Pemodelan Linier menggunakan SPPS pada Penelitian Ilmu-Ilmu Pertanian Saiful Bahri

Pemodelan Linier menggunakan SPPS pada Penelitian Ilmu-Ilmu Pertanian Saiful Bahri INTISARI Banyak perangkat lunak komputer menyediakan fasilitas analisis statistik dengan menggunakan pemodelan linier untuk menguji berbagai macam data untuk penelitian dibidang ilmu ilmu pertanian maupun ilmu ilmu sosial, seperti SPSS, SAS maupun SYSTAT. Sementara itu, pembelajaran ilmu statistika jarang yang menekankan pada pemodelan linier sehingga tidak jarang dijumpai peneliti tidak mampu membaca atau menterjemahkan hasil analisis data menggunakan perangkat lunak tersebut. Tulisan ini bermaksud memberikan pemahaman tentang pemodelan linier bagi para peneliti ilmu ilmu pertanian yang sering kali menggunakan model linier seperti Analisis of Variance untuk Rancangan Acak Lengkap maupun Rancangan Acak Kelompok Lengkap, sehingga peneliti dapat membuat pemodelan linier lainnya untuk memecahkan masalah penelitiannya dengan bantuan perangkat lunak komputer yang tersedia. Kata kunci : model linier ABSTRACT Thera are many computer software for statistic analysis using linier model to test a result of an agriculture or a sosial research, such a SPSS, SAS or SYSTAT. While, in fact, Application for statistic analysis do not cover detail the linier model, so that, a researcher can not read and can not take a representation of the analysis result used the software. This article is intend to describe statistical procedures for making the linier model for agriculture researcher whom using the analysis of variance for completely randomized design or completely randomized block desgin. We hope that the researcher may make the other linier model for solving research using the available computer software. Keyword : linier model A. Pengantar Ilmu statistik dalam penerapannya berperan dalam metodologi penelitian. Namun sering, para peneliti khususnya mahasiswa baik strata S1, S2 seringkali mengabaikan kaidah kaidah statistika sehingga ‘terepotkan’ oleh statistika. Statistika sebagai salah satu alat, ‘tool’ untuk membantu peneliti memecahkan permasalahannya acapkali hanya digunakan sebagai pelengkap penderita oleh banyak peneliti. Peran statistika menjadi terabaikan. Peranan statistika tidak akan merepotkan para peneliti kalau kaidah kaidah statistika diikuti dengan baik dan benar dalam metodologi penelitian. Oleh karena itu, peran para ahli statistika dalam penyusunan proposal penelitian perlu dipertimbangkan dengan baik oleh para peneliti. Walaupun hanya sekedar alat dalam penelitian, apa jadinya andaikan kaidah statistika tidak ‘pas’ diterapkan, hal ini akan

