klik In
Separate Window
6. Pada tampilan Chart Editor klik icon Show Data Label menampilkan label angka
dari masing-masing batang. Kemudian Close tampilan Properties dan Close tampilan
Chart Editor. Dengan demikian, setiap batang memiliki label angka pada output diagram
batang sebagai berikut:
25
Hasil diagram batang diatas dapat dilakukan intepretasi mengenai karakteristik rata-rata
pendapatan per bulan orang tua pasien yang ingin mendapatkan pelayanan obat racikan
dan non racikan di BLUD RS Sekarwangi berdasarkan pendidikan terakhir orang tua
pasien. Sebagai contoh, rata-rata pendapat per bulan orang tua pasien dengan pendidikan
terakhir SMA yang mendapatkan pelayanan obat racikan dan non racikan di BLUD RS
Sekarwangi sebesar Rp. 2.050.000, yang merupakan rata-rata pendapat per bulan
tertinggi dibandingkan dengan pendidikan terakhir SMP sebesar Rp. 1.837.500 dan
pendidikan terakhir SD sebesar Rp. 1.725.000.
26
BAB III
DASAR-DASAR RANCANGAN PERCOBAAN DENGAN SPSS
Pengolahan Data Rancangan Percobaan dengan SPSS

Menu analyze dapat mengolah data yang sudah dimasukkan dalam Data View SPSS
selain statistika deskriptif, yaitu dapat mengolah data rancangan percobaan (desain eksperimen).
Untuk kasus Rancangan Acak Lengkap, dapat menggunakan dua cara:
 Menggunakan submenu Compare Mean → One-Way ANOVA
 Menggunakan submenu General Linear Model → Univariate
27
Sementara itu, untuk Rancangan Percobaan selain Rancangan Acak Lengkap, seperti Rancangan
Acak Kelompok, Rancangan Bujur Sangkar Latin, Faktorial Rancangan Acak Lengkap, dan lain-
lainnya, dapat menggunakan submenu General Linear Model → Univariate. Dalam praktek ini,
digunakan submenu General Linear Model → Univariate.
Contoh 1 (Rancangan Acak Lengkap)

Suatu penelitian di laboratorium mencit dan tikus putih dilakukan untuk mengetahui
pengaruh pemberian berbagai kombinasi formula kalsium dan magnesium terhadap pertumbuhan
akhir tinggi tikus putih dari pemberian berbagai formula kalsium yang berbeda. Formula kalsium
yang diberikan terdiri dari 5 macam, formula kontrol positif dengan pemberian formula kalsium
550 mg tanpa magnesium, formula 1 dengan pemberian kalsium 300 mg + magnesium 300 mg,
formula 2 dengan pemberian kalsium 200 mg + magnesium 200 mg, formula 3 dengan
pemberian kalsium 100 mg + magnesium 100 mg, dan formula kontrol negatif dengan pemberian
aquades. Masing-masing formula dibetikan kepada 5 tikus putih berumur 5-7 bulan sesuai
dengan kombinasi formula kalsium dan magnesium yang tersedia selama 30 hari. Hasil
pengukuran tinggi tikus putih ditunjukkan pada tabel berikut:
Tinggi Tikus Putih (cm) Berdasarkan Formula
Kontrol Formula Formula Formula Kontrol
(+) 1 2 3 (-)
20 21 17 15 11
22 19 12 12 9
25 19 15 14 12
25 23 16 10 13
Sumber: Simulasi.
28
Langkah-Langkah Input Data Rancangan Acak Lengkap dengan SPSS

1. Input Variabel di Variabel View terlebih dahulu seperti gambar dibawah ini:
Dengan Values pada Formula diisi dengan:

1 = Kontrol +
2 = Formula 1
3 = Formula 2
4 = Formula 3
5 = Kontrol –
2. Input Sel Data di Data View sebagai berikut:
Klik View → Value Label
29
Langkah-Langkah Pengolahan Data Rancangan Acak Lengkap dengan SPSS

Dalam praktek ini, digunakan dua cara dalam melakukan pengolahan data rancangan
acak lengkap dengan menggunakan software SPSS.
Cara 1: Menggunakan Compare Mean → One-Way ANOVA
1. Klik Analyze → Compare Mean → One-Way ANOVA
2. Klik variabel Tinggi Tikus Putih dan klik tanda panah kanan ke kotak Factor
Dependent List → Klik variabel Formula Kalsium+Magnesium dan klik tanda panah
kanan ke kotak Factor → Klik Options
3. Pada bagian Statistics, ceklis Descriptive dan Homogeneity of variance test →

Missing Value dipilih Excluded cases analysis by analysis → klik Continue.
30
4. Klik OK, maka akan muncul output sebagai berikut:
Output diatas merupakan tabel hasil statistika deskriptif yang digunakan untuk
mengetahui gambaran umum/karakteristik faktor yang mempengaruhi respon dari
masing-masing perlakuan yang terdiri dari kolom:
 N: Banyaknya pengulangan/sampel dari setiap perlakuan.
 Mean: Rata-rata hasil respon dari setiap perlakuan.
 Std. Deviation: Simpangan baku hasil respon dari setiap perlakuan.
 Std. Error: Simpangan galat/error hasil respon dari setiap perlakuan.
 95% Confidence Interval for Mean: Selang kepercayaan 95% untuk rata-
rata, yang digunakan untuk menunjukkan bahwa dengan tingkat kepercayaan
sebesar 95% dipastikan bahwa nilai dugaan rata-rata yang sebenarnya terletak
diantara Lower-Bound hingga Upper Bound. Dan digunakan untuk uji 1-
sampel rata-rata bahwa nilai dugaan rata-rata dapat menerima hipotesis H0
31
apabila nilai rata-rata berada diantara Lower-Bound hingga Upper Bound pada
tingkat kepercayaan 95%.
 Minimum: Nilai minimum hasil respon dari setiap perlakuan.
 Maximum: Nilai maximum hasil respon dari setiap perlakuan.
Hasil output diatas merupakan tabel hasil uji Homogenitas dengan menggunakan
metode uji Levene. Berikut merupakan hipotesis uji Homogenitas dengan
menggunakan metode uji Levene:
H0: Setiap sepasang perlakuan memiliki keragaman yang sama terhadap respon
ATAU
Keragaman respon yang diberikan dari berbagai perlakuan berasal dari
populasi satuan pengamatan yang homogen.
H1: Ada sepasang perlakuan memiliki keragaman yang berbeda terhadap respon
ATAU
populasi satuan pengamatan yang tidak homogen.
Dengan kriteria keputusan:

Tolak H0 apabila nilai L  F ;df1 ,df2  atau nilai Sig   .
Terima H0 apabila nilai L  F ;df1 ,df2  atau nilai Sig   .
 
Dari hasil output diatas diperoleh bahwa nilai  L  0.348   F 0.05;4,5  5.192 atau
nilai  Sig  0.841    0.05 yang mengindikasikan bahwa hipotesis H0 diterima
yang menyatakan bahwa keragama tinggi tikus putih yang diberikan dari berbagai
kombinasi formula berasal dari populasi tikus putih yang homogen. Dengan
diterimanya hipotesis H0, maka asumsi homogenitas pada rancangan acak lengkap
32
terpenuhi sehingga dapat dilakukan pengujian selanjutnya dengan menggunakan uji

ANOVA.
Output diatas merupakan tabel uji ANOVA yang terdiri dari kolom sebagai berikut:
 Sum of Squares: Jumlah Kuadrat
 df: Derajat Bebas (Degree of Freedom)
 Mean Square: Kuadrat Tengah
 F: Nilai Fhitung
 Sig.: Nilai signifikansi atau nilai P-Value

Dengan baris keragaman:
 Between Groups (BG): Perlakuan (Antar Perlakuan)
 Within Groups (WG): Error/Galat (Dalam Perlakuan)
 Total: Total
Dalam hasil output SPSS, cukup memperhatikan baris Between Groups pada kolom
nilai F atau Sig untuk pengambilan keputusan hipotesis pada uji ANOVA. Jika
memperhatikan pada kolom F, maka keputusan hipotesis harus dibandingkan dengan
nilai Ftabel  F ;df BG ;dfWG  . Jika memperhatikan pada kolom Sig maka keputusan
hipotesis harus dibandingkan dengan nilai taraf nyata atau  . Berikut merupakan
hipotesis uji ANOVA:
33
H0: Setiap sepasang perlakuan memberikan pengaruh perlakuan yang sama

terhadap respon yang dihasilkan.
ATAU
Tidak ada perbedaan pemberian perlakuan terhadap respon yang dihasilkan.
H1: Ada sepasang perlakuan yang memberikan pengaruh perlakuan yang berbeda
terhadap respon yang dihasilkan
ATAU
Ada perbedaan pemberian perlakuan terhadap respon yang dihasilkan.

Tolak H0 apabila nilai Fhitung  F ;df BG ,dfWG  atau nilai Sig   .
Terima H0 apabila nilai Fhitung  F ;df BG ,dfWG  atau nilai Sig   .
Dari hasil output SPSS diperoleh bahwa nilai Fhitung  23.036  F 0.05;4,15  3.056 atau
 Sig  0.000     0.05 yang menunjukkan bahwa hipotesis H0 ditolak. Artinya
ada perbedaan pemberian kombinasi formula terhadap pertumbuhan tinggi tikus

putih. Oleh karena itu, harus dilakukan uji lanjut untuk mengetahui pasangan
kombinasi formula apa saja yang memberikan hasil pertumbuhan tinggi tikus yang
sama. Berikut langkah untuk melakukan uji lanjut:
1. Klik Analyze → Compare Mean → One-Way ANOVA
2. Klik Post Hoc
3. Ceklis uji lanjut yang diinginkan. Dalam contoh praktek ini, ceklis Tukey dan
Duncan → Significance level dipilih 0.05 → Continue
34
4. Klik OK maka akan muncul output sebagai berikut:
Hasil output tabel diatas merupakan hasil uji lanjut dengan menggunakan uji
Tukey HSD (Honest Significance Difference) dalam bentuk tabel pembanding
ganda (Multiple Comparions) yang terdiri dari kolom sebagai berikut:
 Mean Difference (I-J): Selisih rata-rata perlakuan ke-i dan ke-j.
 Std. Error: Simpangan galat/error dari selisih rata-rata perlakuan ke-i dan
ke-j.
35
 Sig: Nilai signifikansi atau nilai P-Value berdasarkan metode uji lanjut
yang digunakan dari setiap selisih rata-rata perlakuan ke-i dan ke-j.
 95% Confidence Interval: Selang kepercayaan 95% yang digunakan
untuk mengetahui bahwa nilai dugaan selisih rata-rata yang sebenarnya
berada terletak diantara Lower Bound hingga Upper Bound pada tingkat
kepercayaan sebesar 95%. Atau digunakan untuk menguji perbedaan hasil
respon dari pasangan pemberian perlakuan. Apabila nilai selang
kepercayaan selisih rata-rata memuat nilai selisih rata-rata 0, maka
pasangan pemberian perlakuan memberikan rata-rata hasil respon yang
sama.
Untuk mengetahui adanya pasangan perlakuan yang memberikan pengaruh yang

berbeda, dilihat dari kolom Mean Difference (I-J). Jika ada angka yang memiliki
tanda bintang “*”, maka pasangan perlakuan tersebut memberikan pengaruh yang
berbeda terhadap respon. Sebagai contoh:
 Kontrol (+) dengan Formula 1 karena tidak ada tanda bintang, maka
dikatakan bahwa pasangan Kontrol (+) dengan Formula 1 memberikan
pengaruh perlakuan yang sama terhadap tinggi tikus putih.
 Kontrol (+) dengan Formula 2 karena ada tanda bintang, maka dikatakan
bahwa psangan Kontrol (+) dengan formula 2 memberikan pengaruh
perlakuan yang berbeda terhadap tinggi tikus putih.
 Formula 2 dengan Formula 3 karena tidak ada tanda bintang, maka
dikatakan bahwa pasangan Formula 2 dengan Formual 3 memberikan
pengaruh perlakuan yang sama terhadap tinggi tikus putih.
 Formula 3 dengan Formula 1 karena ada tanda bintang, maka dikatakan
bahwa psangan Kontrol (+) dengan formula 2 memberikan pengaruh
perlakuan yang sama terhadap tinggi tikus putih.
 Dan seterusnya…
36
Hasil Tabel di atas menunjukkan hasil uji lanjut Tukey HSD dan uji lanjut Duncan
dalam bentuk Tabel Homogeneous Subsets. Cara membaca tabel di atas dilihat
dari kolom subset dan disesuaikan dengan perlakuan disampingnya. Apabila
terdapat angka dalam satu subset, maka pasangan perlakuan pada angka yang
berada dalam satu subset yang sama memiliki pengaruh perlakuan yang sama
terhadap respon. Sebagai contoh untuk uji lanjut Tukey HSD:
 Pasangan perlakuan Formula Kontrol (-), Formula 3, dan Formula 2
berada di dalam satu subset yang sama (yaitu subset 1), yang artinya
pemberian perlakuan Formula Kontrol (-), Formula 3, dan Formula 2
memberikan pengaruh pertumbuhan tinggi tikus putih yang sama.
 Pasangan perlakuan Formula 1 dan Kontrol (+) berada di dalam satu
subset yang sama (yaitu subset 2), yang artinya pemberian perlakuan
Formula 1 dan Kontrol (+) memberikan pengaruh pertumbuhan tinggi
tikus putih yang sama.
 Pasangan perlakuan Formula 3 berada di subset 1, sementara itu Formula 2
berada di subset 2. Artinya pemberian perlakuan Formula 3 dan Formula 2
memberikan pengaruh pertumbuhan tinggi tikus putih yang berbeda.
37
Sebagai contoh untuk uji lanjut Duncan:

 Pasangan perlakuan Kontrol (-) dan Formula 3 berada di dalam satu subset
yang sama (yaitu subset 1) walaupun Formula 3 juga ada di subset yang
berbeda (yaitu subset 2), maka pemberian Kontrol (-) dan Formula 3
memberikan pertumbuhan tinggi tikus putih yang sama.
 Pasangan perlakuan Formula 3 dan Formula 2 berada di dalam satu subset
yang sama (yaitu subset 2), maka pemberian Formula 3 dan Formula 2
memberikan pertumbuhan tinggi tikus putih yang sama.
 Pasangan perlakuan Formula 1 dan Kontrol (+) berada di dalam satu
subset yang sama (yaitu subset 3), maka pemberian Formula 1 dan Kontrol
(+) memberikan pengaruh pertumbuhan tinggi tikus putih yang sama.
 Pasangan perlakuan Kontrol (-) berada di subset 1 dan Formula 2 berada di
subset 2, maka pemberian Kontrol (-) dan Formula 2 memberikan
pengaruh pertumbuhan tinggi tikus putih yang berbeda.
 Pasangan perlakuan Formula 2 berada di subset 2 dan Formula 1 berada di
subset 1, maka pemberian Formula 2 dan Formula 1 memberikan pengaruh
pertumbuhan tinggi tikus putih yang berbeda.
38
Cara 2: Menggunakan General Linear Model → Univariate

1. Klik Analyze → General Linear Model → Univariate
2. Klik Variable Tinggi Tikus Putih dan klik tombol panah kanan di kotak Dependent
Variable → Klik Variable Formula Kalsium+Magnesium dan klik tanda panah kanan
di kotak Fixed Factor(s) → Klik tombol Options…
39
3. Pada bagian Display ceklis Descriptive Statistics dan Homogeneity tests →

Significance Levels diisi 0.05 → Klik tombol Continue
4. Klik tombol OK maka akan muncul Output sebagai berikut:
Tabel diatas merupakan hasil statistika deskriptif yang menggambarkan gambaran

umum mengenai tinggi tikus putih setelah diberikan kombinasi formula kalsium dan
magnesium dengan kolom tabel berupa nama perlakuan, rata-rata hasil respon,
simpangan baku hasil respon, dan banyaknya pengulangan dari masing-masing
respon (N). Hasil output diatas berbeda dengan menggunakan submenu Compare
40
Mean → One-Way ANOVA yang terdapat kolom simpangan galat hasil respon, nilai
selang kepercayaan, nilai minimum hasil respon, dan nilasi maksimum hasil respon.
Hasil tabel diatas merupakan hasil uji homogenitas dengan menggunakan metode
Levene. Hipotesis uji homogenitas dengan uji Levene sebagai berikut:
H0: Keragaman galat/error pada variabel bergantung/terikat adalah sama di setiap
perlakuan.
ATAU
Setiap sepasang perlakuan memiliki keragaman yang sama terhadap respon
ATAU
populasi satuan pengamatan yang homogen.
H1: Keragaman galat/error pada variabel bergantung/terikat adalah berbeda di
setiap perlakuan.
ATAU
Ada sepasang perlakuan memiliki keragaman yang berbeda terhadap respon
ATAU
populasi satuan pengamatan yang tidak homogen.

Tolak H0 apabila nilai Fhitung  F ;df1 ,df2  atau nilai Sig   .
Terima H0 apabila nilai Fhitung  F ;df1 ,df2  atau nilai Sig   .
41
Dari hasil output SPSS menunjukkan bahwa nilai  Sig  0.841    0.05 yang
menandakan bahwa uji homogenitas dengan uji Levene terima H0 yang

mengindikasikan bahwa keragaman tinggi tikus putih yang dihasilkan dari berbagai
pemberian kombinasi formula berasal dari populasi tikus putih yang homogen.
Sehingga asumsi rancangan acak lengkap terpenuhi dan dapat digunakan untuk
pengujian dengan menggunakan analisis ragam (Analysis of Variance/ANOVA).
Hasil tabel diatas merupakan tabel output analisis ragam mengenai model pengaruh
pemberian formula terhadap tinggi tikus putih. Arti masing-masing kolom:
 Source : Sumber Keragaman
 Type III Sum of Squares : Jumlah Kuadrat Tipe III
 df : Derajat Bebas (Degree of Freedom)
 Mean Square : Kuadrat Tengah
 F : Nilai Fhitung
 Sig. : Nilai Signifikan/Nilai P-Value]

Dalam hasil output SPSS, cukup memperhatikan baris Perlakuan pada kolom Source
(Diantara baris Intercept dan Error), yaitu “Formula”. Dalam hal ini, dapat diberikan
kesimpulan secara langsung mengenai hipotesis yang diperoleh dari hasil output
SPSS dengan melihat nilai Sig pada baris “Formula” dengan membandingkan nilai
taraf nyata. Hasil SPSS pada baris Formula menunjukkan nilai
 Sig  0.000     0.05 , maka hipotesis H0 ditolak yang menunjukkan bahwa
42
terdapat perbedaan pemberian kombinasi formula kalsium dan magnesium terhadap

tinggi tikus putih.
Karena terdapat perbedaan kombinasi formula yang diberikan, dapat dilakukan uji
lanjut untuk mengetahui pasangan formula apa saja yang memberikan pengaruh yang
sama dan pengaruh yang berbeda terhadap tinggi tikus. Berikut langkah untuk
melakukan uji lanjut:
2. Klik Post Hoc
3. Pada kotak Factor(s), klik Formula dan klik tanda panah kanan → ceklis uji lanjut
yang diinginkan. Dalam contoh praktek ini, ceklis Tukey dan Duncan → Continue
4. Klik OK maka akan muncul output sebagai berikut:
43
Hasil Tabel di atas menunjukkan hasil uji lanjut Tukey HSD dan uji lanjut Duncan
dalam bentuk Tabel Multiple Comparisons (untuk uji lanjut Tukey HSD) dan
Tabel Homogeneous Subsets (untuk uji lanjut Tukey HSD dan Duncan). Hasil
output diatas sama dengan output pada submenu Compare Mean → One-Way
ANOVA.
44
Contoh 2 Rancangan Acak Kelompok

Suatu eksperimen dilakukan untuk studi pengukuran kemampuan banyaknya pemberian
nitrogen dalam menghasilkan Nitrogen Nitrat pada dahan tanaman gandum. Ada enam jenis
banyaknya pemberian nitrogen., yaitu “kontrol” tidak diberi nitrogen, 2 kali, 3 kali, 4 kali, 5 kali,
dan 6 kali, masing-masing taraf pemberian nitrogen dilakukan di empat 4 jenis lahan yang
berbeda. Hal ini dikarenakan setiap lahan memiliki arah aliran irigasi yang berbeda yang
membuat tingkat kesuburan lahan tanaman juga berbeda. Tabel berikut adalah merupakan hasil
kandungan nitrogen nitrat pada dahan tanaman Gandum  ppm  102  pada perlakuan enam jenis
pemberian nitrogen dalam empat jenis lahan:

Banyaknya Jenis Lahan
Pemberian
Nitrogen 1 2 3 4
0 34.98 41.22 36.94 39.97
2 40.89 46.69 46.65 41.9
3 42.07 49.42 52.68 42.91
4 37.18 45.85 40.23 39.2
5 37.99 41.99 37.61 40.25
6 34.89 50.15 44.57 43.29
Sumber: Kuehl, R.O. (2000)
Langkah-Langkah Input Data Rancangan Acak Kelompok dengan SPSS

Dengan Value:
Nitrogen:
Value Label
1 Nitrogen 0 kali
2 Nitrogen 2 kali
3 Nitrogen 3 kali
4 Nitrogen 4 kali
5 Nitrogen 5 kali
6 Nitrogen 6 kali
45
Lahan:
Value Label
1 Jenis Lahan 1
2 Jenis Lahan 2
3 Jenis Lahan 3
4 Jenis Lahan 4
46
Langkah-Langkah Pengolahan Data Rancangan Acak Kelompok dengan SPSS