1

berakibat cukup serius dalam pengambilan keputusan dalam penelitian. Yang sering terjadi, ‘alat’nya yang dicari-cari agar ‘pas’ dengan maksud dan tujuan peneliti dan memuaskan seperti apa yang peneliti bayangkan sebelumnya atau hasil penelitian sesuai dengan pesanan. Belum lagi, para peneliti tidak memahami makna ‘alat’ yang digunakan. Sungguh telah terjadi ‘pelacuran’ karya ilmiah. Demikian juga yang terjadi pada penelitian di bidang ilmu pertanian. Pada umumnya dalam penelitian penelitian pertanian menggunakan percobaan. Dalam percobaan, terdapat dua perancangan, yaitu perancangan perlakuan, dan perancangan lingkungan. Perancangan perlakuan berkaitan pengaturan, penyusunan macam, jenis dan aras perlakuan yang menjadi topik penelitian dan berkaitan dengan maksud serta tujuan penelitian. Hal ini penting dilakukan agar penentuan hipotesis penelitian dilakukan dengan benar, sehingga maksud dan tujuan penelitian dicapai dengan baik dan benar. Sedangkan perancangan lingkungan berkaitan penyusunan, pengaturan dan penempatan satuan percobaan seperti perlakuan dan ulangan pada tempat atau lingkungan yang sedemikian rupa sehingga pengaruh lingkungan mendekati nol terhadap perlakuan. Perancangan percobaan yang umum meliputi perancangan Rancangan Acak Lengkap, Rancangan Acak Kelompok Lengkap, dan Rancangan Bujur Sangkar Latin. Untuk mengembangkan ilmu pertanian, tidak hanya berkutat penelitian dengan percobaan seperti diatas, namun masih banyak model dan uji statistik lainnya yang dapat diterapkan. Pemahaman tentang uji statistik sangat penting dimiliki oleh para peneliti, sedangkan penyelesaian prosedurnya bisa minta bantuan pada mesin hitung atau komputer. Dalam makalah ini, penulis akan menyajikan berbagai uji statistik yang umum digunakan dalam penelitian pertanian dengan menggunakan bantuan perangkat lunak komputer SPSS. B. Sekilas tentang Perancangan Percobaan dan Uji Perbandingan Pada umumnya, penelitian dibidang ilmu ilmu pertanian menggunakan ‘percobaan’ yang dikenal dengan Perancangan Percobaan. Dalam perancangan percobaan dibedakan atas perancangan lingkungan dan perancangan perlakuan. Perancangan lingkungan dimaksudkan untuk mengatur, menyusun dan menata petakpetak, plot-plot atau unit percobaan dalam satuan percoboaan sedemikian rupa sehingga faktor lingkungan selain perlakuan mempunyai pengaruh yang relatif sangat kecil terhadap pengaruh yang diamati dari pengaruh perlakuan itu sendiri. Untuk itu, dikenal dengan berbagai rancangan, yaitu • Rancangan Acak Lengkap (Completely Randomized Design), • Rancangan Acak Kelompok Lengkap (Completely Randomized Block Design), • Rancangan Bujursangkar Latin (Latin Square Design), dan • Rancangan Petak Terpisah (Split Plot Design) serta • Rancangan Blok Terpisah (Strip Plot Design atau Split Block Design). Rancangan tersebut secara matematis mengikuti model linear, dapat ditulis dengan persamaan matematis sebagai berikut • Rancangan Acak Lengkap : Y = μ + ρ + εij

2

• • • • •

Rancangan Acak Kelompok Lengkap Y = μ + β + ρ + εij Rancangan Bujur Sangkar latin Y = μ + β + κ + ρ + εij Rancangan Acak Kelompok Lengkap Faktorial (a dan b) Y = μ + β + αi+ νj + (αi) (νj) + εij Rancangan Petak Terpisah (Split Plot Design) Y = μ + β + αi+ мk+ νj + (αi) (νj) + εij Rancangan Blok Terpisah (Strip Plot Design) Y = μ + β + αi+ мk+ νj + γn + (αi) (νj) + εij

Keterangan : Y : peubah yang diukur, misal hasil μ : pengaruh rerata ρ : pengaruh perlakuan β : pengaruh ulangan/blok κ : pengaruh ulangan/kolom α : pengaruh perlakuan faktor a ν : pengaruh perlakuan faktor b εij : pengaruh error (galat) мk : pengaruh galat main plot γn : pengaruh galat sub main plot Komponen komponen pada persamaan model linier tersebut adalah komponen pada sumber ragam dari analisis ragam (analysis of variance) rancangan tersebut. Dengan memahami model linier tersebut, dengan mudah dapat menyusun analisis ragam dari suatu perancangan dengan berbagai bantuan perangkat lunak komputer yang ada. Perancangan perlakuan dimasudkan menyusun sedemikian rupa sehingga peubah-peubah (variable) yang mempengaruhi maupun peubah yang dipengaruhi (hasil atau produksi tanaman yang diamati/diukur) sesuai dengan tujuan penelitian (atas dasar hipotesis statistik yang disusun). Pada perancangan perlakuan dikenal dengan percobaan yang hanya melibatkan satu jenis perlakuan dikenal dengan percobaan faktor tunggal, dan percobaan dengan melibatkan lebih dari satu perlakuan, dikenal dengan Percobaan Faktorial. Percobaan faktorial menekankan pada uji pengaruh interaksi antar faktor, yaitu perubahan satu faktor pada setiap level faktor yang lain, disamping itu, menguji pengaruh utamanya. Pada hakekatnya, dalam perancangan tersebut, adalah menguji perbedaan antar perlakuan atau efek perlakuan terhadap peubah yang diamati. Dalam uji perbandingan antar perlakuan adalah sebagai berikut : a. Uji Perbandingan antar Perlakuan, uji ini diterapkan pada perlakuan yang bersifat kualitatif, seperti macam varietas i. Uji dengan satu nilai kritis pembanding ii. Uji dengan banyak nilai kritis pembanding (pairwise comparison) iii. Uji kontras