2. Klik Variable Kandungan Nitrogen Nitrat dan klik tombol panah kanan di kotak
Dependent Variable → Klik Variable Banyaknya Pemberian Nitrogen dan klik tanda panah
kanan di kotak Fixed Factor(s) → Klik Variable Jenis Lahan dan klik tanda panah kanan di
kotak Fixed Factor(s) → Klik tombol Model…
3. Pada Specify Model, klik Custom → Klik Nitrogen dan klik tanda panah kanan pada Build
Term(s) → Klik Lahan dan klik tanda panah kanan pada Build Term(s) → Klik Continue
→ Klik tombol Post Hoc
47
4. Pada kotak Factor(s), klik Nitrogen dan klik tanda panah kanan → klik Lahan dan klik
tanda panah kanan → ceklis uji lanjut yang diinginkan. Dalam contoh praktek ini, ceklis
Tukey dan Duncan → Continue → Klik tombol Options
5. Pada bagian Display ceklis Descriptive Statistics dan Homogeneity tests → Significance
Levels diisi 0.05 → Klik tombol Continue
48
6. Klik tombol OK maka akan muncul Output sebagai berikut:
Descriptive Statistics
Dependent Variable:Kandungan Nitrogen Nitrat
Banyaknya
Pemberian
Nitrogen Jenis Lahan Mean Std. Deviation N
Nitrogen 0 kali Jenis Lahan 1 34.9800 . 1
Jenis Lahan 2 41.2200 . 1
Total 38.2775 2.83932 4
Total 44.0325 3.07335 4
49
Descriptive Statistics
Dependent Variable:Kandungan Nitrogen Nitrat
Banyaknya
Pemberian
Nitrogen Jenis Lahan Mean Std. Deviation N
Total 46.7700 5.12966 4
Total 40.6150 3.71281 4
Total 39.4600 2.05007 4
Total 43.2250 6.30452 4
Total Jenis Lahan 1 38.0000 2.97933 6
Jenis Lahan 2 45.8867 3.69510 6
Jenis Lahan 3 43.1133 6.04750 6
Jenis Lahan 4 41.2533 1.68407 6
Total 42.0633 4.69512 24
50
Hasil Output tersebut menunjukkan gambaran umum mengenai pengaruh banyaknya

pemberian nitrogen terhadap kandungan nitrogen nitrat berdasarkan jenis lahan yang
digunakan. Karena pengulangan dari masing-masing pasangan faktor banyaknya
pemberian nitrogen dan faktor jenis lahan hanya 1, maka nilai simpangan baku tidak
dapat ditampilkan di SPSS.
Hasil tabel output diatas merupakan uji homogenitas dengan menggunakan metode
uji Levene. Karena nilai Fhitung dan nilai Sig tidak ada, maka Rancangan Acak
Kelompok tidak dapat dilakukan uji lanjut. Hal tersebut dikarenakan banyaknya
ulangan pada pasangan faktor banyaknya pemberian nitrogen dan faktor jenis lahan
sebesar 1 kali yang menyebabkan nilai derajat bebas kedua bernilai 0. Sehingga
langsung pada tahapan uji analisis ragam.
Hasil tabel diatas merupakan tabel uji analisis ragam. Dalam kasus Rancangan Acak
Kelompok hanya perlu melihat nilai Sig pada baris faktor Perlakuan dan faktor
Kelompok, yaitu faktor Nitrogen dan Lahan. Karena nilai Sig pada Nitrogen yaitu
51
 Sig  0.004     0.05 maka keputusan hipotesis H0 dapat ditolak yang

menyatakan bahwa terdapat perbedaan banyaknya pemberian nitrogen terhadap
kandungan nitrogen nitrat pada dahan tanaman gandum. Selain itu, karena nilai Sig
pada Lahan yaitu  Sig  0.001    0.05 , maka keputusan hipotesis H0 dapat
ditolak yang menyatakan bahwa terdapat perbedaan jenis lahan yang digunakan
terhadap kandungan nitrogen nitrat pada dahan tanaman gandum. Karena faktor
perlakuan (Nitrogen) dan faktor kelompok (Lahan) terdapat perbedaan, maka harus
dilakukan uji lanjut untuk mengetahui pasangan yang memberikan pengaruh yang
sama dan yang berbeda pada Kandungan Nitrogen Nitrat pada dahan tanaman
gandum.
Hasil uji lanjut diatas merupakan uji lanjut Banyaknya Pemberian Nitrogen terhadap
Kandungan Nitrogen Nitrat pada Dahan Tanaman Gandum dengan metode Tukey
HSD dan Duncan. Berdasarkan uji Tukey HSD, dapat disimpulkan bahwa pemberian
nitrogen sebanyak 0 kali, 5 kali, 4 kali, 6 kali, dan 2 kali memberikan pengaruh yang
sama terhadap kandungan nitrogen nitrat pada dahan tanaman gandum. Sementara itu,
pemberian nitrogen sebanyak 6 kali, 2 kali, dan 3 kali memberikan pengaruh yang
sama terhadap kandungan nitrogen nitrat pada dahan tanaman gandum.
52
Sementara itu, berdasarkan uji Duncan diperoleh bahwa pasangan banyaknya

pemberian nitrogen berikut yang memberikan pengaruh yang sama terhadap
kandungan nitrogen nitrat pada dahan tanaman gandum:
 Nitrogen 0 kali, Nitrogen 5 kali, dan Nitrogen 4 kali
Hasil uji lanjut diatas merupakan uji lanjut untuk jenis lahan yang digunakan. Dengan
menggunakan uji lanjut Tukey HSD dan metode Duncan, diperoleh hasil yang sama
bahwa Jenis Lahan 1 dengan Jenis Lahan 4 memberikan pengaruh yang sama
terhadap Kandungan Nitrogen Nitrat pada dahan tanaman gandum. Jenis Lahan 4
dengan Jenis Lahan 3 memberikan pengaruh yang sama terhadap Kandungan
Nitrogen Nitrat. Dan Jenis Lahan 3 dengan Jenis Lahan 2 memberikan pengaruh yang
sama terhadap Kandungan Nitrogen Nitrat.
53
BAB IV
METODE STATISTIKA DASAR DENGAN SPSS
Daftar Metode Statistika Dasar

Metode statistika dasar yang sering digunakan di bidang farmasi ditunjukkan pada tabel
sebagai berikut:
Metode Kegunaan
Uji 1-sampel t Mengetahui adanya perbedaan satu sampel rata-rata yang
digunakan
Uji 2-sampel t bebas Mengetahui adanya perbedaan selisih dua sampel rata-rata yang
digunakan dari kondisi sampel yang berbeda
Uji 2-sampel t berpasangan Mengetahui adanya perbedaan selisih dua sampel rata-rata yang
digunakan dari sampel berpasangan
Uji ANOVA Mengetahui adanya perbedaan n-sampel rata-rata yang digunakan
Korelasi Mengetahui hubungan dua variabel numerik
Uji Chi-Square Mengetahui hubungan dua variabel kategorik (baik nominal
maupun ordinal)
Regresi Mengetahui besaran pengaruh suatu variabel bergantung terhadap
faktor-faktor yang mempengaruhi
Risk Estimate Mengetahui besaran peluang penyebab dalam mempengaruhi
akibat dari data kategori berukuran 2x2
54
Contoh 1 (Uji 2-sampel t bebas)

membagikan kuesioner kepada orang tua pasien anak rawat jalan secara acak untuk responden
pada pelayanan obat racikan dan responden pada pelayanan obat non racikan. Berikut merupakan
sampel 10 responden dari hasil penilaian kuesioner kepuasan pelayanan obat racikan dan non
racikan secara terpisah:
Racikan Non Racikan

30 44
32 38
35 32
31 37
29 33
32 37
35 36
28 39
27 36
29 39
Dalam kasus ini, pelayanan obat racikan dan non racikan merupakan pelayanan yang berbeda.
Selain itu, penilaian untuk kepuasan racikan dan nonracikan dilakukan oleh responden secara
acak dan berbeda sehingga tidak mungkin responden sudah mengisi kuesioner mengenai
kepuasan pelayanan obat racikan dan mendapat pelayanan obat racikan mengisi kuesioner
mengenai kepuasan pelayanan obat non racikan di waktu yang sama. Sehingga metode statistika
yang tepat digunakan untuk mengetahui perbedaan kepuasan pelayanan antara pelayanan obat
racikan dan non racikan adalah uji 2-sampel t bebas.
55
Langkah-Langkah Input Data Uji 2-sampel t Bebas dengan SPSS

Dengan Values pada JenisRacikan:

0 = Non Racikan
1 = Racikan
2. Input sel data di Data View sebagai berikut:
3. Klik Menu Analyze → Compare Mean → Independent-Samples T Test…
56
4. Klik variabel Penilaian Kepuasan dan klik tanda panah kanan ke kotak Test Variable(s)
→ klik variabel Jenis Racikan dan klik tanda panah kanan ke kotak Test Variable(s) →
Klik Define Groups → Klik Use Specified values Group 1 diisi angka 0 dan Group 2
diisi angka 1 → Klik Continue → Klik OK.
5. Maka output yang tertampil sebagai berikut:
Output diatas merupakan tabel statistika deskriptif mengenai jumlah responden yang ada
dari setiap sampel, rata-rata setiap sampel, simpangan baku setiap sampel, dan simpangan
galat rata-rata dari setiap sampel.
Hasil output diatas merupakan tabel hasil uji 2-sampel t bebas. Sebelum menguji adanya
perbedaan 2-sampel t bebas, diperlukan uji kesamaan ragam terlebih dahulu. Output
SPSS memberikan uji kesamaan ragam menggunakan metode uji Levene. Diketahui
bahwa nilai signifikansi uji kesamaan ragam sebesar 0.890 yang lebih besar dari
  0.05 dengan keputusan hipotesis berupa terima H0 yang menunjukkan bahwa nilai
ragam kepuasan pelayanan antara pelayanan obat racikan dan pelayanan obat nonracikan
57
adalah sama. Sehingga uji 2-sampel t bebas yang digunakan merupakan uji 2-sampel t
bebas dengan asumsi ragam sama. Pada tabel output SPSS tersebut hanya diperhatikan
baris Equal Variances assumed karena uji kesamaan ragam memberikan keputusan
hipotesis berupa terima H0.
Pada baris Equal Variances assumed diperoleh bahwa nilai Sig (2-tailed) sebesar 0.000
yang lebih kecil dari   0.05 yang memberikan keputusan hipotesis berupa tolak H0.
Kesimpulan yang diperoleh dari hasil uji 2-sampel t bebas tersebut adalah bahwa
kepuasan pelayanan antara pelayanan obat racikan dengan non racikan berbeda secara
nyata.
Hipotesis uji kesamaan ragam dengan metode uji Levene:

Hipotesis Kriteria Keputusan
H0: Ragam antara sampel yang satu dengan sampel yang lain Tolak H0 apabila
sama. Sig  
H1: Ragam antara sampel yang satu dengan sampel yang lain Terima H0 apabila
berbeda. Sig  
Hipotesis uji 2-sampel t bebas (baik untuk asumsi ragam sama maupun asumsi ragam tidak
sama):
H0: Rata-rata antara sampel yang satu Tolak H0 apabila Sig   atau thitung  t ;df 
dengan sampel yang lain sama.
Terima H0 apabila Sig   atau thitung  t ;df 
H1: Rata-rata antara sampel yang satu
dengan sampel yang lain berbeda.
58
Contoh 2 (Korelasi dan Regresi)

Suatu penelitian dilakukan untuk mengetahui hubungan dan pengaruh penambahan suatu
konsentrasi terhadap absorbansi pada larutan standar glukosa untuk menduga nilai absorbansi
pada larutan standar glukosa berdasarkan penambahan suatu konsentrasi. Hasil pengukuran
ditunjukkan pada tabel berikut:
Konsentrasi Absorbansi
(ppm)
0 0
100 0.109
200 0.222
300 0.369
400 0.547
500 0.689
600 0.821
700 0.987
800 1,013
900 1,233
1000 1,296
Langkah-Langkah Input Data Contoh 2 dengan SPSS

2. Input sel data di Data View sebagai berikut:
59
Langkah-Langkah Menampilkan Pengujian Korelasi:

1. Klik Analyze → Correlate → Bivariate
2. Klik Konsentrasi dan klik tanda panah ke kanan pada kotak Variables → Klik
Absorbansi → Pada kotak Correlation Coefficients ceklis Pearson → Test of
Significance dipilih Two-tailed → Ceklis Flag significant correlations → Klik OK
3. Maka, akan muncul output sebagai berikut:
60
Hasil output diatas merupakan tabel korelasi antara konsentrasi dengan absorbansi
dengan menggunakan metode korelasi Pearson. Diperoleh bahwa nilai korelasi antara
konsentrasi dan absorbansi sebesar 0.997 yang menunjukkan bahwa konsentrasi dan
absorbansi memiliki hubungan yang sangat kuat dan searah. Apabila konsentrasi
dinaikkan, maka absorbansi yang dihasilkan naik. Sebaliknya, apabila konsentrasi
diturunkan, maka absorbansi yang dihasilkan juga turun.
Hasil nilai Sig. (2-tailed) antara konsentrasi dan absorbansi sebesar 0.000 yang lebih kecil
dari nilai taraf nyata   0.01 . Keputusan hipotesisi yang diperoleh dari nilai Sig. (2-
tailed) tersebut adalah tolak H0 yang memberikan kesimpulan bahwa teerdapat hubungan
yang sangat nyata antara konsentrasi dan absorbansi.
Hipotesis uji korelasi

H0: Tidak ada hubungan antara variabel yang satu dengan Tolak H0 apabila
variabel yang lain. Sig  
H1: Terdapat hubungan antara variabel yang satu dengan Terima H0 apabila
variabel yang lain.. Sig  
Langkah-Langkah Menampilkan Pengujian Regresi:

1. Klik Analyze → Regression → Linear
61
2. Klik variabel Absorbansi dan klik tanda panah ke kanan pada kotak Dependent → klik
Konsentrasi dan klik tanda panah ke kanan pada kotak Independent(s) → Klik OK
3. Maka akan muncul output sebagai berikut:
Hasil output diatas merupakan tabel ringkasan model dari model regresi konsentrasi
terhadap absorbansi. Berikut merupakan keterangan dari masing-masing kolom tabel:
 R : Nilai korelasi variabel bebas terhadap variabel
bergantung.
62
 R Square : Nilai koefisien determinasi regresi  R 2  , yaitu nilai
yang menunjukan besarnya kontribusi variabel bebas

dalam mempengaruhi variabel bergantung.
 Adjusted R Square : Nilai koefisien determinasi regresi yang disesuaikan,
yaitu nilai yang menunjukkan besarnya kontribusi
penambahan variabel bebas dalam mempengaruhi
variabel bergantung. Digunakan dalam
membandingkan model pada saat adanya
penambahan dan pengurangan variabel bebas.
 Std. Error of the Estimate : Nilai simpangan galat penduga, yaitu nilai yang
menunjukkan besarnya penyimpangan nilai dugaan
yang dihasilkan.
Hasil output diatas merupakan tabel uji ANOVA model Regresi. Berikut merupakan
keterangan dari masing-masing kolom tabel:
 Sum of Squares : Jumlah Kuadrat
 df : Derajat Bebas (db)
 Mean Square : Kuadrat Tengah
 F : Nilai Fhitung
 Sig : Nilai Signifikansi atau P-Value

Dari hasil output diperoleh nilai Sig pada sumber keragaman Regresi sebesar 0.000 yang
lebih kecil dari taraf nyata   0.000 yang menyebabkan keputusan hipotesis tolak H0.
Artinya bahwa seluruh variabel bebas yang mempengaruhi absorbansi berpengaruh
63
sangat nyata. Oleh karena itu, diperlukan uji parameter regresi untuk mengetahui
parameter yang mempengaruhi absorbansi.
Hasil output diatas merupakan tabel hasil uji parameter regresi. Pada kolom
Unstandardied Coefficients B merupakan parameter penduga regresi absorbansi yang
dipengaruhi oleh variabel bebas konsentrasi. Model yang terbentuk sebagai berikut:
absorbansi  0.013  0.001 konsentrasi
Angka -0.013 menunjukkan bahwa apabila tidak terdapat penambahan konsentrasi, maka
nilai absorbansi menurun sebesar 0.013. Angka 0.001 menunjukkan bahwa penambahan
1 ppm konsentrasi akan meningkatkan absorbansi sebesar 0.001.
Nilai Sig. pada parameter (Constant) yaitu 0.548 yang menunjukkan bahwa nilai
parameter konstan tidak mempengaruhi nilai absorbansi (terima H0 pada taraf nyata 5%).
Sementara nilai Sig. pada parameter Konsentrasi yaitu 0.000 yang menunjukkan bahwa
nilai parameter konsentrasi mempengaruhi nilai absorbansi (tolak H0 pada taraf nyata
5%).
Hipotesis uji ANOVA Regresi:

H0: Seluruh variabel bebas/parameter yang Tolak H0 apabila Sig   atau
terbentuk dalam model regresi tidak Fhitung  F ;df
regression ; df residual 
mempengaruhi variabel bergantung.

Terima H0 apabila Sig   atau
H1: Ada variabel bebas/parameter yang
Fhitung  F ;df
terbentuk dalam model regresi regression ; df residual 
64
Hipotesis uji t parameter regresi:

H0:Parameter/variabel bebas tidak mempengaruhi variabel Tolak H0 apabila Sig   .
bergantung. Terima H0 apabila Sig   .
H1:Parameter/variabel bebas mempengaruhi variabel
bergantung.
Langkah-Langkah Menampilkan Plot Regresi:

1. Klik Graphs → Legacy Dialogs → Scatter/Dot
2. Klik Simple Scatter → Define
65
3. Klik Absorbansi dan klik tanda panah kanan ke kotak Y-Axis → Klik Konsentrasi dan
klik tanda panah kanan ke kotak X-Axis → Klik OK
4. Output yang tertampil sebagai berikut:
Hasil output diatas merupakan plot pencar tanpa garis regresi, untuk menampilkan garis
regresi dapat dilakukan dengan klik kanan pada plot dan pilih Edit Content → In
Separate Window untuk memunculkan tampilan Chart Editor. Kemudian klik icon
atau klik menu Elements → Fit Line at Total → Apply. Untuk menambahkan teks
persamaan regresi dapat dilakukan dengan klik icon atau klik menu Options → Text
66
Box → dan menngetik manual persamaan regresi dari hasil regresi yang sudah
diinputkan sebelumnya.
Contoh 3 (Hubungan Variabel Kategorik dan Penduga Resiko)

Seorang mahasiswa di suatu universitas di Bogor dilakukan untuk mengetahui hubungan
antara mahasiswa yang hobi merokok dan mahasiswa yang pernah mengalami sakit pernapasan.
Pengumpulan data dilakukan dengan membagikan kuesioner kepada 15 mahasiswa untuk
menanyakan mengenai beberapa pertanyaan seperti pernah atau tidaknya merokok dan pernah
atau tidaknya mengalami sakit pernapasan. Hasil data ditunjukkan pada tabel berikut:
Merokok Sakit Pernapasan
Tidak Pernah Merokok Tidak Mengalami Sakit Pernapasan
Pernah Merokok Tidak Mengalami Sakit Pernapasan
Pernah Merokok Tidak Mengalami Sakit Pernapasan
Pernah Merokok Mengalami Sakit Pernapasan
Tidak Pernah Merokok Mengalami Sakit Pernapasan
Tidak Pernah Merokok Mengalami Sakit Pernapasan
67
Merokok Sakit Pernapasan

Langkah-Langkah Input Data Korelasi Kategorik dan Risk Estimate dengan SPSS
Dengan Values pada:

Merokok:
Value Label
1 Pernah Merokok
2 Tidak Pernah Merokok
Pernapasan:
Value Label
1 Pernah Mengalami Sakit Pernapasan
2 Tidak Pernah Mengalami Sakit Pernapasan
68
3. Klik Menu Analyze → Descriptive Statistics → Crosstab
4. Klik Pernah Merokok dan klik tanda panah kanan di kotak Row(s) → Klik Sakit
Pernapasan dan klik tanda panah kanan di kotak Column(s) → Klik Statistics
69
5. Ceklis Chi-Square → Ceklis Risk → Klik Continue → Klik Cells
6. Pada Counts ceklis Observed → pada Percentages ceklis Row → Klik Continue
70
Hasil output diatas merupakan tabel tabulasi silang yang menggambarkan banyaknya
mahasiswa yang pernah merokok dan tidak pernah merokok serta mahasiswa yang
mengalami sakit pernapasan dan tidak mengalami sakit pernapasan. Serta persentase
mahasiswa yang mengalami dan tidak mengalami sakit pernapasan berdasarkan populasi
jumlah mahasiswa yang merokok dan tidak merokok. Sebagai contoh, hasil tabel diatas
menunjukkan bahwa mahasiswa di suatu universitas di Bogor yang tidak mengalami sakit
pernapasan sebesar 83.3% dari total mahasiswa yang tidak pernah merokok. Sementara
itu, 16.7% dari total mahasiswa yang tidak pernah merokok di suatu universitas di Bogor
mengalami sakit pernapasan.
71
Hasil output diatas merupakan hasil uji korelasi kategorik menggunakan uji Chi-Square
yang dibagi menjadi metode uji Pearson Chi-Square, metode uji Continuity Correction,
metode uji Likelihood Correction, metode uji Fisher’s Exact Test, dan metode Linear-by-
Linear Association. Seluruh metode uji Chi-Square memiliki hipotesis sebagai berikut:
H0 : Tidak ada hubungan antara variabel yang satu dengan variabel yang lain
H1 : Terdapat hubungan antara variabel yang satu dengan variabel yang lain
Kriteria keputusan:
Tolak H0 apabila nilai Sig   .
Terima H0 apabila nilai Sig   .
Hasil pengujian diatas dengan menggunakan seluruh metode uji Chi-Square

menunjukkan nilai signifikansi (Sig) yang lebih kecil dari   0.05 yang menunjukkan
bahwa terdapat hubungan antara mahasiswa merokok dengan mahasiswa yang
mengalami sakit pernapasan.
72
Hasil output diatas merupakan tabel penduga resiko mahasiswa yang pernah merokok
yang mengakibatkan sakit pernapasan.
Pada hasil Odds Ratio for Merokok (Pernah Merokok/Tidak Pernah Merokok)
menunjukkan bahwa mahasiswa yang pernah merokok mengalami sakit pernapasan 15
kali lebih tinggi dibandingkan mahasiswa yang tidak pernah merokok. Karena selang
kepercayaan 95% bagi Odds Ratio lebih dari 1 dan tidak memut angka 1, maka terdapat
hubungan yang nyata antara mahasiswa yang pernah merokok dan mahasiswa yang
mengalami sakit pernapasan serta hubungan tersebut termasuk dalam kategori faktor
resiko yang menyebabkan penyakit.
Pada hasil “For cohort Sakit Pernapasan = Mengalami Sakit Pernapasan” merupakan nilai
Relative Risk yang menunjukkan bahwa mahasiswa yang pernah merokok memiliki
resiko untuk mengalami sakit pernapasan sebesar 4.5 kali dibandingkan mahasiswa yang
tidak pernah merokok. Karena selang kepercayaan 95% bagi Relative Risk tersebut lebih
dari 1 dan tidak memuat angka 1, maka terdapat hubungan yang nyata antara mahasiswa
yang pernah merokok dengan mahasiswa yang mengalami sakit pernapasan serta
hubungan tersebut termasuk dalam kategori faktor resiko yang menyebabkan penyakit.
Pada hasil “For cohort Pernah Sakit Pernapasan = Tidak Mengalami Sakit Pernapasan”
menunjukkan bahwa mahasiswa yang pernah merokok memiliki resiko untuk tidak
mengalami sakit pernapasan sebesar 0.3 kali dibandingkan mahasiswa yang tidak pernah
73
merokok. Karena selang kepercayaan 95% bagi Relative Risk tersebut memuat angka 1,
maka tidak terdapat hubungan yang nyata antara mahasiswa yang pernah merokok
dengan mahasiswa yang tidak mengalami sakit pernapasan serta hubungan tersebut
termasuk dalam faktor resiko netral.
Intepretasi Data:
Interval Nilai Odds Ratio (OR) Arti
Terdapat hubungan antara paparan (baris) dengan
OR > 1
penyakit (kolom), faktor resiko menyebabkan penyakit
OR < 1
penyakit (kolom), faktor resiko mencegah penyakit
Tidak terdapat hubungan antara paparan (baris) dengan
OR = 1
penyakit (kolom), faktor resiko netral.
Interval Nilai Relative Risk (RR) Arti

RR > 1 penyakit yang diderita (kolom), faktor resiko
menyebabkan penyakit
RR < 1 penyakit derita (kolom), faktor resiko mencegah
penyakit
Tidak terdapat hubungan antara paparan (baris)
RR = 1 dengan penyakit yang diderita (kolom), faktor
resiko netral.
74
BAB V
STATISTIKA DESKRIPTIF DENGAN MINITAB
Cara Menampilkan Statistika Deskriptif dengan Minitab

Menu stat dapat mengelola data yang sudah dimasukkan dalam Worksheet Minitab, salah
satunya menampilkan statistika deskriptif. Ada beberapa cara umum untuk menampilkan
statistika deskriptif dari suatu data menggunakan software Minitab pada menu Stat bagian
submenu Basic Statistics, yaitu:
1. Display Descriptive Statistics

Digunakan untuk menampilkan hasil statistika deskriptif pada data, menampilkan
histogram, boxplot, dan titik nilai.
2. Descriptive
Digunakan untuk menyimpan hasil nilai statistika deskriptif ke Worksheet Minitab.
3. Graphical Summary
Digunakan untuk menampilkan statistika deskriptif yang disajikan dengan grafik
histogram, uji normalitas, dan selang kepercayaan bagi nilai rata-rata, nilai tengah, dan
simpangan baku.
Contoh
membagikan kuesioner kepada orang tua pasien anak rawat jalan. Berikut merupakan sampel 10
responden yang terkumpul:
75
Usia Orang Jenis Kelamin Pendidikan Orang Pekerjaan Orang Tua Pendapatan Per
No
Tua Pasien Orang Tua Pasien Tua Pasien Pasien Bulan
3 37 Perempuan SD Ibu Rumah Tangga 950,000
5 30 Laki-laki SMP Karyawan Swasta 3,000,000
10 37 Laki-laki SD Karyawan Swasta 2,500,000
Langkah-Langkah Input Data di Minitab

Input Data di atas secara langsung di Worksheet Minitab dengan judul variabel masuk
dalam baris berwarna abu-abu seperti gambar berikut:
Langkah-Langkah Menampilkan Statistika Descriptive

Berikut merupakan cara untuk menampilkan statistika deskriptif menggunakan submenu Display
Descriptive Statistics:
1. Klik Menu Stat → Klik Basic Statistics → Klik Display Descriptive Statistics
76
2. Pada tampilan Display Descriptive Statistics → klik pada kotak Variables → klik tombol
Usia Orang Tua Pasien → klik Select → klik Pendapatan Per bulan → klik tombol
Select. Kemudian klik Statistics
3. Klik Statistics → Ceklis statistik yang ingin ditampilkan. Jika ingin menampilkan default
pilihan dari Minitab, klik Default pada Check statistics → Klik OK.
77
4. Kemudian Klik OK. Maka pada Tampilan Session akan keluar Output sebagai berikut:
Hasil Output diatas merupakan hasil statistika deskriptif untuk variabel Usia Orang Tua
Pasien dan variabel Pendapatan Per Bulan yang memberikan beberapa informasi
mengenai karakteristik Usia dan Pendapatan Per Bulan Orang Tua Pasien yang
mendapatkan pelayanan obat racikan dan non racikan. Nilai kolom N* menunjukkan
jumlah sampel yang hilang
Berikut merupakan cara untuk menampilkan statistika deskriptif menggunakan submenu

Graphical Summary:
1. Klik Menu Stat → Klik Basic Statistics → Klik Graphical Summary
2. Pada tampilan Display Descriptive Statistics → klik pada kotak Variables → klik tombol
Usia Orang Tua Pasien → klik Select → klik Pendapatan Per bulan → klik tombol Select
→ Confidence level diisi 95.0 → Klik OK
78
3. Klik OK. Maka akan muncul tampilan grafik sebagai berikut:
Hasil grafik diatas menunjukkan statistika deskriptif dengan menggunakan grafik.

Terlihat bahwa variabel Usia Orang Tua Pasien dan variabel Pendapatan Per Bulan
cenderung berdistribusi normal. Hasil tersebut ditunjukkan pada uji normalitas dengan
metode Anderson-Darling yang menyatakan untuk menerima hipotesis H0 dari hasil nilai
P-Value yang lebih besar dari taraf nyata 5%. yaitu variabel Usia Orang Tua Pasien dan
Pendapatan Per Bulan yang mendapatkan pelayanan obat racikan dan nonracikan
cenderung berdistribusi normal.
Hipotesis Uji Normalitas Metode Anderson-Darling

H0: Variabel berdistribusi normal.
H1: Variabel tidak berdistribusi normal.
Tolak H0 apabila P-Value < Taraf nyata   5%
79
Langkah-Langkah Menampilkan Diagram Batang

Contoh berikut menampilkan diagram batang rata-rata usia orang tua pasien berdasarkan
pendidikan terakhir:
1. Klik Graph → Bar Chart
2. Pada kotak Bars represent dipilih “A function of a variable” → Pada bagian One Y
dipilih Simple → OK
80
3. Pada kotak Function dipilih Mean → Klik kotak Graph variables → Klik Usia Orang
Tua Pasien → Klik tombol Select → Klik kotak Categorical variable → Klik Pendapatan
Per Bulan → Klik tombol Label
4. Pada tampilan Bar Chart: Labels dipilih tab Data Labels → Label Type dipilih Use
y-value labels → Klik OK
5. Klik OK. Maka akan muncul grafik sebagai berikut:
81
Chart of Mean( Usia Orang Tua Pasien )
50
Mean of Usia Orang Tua Pasien

40 38.5
37
35.25
30
20
10
0
SD SMA SMP
Pendidikan Orang Tua Pasien
Hasil grafik diatas merupakan diagram batang dari rata-rata usia orang tua pasien
berdasarkan pendidikan terakhir orang tua pasien. Dengan adanya label, dapat
mempermudah untuk membaca dan mengintepretasikan grafik.
82
BAB VI
DASAR-DASAR RANCANGAN PERCOBAAN DENGAN MINITAB
Pengolahan Data Rancangan Percobaan dengan Minitab

Menu Stat dapat mengolah data yang sudah dimasukkan dalam Worksheet Minitab selain
statistika deskriptif, yaitu dapat mengolah data rancangan percobaan (desain eksperimen). Untuk
kasus Rancangan Acak Lengkap, dapat menggunakan dua cara:
 Menggunakan submenu ANOVA → One-Way…
 Menggunakan submenu ANOVA → General Linear Model → Fit General Linear

Model…
83
Sementara itu, untuk Rancangan Percobaan selain Rancangan Acak Lengkap, seperti Rancangan
Acak Kelompok, Rancangan Bujur Sangkar Latin, Faktorial Rancangan Acak Lengkap, dan lain-
lainnya, dapat menggunakan submenu ANOVA → General Linear Model → Fit General Linear
Model….
Contoh 1 (Rancangan Acak Lengkap)