3

b. Uji Regresi : uji polinomial, uji respon, uji ini diterapkan pada perlakuan yang bersifat kuantitatif seperti dosis pupuk N, jumlah benih, jarak baris, dan lain-lain. SPSS menyediakan fasilitas apa yang disebut dengan General Linear Model, dan uji perbandingan antar perlakuan yang dikenal dengan Post Hoc serta Contras. SPPS menyediakan beragam pilihan uji perbandingan perlakuan dengan asumsi ragam perlakuan sama, seperti uji Dunnet, LSD, Duncan, Tukey, maupun uji untuk perlakuan dengan ragam yang tidak sama. C. Model Linier dan Komponennya Untuk memberikan pemahaman tentang model linier dan kaitannya dengan analisis ragam, berikut ini disajikan ilustrasi contoh penguraian suatu model linier Y = μ + βj + ρi + εij, dimana i = 1,2,…t (t sebagai cacah baris), dan j = 1,2, ..,r (r sebagai cacah kolom). Misalkan t=5, r=3 sehingga diperoleh 15 data, dan data (Yij) disajikan dalam tabel dua larik, sebagai berikut : 1. Penyajian Data Yij dalam dua Larik (two arrays table) : Tabel 1. Penyajian data dalam bentuk 2 larik Nilai rerata µ Blok Perlakuan

1

2

3

1

Y11

Y12

Y13

Y1o

2

Y21

Y22

Y23

Y2o

3

Y31

Y32

Y33

Y3o

4

Y41

Y42

Y43

Y4o

5 Rerata Blok

Y51

Y52

Y53

Y5o

Yo1

Yo2

Rerata

Efek ρi ρ1 ρ2 ρ3 ρ4 ρ5

Yo3 µ

efek blok

β1

β2

β3

Penguraian setiap efek: 1. Efek blok (βj) = Yoj - µ 2. Efek Perlakuan (ρi) = Yio - µ 3. Efek Error (εij) = Yij - µ Rumus Jumlah Kuadrat`: • Σ (Yoj - µ) = 0, sehingga Jumlah Kuadrat Blok = Σ (Yoj - µ)2 • Σ (Yio - µ) = 0, sehingga Jumlah Kudarat Perlakuan =Σ (Yio - µ)2 • Σ (Yij - µ) = 0, sehingga Jumlah Kudarat Error = Σ (Yij - µ)2 • Jumlah Kudrat Total merupakan total dari ketiga JK Blok, JK Perlakuan dan JK Error. Rumus Derajat Bebas (DB) 4

Dengan asumsi bahwa error / atau galat sebagai hasil interaksi antara efek lingkungan dan perlakuan, maka derajat bebas dirumuskan sebagai berikut : • DB Blok = r – 1 • DB Perlakuan = t – 1 • DB Error = (r-1) * (t-1) Rumus Kuadrat Tengah (KT): • KT Blok = JK Blok /DB Blok • KT Perlakuan = JK Perlakuan / DB Perlakuan • KT Errot = JK Error / DB Error Rumus F hitung : Dengan asumsi bahwa nilai harapan efek perlakuan lebih besar dibanding efek error, dan juga nilai efek blok/lingkungan lebih besar dari efek error, maka efek yang memiliki nilai harapan lebih kecil sebagai pembagi, sehingga • F hitung Blok = KT Blok / KT Error • F hitung Perlakuan = KT Perlakuan / KT Error Contoh data : Tabel 2. Penyajian dalam bentuk contoh data Nilai rerata µ= 5 Blok Perlakuan

1

2

3

Rerata Perlakuan

A

5

6

1

4

B

4

7

4

5

C

6

5

7

6

D

7

8

6

7

E Rerata Blok

3

4

2

3

5

6

4

Efek t 4-5=-1 5-5=0 6-5=1 7-5=2 3-5=2

µ= 5 efek blok

5-5=0

6-5=1

4-5=-1

Efek errornya diperoleh dengan mengurangkan setiap nilai Yij dengan nilai rerata perlakuan dan rerata blok, dan diperoleh hasil sebagai berikut :

Tabel 3. Perhitungan efek error

5

efek error

e ij = Yij- Yio- Yoj

1 A B C D E

2

1 -1 0 0 0

3

1 1 -2 0 0

-2 0 2 0 0

Dengan mengkuadratkan setiap nilai efek tersebut maka akan diperoleh Jumlah Kuadrat (JK) dari setiap efek tersebut, yaitu efek perlakuan, efek blok, dan efek error, dan akan diperoleh hasil analisis ragam sebagai berikut : Tabel 4. Analisis ragam untuk data contoh. Sumber Ragam Blok Perlakuan Galat Total

db 2 4 8 14

JK

KT 10 30 16 56

5 7.5 2

F hitung 2.5 3.75 1

2. Penyajian Data Yij Dengan Variabel variabel ( satu array) Data ilustrasi seperti pada Tabel 2 diatas, dapat disajikan dalam bentuk kolom-kolom sebagai suatu variabel, sebagaimana tabel 5 dibawah ini :

6

Tabel 5 : Penyajian data dalam bentuk kolom t 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5

r 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Rerata µ 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5

Efek efek efek ρ efek β -1 0 -1 1 -1 -1 0 0 0 1 0 -1 1 0 1 1 1 -1 2 0 2 1 2 -1 -2 0 -2 1 -2 -1

efek έ 1 1 -2 -1 1 0 0 -2 2 0 0 0 0 0 0

Y=µ+ ρ+ β+ έ 5 6 1 4 7 4 6 5 7 7 8 6 3 4 2

Dengan mengkuadratkan setiap efek tersebut maka akan diperoleh Jumlah Kuadrat setiap Efek, dengan hasilnya sebagai berikut : Tabel 6. Jumlah Kuadrat dari setiap efek yang ada t r 1 1 1 2 1 3 2 1 2 2 2 3 3 1 3 2 3 3 4 1 4 2 4 3 5 1 5 2 5 3 Jumlah

Rerata µ 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 375

Kuadrat Efek efek efek ρ efek β efek έ 1 0 1 1 1 1 1 1 4 0 0 1 0 1 1 0 1 0 1 0 0 1 1 4 1 1 4 4 0 0 4 1 0 4 1 0 4 0 0 4 1 0 4 1 0 30 10 16

Kuadrat Y 25 36 1 16 49 16 36 25 49 49 64 36 9 16 4 441

Dari Tabel 6 diatas dapat disusun suatu tabel Analisis Ragam sebagaimana SPSS menyajikan analisis ragamnya, sebagai berikut : Tabel 7: Analisis ragam versi SPSS (diperoleh dari tabel 6)

7

Sumber Ragam Corrected Model Intercept Blok Perlakuan Error Total Corrected Total

JK

Df 40 375 10 30 16 431 56

6 1 2 4 8 15 14

KT 6.666667 375 5 7.5 2

F hit 3.3333 187.5 2.5 3.75

3. Penyajian data menggunakan SPSS Untuk keperluan analisis ragam dengan Model General Linier dari SPSS maka data disusun menggunakan kolom kolom sebagai suatu variabel. Data didefinisikan sebagai suatu variabel. Variabel yang terlibat meliputi adalah variabel model (perlakuan, faktor, ulangan, atau kolom), dan variabel hasil atau variabel hasil pengamatan. Contoh penyajian Tabel 8. Penyajian data versi SPSS t 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5

r 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

Y 5 6 1 4 7 4 6 5 7 7 8 6 3 4 2

Dengan memahami kaidah dan prosedur model linier dan komponennya, maka dapat aplikasikan pada Rancangan Acak Lengkap atau Rancangan lainya baik yang sederhana maupun yang rumit sekalipun. Pada uraikan berikut ini, akan diberikan contoh dengan menggunakan Rancangan Acak Lengkap yang dianalisis dengan model linier versi SPSS

8

D. Analisis Statistik: uji antar perlakuan pada percobaan faktor tunggal dengan Rancangan Acak Lengkap (RAL) Model linier RAL adalah Y = μ + ρ + εij sehingga sumber ragam disusun sebagai berikut : Tabel 9. Kerangka analisis ragam RAL SUMBER RAGAM Perlakuan Galat Total (terkoreksi)