Suatu penelitian di laboratorium mencit dan tikus putih dilakukan untuk mengetahui
pengaruh pemberian berbagai kombinasi formula kalsium dan magnesium terhadap pertumbuhan
akhir tinggi tikus putih dari pemberian berbagai formula kalsium yang berbeda. Formula kalsium
yang diberikan terdiri dari 5 macam, formula kontrol positif dengan pemberian formula kalsium
550 mg tanpa magnesium, formula 1 dengan pemberian kalsium 300 mg + magnesium 300 mg,
formula 2 dengan pemberian kalsium 200 mg + magnesium 200 mg, formula 3 dengan
pemberian kalsium 100 mg + magnesium 100 mg, dan formula kontrol negatif dengan pemberian
aquades. Masing-masing formula dibetikan kepada 5 tikus putih berumur 5-7 bulan sesuai
dengan kombinasi formula kalsium dan magnesium yang tersedia selama 30 hari. Hasil
pengukuran tinggi tikus putih ditunjukkan pada tabel berikut:
Tinggi Tikus Putih (cm) Berdasarkan Formula
Kontrol Formula Formula Formula Kontrol
(+) 1 2 3 (-)
20 21 17 15 11
22 19 12 12 9
25 19 15 14 12
25 23 16 10 13
Sumber: Simulasi.
84
Langkah-Langkah Pengolahan Data Rancangan Acak Lengkap dengan Minitab

1. Input Data secara langsung di Worksheet Minitab:
2. Klik menu Stat → submenu ANOVA → General Linear Model → Fit General Linear
Model…
3. Pada tampilan General Linear Model klik kotak Response, klik variabel Tinggi Tikus dan
klik tombol Select → klik kotak Factors, klik variabel Formula dan klik tombol Select
85
4. Klik OK, maka akan muncul output pada tampilan Session Minitab sebagai berikut:
Hasil output diatas merupakan hasil uji ANOVA dari pengaruh pemberian kombinasi
formula kalsium dan magnesium terhadap pertumbuhan tinggi tikus putih. Arti dari
masing-masing kolom:
 Source : Sumber Keragaman
 DF : Derajat Bebas (DB)
 Adj SS : Jumlah Kuadrat
 Adj MS : Kuadrat Tengah
 F-Value : F hitung
 P-Value : Nilai signifikansi (nilai peluang)
Untuk mengambil keputusan hipotesis dari Rancangan Acak Lengkap, cukup melihat
nilai P-Value sumber keragaman Perlakuannya saja dan bandingkan dengan nilai taraf
nyata. Dalam praktek contoh ini, nilai P-Value pada formula sebesar
86
 P  Value  0.000     0.05 yang menunjukan bahwa hipotesis H0 pada faktor
Formula ditolak. Sehingga diperoleh kesimpulan bahwa terdapat perbedaan pemberian

kombinasi perlakuan terhadap pertumbuhan tinggi tikus.
Namun, apakah asumsi homogenitas Rancangan Acak Lengkap pada kasus tersebut
terpenuhi? Cara untuk melakukan uji Homogenitas dengan Minitab ditunjukkan sebagai
berikut:
Langkah-Langkah Uji Homogenitas dengan Minitab

1. Klik Stat → submenu ANOVA → klik Test for Equal Variances
2. Pilih Response data in one column for all factor levels → klik kotak Response → klik
variabel Tinggi Tikus Putih → klik tombol Select → klik kotak Factors → klik variabel
Formula → klik tombol Select
87
3. Klik OK. Maka akan muncul Output sebagai berikut:
Hasil output diatas merupakan hasil uji homogenitas dengan menggunakan metode
Levene dan metode pembanding ganda. Kedua uji menunjukkan nilai P-Value yang lebih
besar dari taraf nyata yang mengindikasikan untuk menerima H0. Dengan demikian
keragaman tinggi tikus putih yang dihasilkan dari berbagai pemberian kombinasi formula
berasal dari populasi tikus putih yang homogen. Sehingga asumsi Rancangan Acak
Lengkap terpenuhi dan dapat digunakan sebagai model perbedaan pengaruh pemberian
kombinasi formula terhadap pertumbuhan tikus putih.
Langkah-Langkah Uji Lanjut dengan Minitab

1. Klik menu Stat → submenu ANOVA → General Linear Model → Comparions…
88
2. Pada kotak Response dipilih Tinggi Tikus Putih → Pada kotak type of comparison dipilih
Pairwise → Pada Method dipilih secara bebas, dalam contoh praktek ini digunakan
Method Tukey dan Fisher → Klik Formula pada kotak Choose terms for comparisons →
klik tombol C = Compare levels for this item.
3. Klik OK, maka akan muncul Output pada tampilan Session Minitab sebagai berikut:
89
Hasil output diatas menunjukkan hasil uji lanjut dengan menggunakan metode Tukey.
Untuk pengambilan kesimpulan dari hasil uji lanjut dapat diliat secara langsung pada
Simultaneous Test atau bagian Grouping Information. Dalam contoh praktek ini
digunakan bagian output Grouping Information.
 Jika perlakuan memiliki grup huruf yang sama, maka artinya pasangan perlakuan
tersebut memiliki pengaruh yang sama terhadap respon yang dihasilkan.
 Jika perlakuan memiliki grup huruf yang berbeda, maka artinya pasangan
perlakuan tersebut memiliki pengaruh yang berbeda terhadap respon yang
dihasilkan.
Sebagai contoh, Kontrol (+) dengan Formula 1 memiliki kelompok huruf yang sama,
yaitu A. Artinya pemberian Kontrol (+) dan Formula 1 memberikan hasil pertumbuhan
tinggi tikus yang sama. Sementara itu, pada Formula 2, Formula 3, dan Kontrol (-)
memiliki kelompok huruf yang sama, yaitu B. Artinya pemberian Formula 2, Formula 3,
dan Kontrol (-) memberikan hasil pertumbuhan tinggi tikus yang sama. Namun Formula
90
1 memiliki huruf A dan Formula 3 memiliki huruf B, sehingga pemberian Formula 1 dan
Formula 3 memberikan hasil pertumbuhan tinggi tikus yang berbeda.
Hasil output diatas menunjukkan hasil uji lanjut dengan menggunakan metode Fisher.
Dari hasil output Grouping Information diperoleh bahwa:
 Kontrol (+) dan Formula 1 memiliki huruf yang sama, yaitu A. Artinya pemberian
Kontrol (+) dan Formula 1 memberikan hasil pertumbuhan tinggi tikus putih yang
sama.
 Formula 2 huruf B dan Formula 3 memiliki huruf B dan C. Karena kedua taraf
memiliki huruf yang sama, yaitu huruf B, maka pemberian Formula 2 dan
Formula 3 memberikan hasil pertumbuhan tinggi tikus putih yang sama.
 Formula 3 memiliki huruf B dan C, serta Kontrol (-) memiliki huruf C. Karena
kedua taraf memiliki huruf yang sama, yaitu huruf C, maka pemberian Formula 3
dan Kontrol (-) memberikan hasil pertumbuhan tinggi tikus putih yang sama.
91
Contoh 2 Rancangan Acak Kelompok

Suatu eksperimen dilakukan untuk studi pengukuran kemampuan banyaknya pemberian
nitrogen dalam menghasilkan Nitrogen Nitrat pada dahan tanaman gandum. Ada enam jenis
banyaknya pemberian nitrogen., yaitu “kontrol” tidak diberi nitrogen, 2 kali, 3 kali, 4 kali, 5 kali,
dan 6 kali, masing-masing taraf pemberian nitrogen dilakukan di empat 4 jenis lahan yang
berbeda. Hal ini dikarenakan setiap lahan memiliki arah aliran irigasi yang berbeda yang
membuat tingkat kesuburan lahan tanaman juga berbeda. Tabel berikut adalah merupakan hasil
kandungan nitrogen nitrat pada dahan tanaman Gandum  ppm  102  pada perlakuan enam jenis
pemberian nitrogen dalam empat jenis lahan:

Banyaknya Jenis Lahan
Pemberian
Nitrogen 1 2 3 4
0 34.98 41.22 36.94 39.97
2 40.89 46.69 46.65 41.9
3 42.07 49.42 52.68 42.91
4 37.18 45.85 40.23 39.2
5 37.99 41.99 37.61 40.25
6 34.89 50.15 44.57 43.29
92
Langkah-Langkah Input Data Rancangan Acak Kelompok dengan Minitab

1. Input Data secara langsung di Worksheet Minitab:
1. Klik menu Stat → submenu ANOVA → General Linear Model → Fit General Linear
Model…
93
2. Pada tampilan General Linear Model klik kotak Response, klik variabel Kandungan
Nitrogen Nitrat dan klik tombol Select → klik kotak Factors, klik variabel Pemberian
Nitrogen dan klik tombol Select → klik kotak Factors, klik variabel Jenis Lahan dan klik
tombol Select.
3. Klik OK, maka akan muncul output pada tampilan Session Minitab sebagai berikut:
94
Hasil output diatas merupakan hasil uji ANOVA mengenai pengaruh perbedaan
banyaknya pemberian nitrogen dan jenis lahan yang digunakan terhadap kandungan
nitrogen nitrat pada dahan tanaman gandum. Diperoleh bahwa pada sumber keragaman
Pemberian Nitrogen memiliki nilai  P  Value  0.004     0.05 yang memberikan
penolakan pada hipotesis H0, yaitu ada perbedaan banyaknya pemberian nitrogen
terhadap kandungan nitrogen nitrat pada dahan tanaman gandum. Selain itu pada sumber
keragaman Jenis Lahan memiliki nilai  P  Value  0.001    0.05 yang
memberikan penolakan pada hipotesis H0, yaitu ada perbedaan jenis lahan yang
digunakan terhadap kandungan nitrogen nitrat pada dahan tanaman gandum.
Langkah-Langkah Uji Lanjut dengan Minitab

1. Klik menu Stat → submenu ANOVA → General Linear Model → Comparions…
2. Pada kotak Response dipilih Kandungan Nitrogen Nitrat → Pada kotak type of
comparison dipilih Pairwise → Pada Method dipilih secara bebas, dalam contoh praktek
ini digunakan Method Tukey dan Fisher → Klik Pemberian Nitrogen dan Jenis Lahan
pada kotak Choose terms for comparisons → klik tombol C = Compare levels for this
item.
95
3. Klik OK, maka akan muncul Output pada tampilan Session Minitab sebagai berikut:
Hasil output diatas merupakan hasil uji lanjut Fisher dan Tukey pada Faktor Pemberian
Nitrogen terhadap Kandungan Nitrogen Nitrat. Pada hasil uji lanjut Fisher diperoleh pada
96
pasangan Pemberian Nitrogen yang memberikan hasil kandungan nitrogen nitrat yang
sama antara lain:
 Pemberian nitrogen 3 kali, 2 kali, dan 6 kali.
Sementara itu, pada hasil uji lanjut Tukey yang memberikan hasil kandungan nitrogen
nitrat yang sama antara lain:
 Pemberian nitrogen 2 kali, 6 kali, 4 kali, 5 kali, dan 0 kali.
Hasil output diatas merupakan hasil uji lanjut Tukey dan Fisher pada jenis lahan yang
digunakan terhadap kandungan nitrogen nitrat. Hasil pada uji lanjut Tukey dan Fisher
memberikan hasil kesimpulan yang sama, yaitu pasangan jenis lahan 2 dan 3 memberikan
hasil kandungan nitrogen nitrat yang sama. Pasangan jenis lahan 3 dan 4 memberikan
hasil kandungan nitrogen nitrat yang sama, sementara itu jenis lahan 4 dan 1 memberikan
hasil kandungan nitrogen nitrat yang sama.
97
BAB VII
RANCANGAN RESPON PERMUKAAN
Pengolahan Data Rancangan Respon Permukaan dengan Minitab