DERJAT JUMLAH BEBAS KUADRAT t-1 r(t -1) rt-1

KUADRAT TENGAH

Nilai F Hitung

Tabel analisis ragam tersebut membantu memudahkan untuk mengetahui nilai probabilita F dari pengaruh perlakuan dan mengetahui signifikansinya. Secara konvensional, signifikansi uji F, diperoleh dengan jalan mencari nilai F tabel 5% atau 1%, dan membandingkan nilai F hitung dengan nilai F dari tabel tersebut. Apabila nilai F hitung lebih kecil dari 5% (0.05) dikatakan pengaruh antar perlakuan terdapat perbedaan yang nyata, dan sebaliknya. Setelah diperoleh nilai siginifkansi uji F, dilanjutkan dengan uji perbandingan antar perlakuan, misal apakah uji LSD, Duncan, Tukey, atau Regresi Polynomial. Dengan demikian, dapat diperoleh jawaban dari hipotesis statistik, Contoh Data 1. Untuk mengetahui perbedaan antar macam insektisida foliar dan granular terhadap hasil gabah padi (kg/ha) dilakukan percobaan dengan RAL terdiri dari 4 ulangan dan 7 perlakuan insektisida. 2. Data berat gabah padi (kg/ha) (data diperoleh dari Gomez and Gomez, 1984) Tabel 10. Berat gabah dengan perlakuan insektisida foliar dan granular PERLAKUAN Dolmix 1 kg Dolimx 2 kg DDT Azodrin Dimecron-Boom Dimecron-Knap Control

1 2537 3366 2536 2387 1997 1796 1401

Ulangan 2 3 2069 2104 2591 2211 2459 2827 2453 1556 1679 1649 1704 1904 1516 1270

4 1797 2544 2385 2116 1859 1320 1077

9

3. Analisis ragam berat gabah padi Berikut ini hasil analisis ragam menggunakan cara perhitungan manual, disajikan pada Tabel 11. Tabel 11. Analisis ragam bagi berat gabah yang dari Tabel 10 secara konvensional SUMBER KERAGAMAN PERLAKUAN GALAT PERCOBAAN TOTAL

DB

JK

6 21

5.587.174 1.990.238

27

7.577.412

KT

F HITUNG 931.196 9.83** 94.773

F HITUNG 5% 1% 2.57 3.81

4. Analisis ragam berat gabah padi melalui SPPS Berikut ini hasil analisis RAL dengan fasilitas General Linier Model dari SPSS, disajikan pada Tabel 12. Tabel 12. Analisis ragam RAL bagi berat gabah dari Tabel 10 Tests of Betw een-Subjects Effects Dependent Variable: Gabah padi Source Corrected Model Intercept t Error Total Corrected Total

Type I Sum of Squares 5587174.9a 116484004 5587174.9 1990237.5 124061416 7577412.4

df 6 1 6 21 28 27

Mean Square 931195.821 116484003.6 931195.821 94773.214

F 9.826 1229.081 9.826

Sig. .000 .000 .000

a. R Squared = .737 (Adjusted R Squared = .662)

Dari Tabel 12. diatas menunjukkan bahwa nilai F perlakuan sebesar 9,826 dengan siginifikansi kurang dari 0,01, menunjukkan bahwa hipotesis yang mengatakan bahwa terdapat perbedaan antar perlakuan insektisida diterima, artinya terdapat kemungkinan perbedaan yang (sangat) nyata antar perlakuan insektisida terhadap berat gabah padi. 5. Uji perbandingan antar perlakuan (post hoc) Uji ini untuk menjawab tujuan penelitian atas dasar hipotesis yang disusun, yaitu membandingkan antar perlakuan insektisida foliar dan granular. Untuk keperluan ini, dapat dilakukan 3 macam uji, yaitu uji perlakuan terhadap kontrol (uji Dunnet), uji antar pasangan perlakuan (uji Duncan, uji Tukey), dan uji Contras. 10

a. Uji insektisida terhadap kontrol, menggunakan uji Dunnet Tabel 13. Hasil uji perbandingan berganda dengan uji LSD dan Dunnet bagi berat gabah dari Tabel 10. Multiple Comparisons Dependent Variable: Gabah padi

LSD

(I) Perlakuan Dolomix 1 kg

Dolmix 2 kg

DDT+BHC

DDT

Dimecron-Boom

Dimecron-Knap

Kontrol

Dunnett t (2-sided)a Dolomix 1 kg Dolmix 2 kg DDT+BHC DDT Dimecron-Boom Dimecron-Knap