Pengolahan Data Rancangan Respon Permukaan dengan Minitab dapat menggunakan
Menu Stat pada Submenu DOE dan subsubmenu Response Surface
Contoh 1 (Menentukan Kondisi Optimum dari Data yang Ada)

Suatu penelitian dilakukan untuk mengetahui pengaruh variasi konsentrasi ekstrak, waktu
kontak, dan suhu terhadap degradasi sabun transparan ekstrak etanol daun papaya dalam
membersihkan biofilm S.aureus. Dalam penelitian tersebut juga ingin mengetahui kondisi
optimum untuk pembersihan biofilm S. aureus dari variasi konsentrasi ekstrak 1%, 2%, dan 3%,
waktu kontak selama 5 menit, 10 menit, dan 15 menit, serta suhu sebesar 30 0C, 37 0C, dan 44
0
C. Masing-masing perlakuan dilakukan terhadap degradasi sabun transparan ekstrak etanol daun
pepaya sebanyak 20 kali dengan kombinasi rancangan yang sudah dibuat olehnya dengan hasil
degradasi sabun transparan ekstrak etanol daun pepaya yang ditunjukkan sebagai berikut:
98
Waktu Konsentrasi Degradasi Sabun Ekstrak

No Suhu
Kontak Sampel Etanol Daun Pepaya
1 30 5 1 46.47482
2 30 5 3 123.0216
3 30 10 2 69.30456
4 30 15 1 16.54676
5 30 15 3 46.85851
6 37 5 2 101.9321
7 37 10 1 79.15396
8 37 10 2 113.2398
9 37 10 2 116.8192
10 37 10 2 118.9343
11 37 10 2 110.6366
12 37 10 2 113.5652
13 37 10 2 121.8629
14 37 10 3 75.89994
15 37 15 2 109.4977
16 44 5 1 46.39153
17 44 5 3 53.54226
18 44 10 2 90.17877
19 44 15 1 51.77665
20 44 15 3 87.44207
Langkah-Langkah Pengolahan Data Response Surface Design dengan Minitab

1. Input data secara lengsung pada tampilan Worksheet Minitab sebagai berikut:
99
2. Klik Menu Stat → Submenu DOE → Response Surface → Define Custom Response
Surface
3. Klik kotak Continuous Variabel → Klik Suhu dan klik Select → Klik Waktu dan klik
Select → Klik Konsentrasi dan klik Select → Klik Low/High…
4. Pada Factor A Name Suhu, Low diisi 30 dan High diisi 44 (Sesuai nilai terendab dan
tertinggi) → Factor B Name Waktu, Low diisi 5 dan High diisi 15 (Sesuai nilai terendab
dan tertinggi) → Factor C Name Konsentrasi, Low diisi 1 dan High diisi 3 (Sesuai nilai
terendah dan tertinggi) → Worksheet Data Are dipilih Uncoded → Klik OK
100
5. Klik OK, maka pada Worksheet Minitab terdapat tambahan kolom berupa StdOrder,
RunOrder, Block, dan PtType.
6. Klik Stat → DOE → Response Surface → Analyze Response Surface Design
7. Klik kotak Response → Klik Degradasi dengan Sabun Ekstrak → Klik Tombol Select →
Klik Terms…
8. Pada kotak Include the following terms dipilih Full Quadratic → Klik OK
101
9. Klik OK, maka output yang ditampilkan pada Session Window ditunjukkan sebagai
berikut:
Hasil output diatas merupakan hasil uji ANOVA atau uji F Parameter Model regresi.
Nilai P-Value pada sumber keragaman Model sebesar 0.001 lebih kecil dibandingkan
taraf nyata   0.05 yang mengindikasikan untuk menolak Hipotesis H0 yang berarti
bahwa model regresi kuadratik penuh layak digunakan sebagai model penduga degradasi
dengan sabun ekstrak yang dipengaruhi oleh suhu, waktu kontak, dan konsentrasi ekstrak
pada faktor linear, faktor kuadratik, serta faktor interaksinya.
102
Sementara itu, pada sumber keragaman Lack-of-Fit (Ketidakpasan) menunjukan nilai

P-Value lebih kecil dibandingkan taraf nyata   0.05 yang mengindikasikan untuk
menolak Hipotesis H0 yang berarti bahwa model regresi kuadratik penuh yang dibentuk
memerlukan penambahan satu derajat polinomial. Karena Minitab 17 hanya menyediakan
pembentukan model hingga model kuadratik saja, maka diperlukan software lain untuk
mengelola model regresi dengan derajat polinomial lebih dari 2. Untuk praktek kali ini,
asumsi ketidakpasan ini diabaikan.
Hipotesis untuk uji ANOVA:
Sumber Keragaman Hipotesis
Model H0: Model yang terbentuk dari variabel-variabel bebas dan
kombinasinya tidak layak digunakan sebagai model penduga
variabel bergantung.
H1: Model yang terbentuk dari variabel bebas dan kombinasinya
layak digunakan sebagai model penduga variabel
bergantung.
Model Linear (Linear) H0: Model yang terbentuk dari faktor linear tidak mempengaruhi
variabel bergantung.
H1: Model yang terbentuk dari faktor linear mempengaruhi
variabel variabel bergantung.
Model Kuadratik (Square) H0: Model yang terbentuk dari faktor kuadratik tidak
H1: Model yang terbentuk dari faktor kuadratik mempengaruhi
Model Interaksi (2-Way H0: Model yang terbentuk dari interaksi dua faktor tidak
Interaction) mempengaruhi variabel bergantung.
H1: Model yang terbentuk dari interaksi dua faktor mempengaruhi
Ketidakpasan H0: Model yang terbentuk dari faktor linear tidak memerlukan
penambahan deerajat polinomial.
H1: Model yang terbentuk dari faktor linear memerlukan
penambahan derajat polinomial
103
Langkah selanjutnya yaitu menampilkan plot kontur dan plot permukaan dari hasil model
yang sudah dibentuk. Berikut langkah-langkah untuk menampilkan plot kontur untuk
variabel suhu dan waktu:
1. Klik Stat → Submenu DOE → Response Surface → Contour Plot
2. Pada kotak Response pilih Degradasi dengan Sabun Ekstrak → Pada variables pilih
Select a pair of variables for a single plot → X axis dipilih Suhu, Y Axis dipilih
Waktu → Klik Contours
3. Contour Levels dipilih Use defaults → Data Display ceklis Area, Contour lines, dan
Symbols at Design Points → Klik OK
104
Contour Plot of Degradasi dengan Sabun Ekstrak vs Waktu, Suhu

15.0
Degradasi
dengan
Sabun
Ekstrak
< 60
12.5
60 – 70
70 – 80
80 – 90
90 – 100
Waktu
100 – 110
10.0
110 – 120
> 120
Hold Values
Konstransi 2
7.5
5.0
30 32 34 36 38 40 42 44
Suhu
Dari hasil output diatas menunjukkan plot kontur suhu dan waktu terhadap degradasi
dengan sabun ekstrak pada saat nilai konsentrasi ekstrak 2%. Dari hasil tersebut,
terlihat bahwa warna hijau paling tua merupakan degradasi dengan sabun ekstrak
tertinggi yang berada diantara suhu 30 hingga 40 derajat Celcius dan waktu kontak
berada diantara 5 hingga 13 menit. Degradasi dengan sabun ekstrak terendah berada
diantara suhu 30 hingga 32 Celcius dan waktu kontak berada diantara 9 menit hingga
15 menit. Hasil gambar diatas akan lebih bagus apabila terdapat label angka pada
garis batas dan warna area menjadi spektrum.
105
Contour Plot of Degradasi dengan Sabun Ekstrak vs Waktu, Suhu

15.0
70 Degradasi
90 dengan
Sabun
110 Ekstrak
< 60
12.5
80 60 – 70
70 – 80
80 – 90
90 – 100
Waktu 10.0
100 – 110
110 – 120
> 120
90 Hold Values
100 Konstransi 2
7.5
100
5.0
30 32 34 36 38 40 42 44
Suhu
Cara menampilkan label angka pada garis batas dengan klik kanan pada garis batas
→ Edit Contour Lines → Pada tab Contour Labels klik Show Labels → Pada tab
Font Background pada kotak Fill Pattern pilih Custom → Pada kotak Type pilih
bentuk → klik OK.
Cara menampilkan warna spektrum pada area plot kontur klik kanan pada area kontur
plot → Edit Area → pada tab Attributes pada kotak Fill Color dipilih Spectrum
Colors → Klik OK
106
Berikut merupakan langkah-langkah untuk menampilkan plot tiga dimensi untuk variabel
suhu dan waktu:
1. Klik Stat → Submenu DOE → Response Surface → Surface Plot
2. Pada kotak Response pilih Degradasi dengan Sabun Ekstrak → Pada variables pilih
Select a pair of variables for a single plot → X axis dipilih Suhu, Y Axis dipilih
Waktu → Klik OK
107
3. Maka akan tampil output sebagai berikut:
Surface Plot of Degradasi dengan Sabun Ekstrak vs Waktu, Suhu

Hold Values
Konstransi 2
125
100
Degradasi
75 15
50 10 Wak tu
30
35
40 5
S uhu 45
Output diatas merupakan plot permukaan pada variabel waktu dan suhu terhadap
degradasi pada saat nilai konsentrasi ekstrak 2%. Sebagai contoh, apabila suhu
dinaikan dari 30 hingga sekitar 37 derajat Celcius pada saat waktu kontak konstan,
maka degradasi sabun ekstrak mengalami meningkat, namun suhu dari sekitar 37
hingga sekitar 45 derajat Celcius pada saat waktu konstan, maka degradasi sabun
ekstrak mengalami penurunan. Untuk melihat dan mengatur posisi plot permukaan
dapat memanfaat Toolbar 3D Graph Tools. Apabila tidak tertampil, maka dapat
menggunakan menu Tools → Toolsbars → 3D Graph Tools.
108
Icon Digunakan Untuk