(J) Perlakuan Dolmix 2 kg DDT+BHC DDT Dimecron-Boom Dimecron-Knap Kontrol Dolomix 1 kg DDT+BHC DDT Dimecron-Boom Dimecron-Knap Kontrol Dolomix 1 kg Dolmix 2 kg DDT Dimecron-Boom Dimecron-Knap Kontrol Dolomix 1 kg Dolmix 2 kg DDT+BHC Dimecron-Boom Dimecron-Knap Kontrol Dolomix 1 kg Dolmix 2 kg DDT+BHC DDT Dimecron-Knap Kontrol Dolomix 1 kg Dolmix 2 kg DDT+BHC DDT Dimecron-Boom Kontrol Dolomix 1 kg Dolmix 2 kg DDT+BHC DDT Dimecron-Boom Dimecron-Knap Kontrol Kontrol Kontrol Kontrol Kontrol Kontrol

Mean Difference (I-J) -551.2500* -425.0000 -1.2500 330.7500 445.7500 810.7500* 551.2500* 126.2500 550.0000* 882.0000* 997.0000* 1362.0000* 425.0000 -126.2500 423.7500 755.7500* 870.7500* 1235.7500* 1.2500 -550.0000* -423.7500 332.0000 447.0000 812.0000* -330.7500 -882.0000* -755.7500* -332.0000 115.0000 480.0000* -445.7500 -997.0000* -870.7500* -447.0000 -115.0000 365.0000 -810.7500* -1362.0000* -1235.7500* -812.0000* -480.0000* -365.0000 810.7500* 1362.0000* 1235.7500* 812.0000* 480.0000 365.0000

Std. Error 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465 217.68465

Sig. .019 .064 .995 .144 .053 .001 .019 .568 .020 .001 .000 .000 .064 .568 .065 .002 .001 .000 .995 .020 .065 .142 .053 .001 .144 .001 .002 .142 .603 .039 .053 .000 .001 .053 .603 .108 .001 .000 .000 .001 .039 .108 .006 .000 .000 .006 .158 .381

95% Confidence Interval Lower Bound Upper Bound -1003.9500 -98.5500 -877.7000 27.7000 -453.9500 451.4500 -121.9500 783.4500 -6.9500 898.4500 358.0500 1263.4500 98.5500 1003.9500 -326.4500 578.9500 97.3000 1002.7000 429.3000 1334.7000 544.3000 1449.7000 909.3000 1814.7000 -27.7000 877.7000 -578.9500 326.4500 -28.9500 876.4500 303.0500 1208.4500 418.0500 1323.4500 783.0500 1688.4500 -451.4500 453.9500 -1002.7000 -97.3000 -876.4500 28.9500 -120.7000 784.7000 -5.7000 899.7000 359.3000 1264.7000 -783.4500 121.9500 -1334.7000 -429.3000 -1208.4500 -303.0500 -784.7000 120.7000 -337.7000 567.7000 27.3000 932.7000 -898.4500 6.9500 -1449.7000 -544.3000 -1323.4500 -418.0500 -899.7000 5.7000 -567.7000 337.7000 -87.7000 817.7000 -1263.4500 -358.0500 -1814.7000 -909.3000 -1688.4500 -783.0500 -1264.7000 -359.3000 -932.7000 -27.3000 -817.7000 87.7000 203.4704 1418.0296 754.7204 1969.2796 628.4704 1843.0296 204.7204 1419.2796 -127.2796 1087.2796 -242.2796 972.2796

Based on observed means. *. The mean difference is significant at the .05 level. a. Dunnett t-tests treat one group as a control, and compare all other groups against it.

11

b. Uji antar perlakuan insektisida, menggunakan uji Duncan, atau Tukey Tabel 14. Hasil uji perbandingan antar perlakuan insetisida bag berat gabah dari Tabel 10. dengan uji berpasangan Tukey dan Duncan. Gabah padi Subset Perlakuan Tukey Ba,b Kontrol Dimecron-Knap Dimecron-Boom Dolomix 1 kg DDT DDT+BHC Dolmix 2 kg a,b Duncan Kontrol Dimecron-Knap Dimecron-Boom Dolomix 1 kg DDT DDT+BHC Dolmix 2 kg Sig.

N 4 4 4 4 4 4 4 4 4 4 4 4 4 4

1 2 3 4 1316.0000 1681.0000 1681.0000 1796.0000 1796.0000 2126.7500 2126.7500 2128.0000 2128.0000 2551.7500 2678.0000 1316.0000 1681.0000 1681.0000 1796.0000 2126.7500 2126.7500 2128.0000 2128.0000 2551.7500 2551.7500 2678.0000 .108 .072 .078 .568

Means for groups in homogeneous subsets are displayed. Based on Type I Sum of Squares The error term is Mean Square(Error) = 94773.214. a. Uses Harmonic Mean Sample Size = 4.000. b. Alpha = .05.