Memutar grafik searah jarum jam atau berlawanan
jarum jam pada sumbu x
jarum jam pada sumbu y
jarum jam pada sumbu z
Memutar seluruh grafik pencahayaan plot
permukaan 3D searah jarum jam atau berlawanan
jarum jam pada sumbu x
jarum jam pada sumbu y
jarum jam pada sumbu z
Memperbesar ukuran kotak 3D
Memperkecil ukuran kotak 3D
Mengembalikan grafik pada posisi dan ukuran

semula
Mengembalikan seluruh pencahayaan pada posisi
semula.
Setelah mengetahui pembentukan model, plot kontur, dan plot permukaan, maka dapat
mencari nilai optimum dari model yang sudah dibentuk. Dalam kasus ini, nilai degradasi
sabun transparan ekstrak etanol daun pepaya yang terbaik merupakan nilai degradasi
tertinggi. Oleh karena itu, untuk mengetahui nilai degradasi tertinggi harus mengetahui
109
nilai suhu, waktu kontak, dan konsetrasi ekstrak yang optimal yang menyebabkan nilai
degradasi menjadi tinggi. Berikut langkah-langkah melakukan optimalisasi dari model
yang sudah dibentuk:
1. Klik Stat → Submenu DOE → Response Surface → Response Optimizer
2. Pada baris Degradasi dengan Sabu, Goal dipilih Maximize
110
Hasil output diatas merupakan kondisi optimum suhu, waktu, dan konsentrasi untuk
memperoleh nilai degradasi yang maksimum. Diperoleh bahwa agar degradasi sabun
transparan ekstrak etanol daun papaya dalam membersihkan biofilm S. aureus
mencapai nilai maksimum, maka suhu yang optimal adalah pada suhu 34.9495 derajat
Celcius, waktu kontak 5 menit, dan konsentrasi ekstrak yang digunakan sebesar
2.2609% dengan nilai degradasi transparan ekstrak etanol daun pepaya yang
dihasilkan sebesar 121.9204%.
Nilai d dan D pada hasil Minitab merupakan nilai desirability. Nilai d pada hasil
output Minitab menunjukkan nilai Individual desirability yang mengukur seberapa
dekat nilai dugaan satu respons berada dekat dengan nilai tujuan yang diinginkan.
Sementara itu, nilai D pada hasil output Minitab menunjukkan nilai Composite
desirability yang mengukur seberapa dekat nilai dugaan seluruh respons keseluruhan
berada dekat dengan nilai tujuan yang diinginkan. Nilai desirability diukur dalam
skala 0 sampai 1.
Apabila nilai desirability mendekati 1, maka solusi umum untuk memperoleh nilai
tujuan merupakan solusi yang ideal sehingga dapat digunakan sebagai solusi yang
optimum.
Apabila nilai desirability mendekati 0, maka terdapat satu atau lebih nilai respons
yang berada di luar batas penerimaan sehingga tidak dapat digunakan sebagai solusi
111
optimal sehingga harus dilakukan penentuan titik optimum kembali dengan

melakukan spesifikasi model dan melakukan penambahan titik awal optimalisasi.
Dari hasil output diatas menunjukkan nilai d dan D secara berturut-turut mempunyai
nilai desirability sebesar 0.9897 yang menunjukkan bahwa sekitar 98.97% nilai
dugaan degradasi sabun transparan ekstrak etanol daun pepaya sebesar 121.9204%
dari solusi umum suhu 34.9495 derajat Celcius, waktu kontak 5 menit, dan
konsentrasi ekstrak yang digunakan sebesar 2.2609% berasal dari batas bawah
degradasi sabun transparan etanol daun pepaya 16.54676 hingga nilai tujuan
123.0216. Dengan demikian, solusi umum tersebut merupakan kondisi optimal untuk
memaksimumkan degradasi sabun transparan ekstrak etanol daun pepaya.
112
Contoh 2 (Membangkitkan Rancangan Respon Permukaan Sendiri)

Suatu Penelitian dilakukan untuk mengetahui pengaruh waktu pemanasan dan suhu
pemanasan terhadap kadar beta karoten yang terkandung dalam wortel Nantes pada saat
dipanaskan dalam oven. Penelitian tersebut melakukan pengulangan sebanyak 2 kali dengan
menetapkan waktu pemanasan tercepat dan terlama yang digunakan, yaitu berkisar dari 10 menit
hingga 30 menit. Sementara itu, suhu terendah dan tertinggi yang ditetapkan berkisar dari 40
derajat Celcius hingga 60 derajat Celcius. Penelitian tersebut ingin mengetahui kondisi optimum
waktu pemanasan dan suhu pemanasan pada wortel agar kadar beta karoten yang diinginkan
tetap 3000 μg/100g.
Langkah-Langkah Pengolahan Data dengan Minitab

1. Klik Menu Stat → Submenu DOE → Response Surface → Create Response Surface
Design
2. Type of Design dipilih Central composite → Number of Continous factors dipilih 3 →

Klik Display Available Design…
113
3. Pilih Design Central composite full unblocked dengan Continous Factors 13 → Klik OK
→ Klik Designs…
4. Pilih Design paling atas → Number of Center Points dipilih Default → Value of Alpha
dipilih Face Centered → Number of replicates diisi 2 → Klik OK → Klik Factors
5. Levels Define dipilih Cube Points → Factor A pada Name diisi Waktu, Low diisi 10,
high diisi 30 → Factor B pada Name diisi Suhu, Low disii 40, High diisi 60 → Klik OK
114
6. Klik OK → Maka akan muncul output pada Worksheet Minitab sebagai berikut:
Hasil output diatas merupakan hasil pembangkit data untuk melakukan rancangan respon
permukaan sendiri. Hasil setiap pembangkitan data pada setiap sel datanya selalu
berbeda, sehingga contoh pada praktek ini tidak akan sama dengan contoh hasil output
Worksheet diatas. Berikut merupakan arti dari masing-masing kolom:
115
 Kolom StdOrder merupakan kolom Standar Order, yaitu urutan standar dalam
melakukan percobaan.
 Kolom RunOrder merupakan kolom Run Order, yaitu urutan percobaan yang
dilakukan.
 PtType merupakan Point Type, yaitu jenis titik yang digunakan dalam percobaan.
Kode 0 menunjukkan titik pusat, kode 1 menunjukkan titik kubus, dan kode -1
menunjukkan titik aksial.
 Block merupakan kelompok yang digunakan pada percobaan.
 Waktu dan Suhu merupakan taraf dari faktor waktu dan suhu yang digunakan
dalam suatu percobaan.
Dengan melakukan pembangkit data rancangan respon permukaan dengan Minitab, maka
dapat mempermudah dalam pengambilan nilai respon sesuai pasangan taraf faktor setiap
percobaan. Hasil nilai respon dapat diinput di kolom setelah kolom faktor waktu dan
suhu.
116

Modul Pelatihan Pengenalan Dasar Software Minitab Dan SPSS Untuk Statistika Farmasi

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Pelatihan Pengenalan Dasar Software Minitab Dan SPSS Untuk Statistika Farmasi

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL PELATIHAN

PENGENALAN DASAR SOFTWARE MINITAB

SEKOLAH TINGGI TEKNOLOGI INDUSTRI DAN FARMASI

Bogor, Juni 2017

KATA PENGANTAR .................................................................................... i

Tampilan Utama Minitab

3. Project Manager Window

Menu Bar Minitab

disket atau untuk menyimpan hasil olahan data.

Tampilan Utama SPSS

e. Label : memberikan penamaan/label variabel dari input variabel dalam SPSS.

Menu Bar SPSS

Cara Menampilkan Statistika Deskriptif dengan SPSS

Langkah-Langkah Input Data di SPSS

2. Input data seperti gambar dibawah

Dengan Values diisi sebagai berikut sebagai berikut:

Langkah-Langkah Menampilkan Tabel Frekuensi

3. Klik OK. Maka akan muncul Output sebagai berikut:

Langkah-Langkah Menampilkan Statistika Deskriptif

4. Klik Continue. Maka akan muncul Output sebagai berikut:

Langkah-Langkah Menampilkan Tabel Tabulasi Silang

seperti pada gambar berikut:

Langkah-Langkah Menampilkan Diagram Batang

4. Klik OK. Maka akan keluar output sebagai berikut:

Pengolahan Data Rancangan Percobaan dengan SPSS

 Menggunakan submenu General Linear Model → Univariate

Contoh 1 (Rancangan Acak Lengkap)

Langkah-Langkah Input Data Rancangan Acak Lengkap dengan SPSS

Dengan Values pada Formula diisi dengan:

2. Input Sel Data di Data View sebagai berikut:

Klik View → Value Label

Langkah-Langkah Pengolahan Data Rancangan Acak Lengkap dengan SPSS

3. Pada bagian Statistics, ceklis Descriptive dan Homogeneity of variance test →

4. Klik OK, maka akan muncul output sebagai berikut:

Dengan kriteria keputusan:

Terima H0 apabila nilai L  F ;df1 ,df2  atau nilai Sig   .

nilai  Sig  0.841    0.05 yang mengindikasikan bahwa hipotesis H0 diterima

terpenuhi sehingga dapat dilakukan pengujian selanjutnya dengan menggunakan uji

 Sig.: Nilai signifikansi atau nilai P-Value

H0: Setiap sepasang perlakuan memberikan pengaruh perlakuan yang sama

Dengan kriteria keputusan:

 Sig  0.000     0.05 yang menunjukkan bahwa hipotesis H0 ditolak. Artinya

ada perbedaan pemberian kombinasi formula terhadap pertumbuhan tinggi tikus

4. Klik OK maka akan muncul output sebagai berikut:

Untuk mengetahui adanya pasangan perlakuan yang memberikan pengaruh yang

Sebagai contoh untuk uji lanjut Duncan:

Cara 2: Menggunakan General Linear Model → Univariate

3. Pada bagian Display ceklis Descriptive Statistics dan Homogeneity tests →

4. Klik tombol OK maka akan muncul Output sebagai berikut:

Tabel diatas merupakan hasil statistika deskriptif yang menggambarkan gambaran

Dengan kriteria keputusan:

menandakan bahwa uji homogenitas dengan uji Levene terima H0 yang

 Sig. : Nilai Signifikan/Nilai P-Value]

terdapat perbedaan pemberian kombinasi formula kalsium dan magnesium terhadap

4. Klik OK maka akan muncul output sebagai berikut:

Contoh 2 Rancangan Acak Kelompok

pemberian nitrogen dalam empat jenis lahan:

Langkah-Langkah Input Data Rancangan Acak Kelompok dengan SPSS

2. Input Sel Data di Data View sebagai berikut:

Klik View → Value Label

Langkah-Langkah Pengolahan Data Rancangan Acak Kelompok dengan SPSS

6. Klik tombol OK maka akan muncul Output sebagai berikut:

Dependent Variable:Kandungan Nitrogen Nitrat

Nitrogen 0 kali Jenis Lahan 1 34.9800 . 1