12

c. Uji antar perlakuan insekstisida foliar dan granular, menggunakan Contras Tabel 14. Hasil uji Contras perlakuan insekstisida bagi bera gabah dari Tabel 10 Contra st Re sults (K Ma trix )a

Contrast L1

Contrast Estimate Hypothesized Value Difference (Estimate - Hypothesized) Std. Error Sig. 95% Confidence Interval for Difference

L2


L3

Lower Bound Upper Bound


L6



L5



L4





Dependent Variable Gabah padi -609.750 0 -609.750 997.556 .548 -2684.282 1464.782 3159.750 0 3159.750 533.216 .000 2050.866 4268.634 1305.750 0 1305.750 307.853 .000 665.536 1945.964 365.000 0 365.000 217.685 .108 -87.700 817.700 126.250 0 126.250 217.685 .568 -326.450 578.950 332.000 0 332.000 217.685 .142 -120.700 784.700

a. Based on the user-specified contrast coefficients (L') matrix: Uji Contras

13

Analisis ragam Contras menghasilkan sebagai berikut : Tabel 15. Analisis ragam dengan uji contras perlakuan insektisida bagi berat gabah dari Tabel 10 Test Results Dependent Variable: Gabah padi Source Contrast Error

Sum of Squares 5587174.9 29 1990237.5 00

df

Mean Square 6

931195.821

21

94773.214

F 9.826

Sig. .000

Nampak bahwa nilai F contras tersebut adalah sama dengan analisis ragam RAL. Hal ini karena Contras yang dibentuk merupakan komponen dari Perlakuan, yaitu sebanyak 6 komponen (L1, L2, L3, L4, L5, dan L6). Adapun rincian Contras dapat dilihat pada Tabel 4.9, sebagai berikut : Tabel 16. Koefisien Kontras perbandingan perlakuan insektisida foliar dan granular Contras Perlakuan Keterangan T1 T2 T3 T4 T5 T6 T7 L1 1 1 1 1 1 1 -6 Kontrol dengan yang lain L2 1 1 1 1 -2 -2 0 Insect. Cair dan padat L3 1 1 -1 -1 0 0 0 Dolmix dan DDT Azodrin L4 1 -1 0 0 0 0 0 Antar Dolmix L5 0 0 1 -1 0 0 0 Antar DDT & Azodrin L6 0 0 0 0 1 -1 0 Antar Dimecron E. Kesimpulan Dengan memahami kaidah dan prosedur pemodelan linier pada perancangan percobaan, maka dapat disusun suatu model perancangan yang lebih kompleks untuk diterapkan pada percobaan percobaan penelitian dibidangn pertanian. Juga tidak menutup kemungkinan untuk dikembangkan pada penelitian ilmu ilmu sosial, seperti ilmu komunikasi, ekonomi maupun psikologi. Peneliti dapat dengan mudah menganilisis data hasil penelitiannya dengan menggunakan perangkat lunak statistika yang tersedia yang mendukung General Linier Model, seperti SPSS, SAS maupun SYSTAT. Disamping itu, peneliti dapat melakukan simulasi terhadap hasil penelitiannya dengan menggunakan perangkat lunak komputer sehingga pengunaan ‘tool’ statstika tidak mengakibatkan bias dalam penarikan kesimpulannya.

14

Daftar Rujukan Anonim.. User Guide SPSS version 6. SPPS Inc. New York Gomez K.A. and A.A. Gomez. 1984. Statistical Procedres for Agricultural Research. John Wiley and Sons, New York. Saiful Bahri. 1990 Rancangan Percobaan Edisi 2. Fakultas Pertanian UNISRI, Surakarta. Saiful Bahri. 1993. Regresi dan Korelasi Edisi 2. Fakultas Pertanian UNISRI, Surakarta.. Steel RGD dan J.A. Torrie. 1980. Principles and Procedures of Statistics. Mc GrawHill, New York. .

15

Pemodelan Linier menggunakan SPPS pada Penelitian Ilmu-Ilmu Pertanian Saiful Bahri

Recommend Documents