Penuntum Praktikum Rancangan Percobaan dengan SPS- 0

Penuntum Praktikum Rancangan Percobaan dengan SPS- 0

I. PENDAHULUAN Dalam usaha meningkatkan suasana akedemik di perguruan tinggi serta dalam upaya menumbuhkan sikap, kemampuan dan keterampilan meneliti pada mahasiswa dan dosen, pengetahuan program kemasan komputer Product and Service Solutions)

yaitu program SPSS (Statistical

yang bisa digunakan dalam analisis data dalam

Rancangan Percobaan merupakan hal yang esensial untuk dikuasai. Setiap bidang studi diharapkan dapat menimbulkan kegairahan meneliti, disamping mengembangkan penguasaan

materi

diharapkan

juga

memberikan

pengalaman

belajar

yang

menumbuhkan sikap, kemampuan dan ketrampilan meneliti. Dewasa ini berbagai metode statistika makin banyak dipergunakan untuk analisis atau menguji data hasil percobaan, dan sebaliknya tidak jarang model-model matematis yang biasa dipakai untuk percobaan dipertimbangkan untuk menganalisis data yang dikumpulkan dengan metode bukan percobaan. Dewasa ini, fasilitas pengolahan data berupa komputer dengan berbagai program kemasan statistika yang tersedia makin canggih, dengan kemampuan dan kecepatan olah komputer yang makin tinggi, serta tenaga yang makin propesional lebih terbuka kemungkinan untuk memilih analisis yang lebih sesuai dan mendalam, dengan hasil yang lebih cermat serta dikerjakan dalam waktu yang singkat.

Mungkin saja selama

penyelenggaraan percobaan terjadi yang hal-hal mengakibatkan penyimpangan terhadap apa yang telah direncanakan dan dipertimbangkan dalam bentuk anggapan-anggapan sebelumnya, sehingga rencana terutama analisis data hasil penelitian harus diubah sesuai dengan paket program kemasan yang ada,

Program SPSS sangat mudah menyesuikan

dengan apa yang kita rencanakan atau telah kita rancang dalam rancangan percobaan karena tersedia Syntax SPSS, dalam syntax SPSS kita dapat mengubah bahasa atau model matematis dalam rancangan percobaan menjadi bahasa computer, sehingga sesuai dengan yang kita rancang.. Pemeriksaan kesesuaian model adalah suatu langkah penting dalam menganalisa data, model statistik yang digunakan tak lain dari suatu bayangan penyederhanaan atau penyarian bagi masalah yang dikaji.

Model dengan komponen-komponennya dan

anggapan-anggapan yang melandasinya perlu diperiksa dan dinilai secara kritis. Teknikteknik grafis umumnya dapat membantu dalam analisis data dengan menggunakan program SPSS.


Analisis data dengan SPSS dalam rancangan percobaan ini khusus membicarakan tentang penggunaannya dalam analisis ragam serta uji lanjutanya yaitu uji Beda Nyata Terkecil (BNT) atau Least Significant Difference (LSD) dan Uji Duncan serta Analisis Regresi untuk perlakuan yang bersifat kuantitatif

yaitu berupa contoh-contoh analisis

mulai dari memasukkan data, tranformasi data, analisis data dan cara menyimpulkannya. Sedangkan data dengan skala pengukuran Nominal dan Ordinal maupun skala pengukuran Interval dan Rasional yang tidak memenuhi syarat untuk analisis ragam atau homoginitas ragam tidak dipenuhi tidak dibahas dalam buku ini. Rancangan percobaan yang dibahas adalah rancangan percobaan

sederhana

yaitu : Rancangan Acak Lengkap (RAL), Rancangan Acak Kelompok (RAK), Rancangan Acak Kelompok Sub-Sampling, Rancangan Bujur Sangkar Lathin (RBSL), Rancangan Acak Lengkap dan Acak Kelompok pola Faktorial, Tersarang dan Berjenjang(Split Plot). Tulisan ini hanya membahas sebagian kecil saja dari Rancangan Percobaan yang ada, sebenarnya banyak lagi jenis rancangan percobaan yang belum bisa dibahas, hal ini semata-mata karena keterbatasan waktu, tenaga yang tersedia, namun kami harapkan para pembaca bisa mengembangkannya sesuai

dengan

rancangan serta tujuan

penelitian yang dilakukan.

.


II. RANCANGAN PERCOBAAN Percobaan didefinisikan sebagai suatu uji coba (trial) atau pengamatan khusus yang dibuat untuk menegaskan atau membuktikan keadaan dari sesuatu yang meragukan, dibawah kondisi-kondisi khusus yang ditentukan oleh peneliti. Jadi, percobaan

merupakan suatu tindakan atau kegiatan yang diselenggarakan dengan

seksama dalam rangka menemukan

beberapa

pengaruh yang tak diketahui, atau

menguji suatu kebenaran yang diketahui atau membayangkan suatu kebenaran yang dipikirkan. Mencoba atau Mengadakan Percobaan adalah satu cara dalam mendapatkan keterangan (data) yang diperlukan seseorang untuk memperoleh pengetahuan baru. Oleh karena itu suatu percobaan tidak diperlukan bilamana sesuatu yang hendak diketahui itu, sebelumnya sudah diketahui. Merancang : dapat diartikan sebagai merencanakan, memikirkan atau menimbangnimbang apa yang hendak diperbuat, yang segala sesuatunya diatur terlebih dahulu. Rancangan adalah apa yang sudah dirancangkan, dipersiapkan, direncanakan atau diprogramkan. Rancangan Percobaan : dapat diartikan sebagai rangkaian kegiatan berupa pemikiran dan tindakan yang dipersiapkan secara kritis dan seksama mengenai berbagai aspek

yang

dipertimbangkan

dan

sedapat

mungkin

diupayakan

kelak

dapat

diselenggarakan dalam suatu percobaan dalam rangka menemukan sesuatu pengetahuan baru. Semua pemikiran, perkiraan, pedoman dan rencana itu dituangkan dalam suatu Rancangan Percobaan, yang seharusnya dibuat sebelum percobaan dilakukan. Rancangan Percobaan yang baik adalah yang efektif, terkelola dan efesien serta dapat dipantau, dikendalikan dan dievaluasi. Pengertian efektif adalah berkaitan dengan kemampuan mencapai tujuan, sasaran dan kegunaan yang direncanakan atau digariskan. Terkelola

adalah berkenaan dengan kenyataan adanya berbagai keterbatasan atau

kendala yang terdapat dalam pelaksanaan percobaan maupun dalam menganalisis data. Sedangkan efesien adalah bersangkut-paut dengan pengrasionalan dalam penggunaan sumber daya, dana dan waktu dalam memperoleh keterangan dari percobaan.


Peubah-peubah dalam Rancangan Percobaan. Peubah Bebas atau Peubah Tetap adalah : sejumlah gejala atau faktor atau unsur yang menentukan atau mempengaruhi ada atau munculnya gejala atau respons penelitian.

Peubah ini pada pelaksanaan percobaan atau penelitian disebut perlakuan

atau factor, yaitu suatu peubah yang bebas ditetapkan oleh peneliti, misalnya dois obat, jenis antibiotika, cara melakukan pengawetan daging dan sebagainya. Peubah Tak-bebas atau Peubah Terikat adalah : respons suatu penelitian atau percobaan yaitu sejumlah gejala atau respons yang muncul karena adanya peubah bebas. Misalnya perbedaan berat badan ayam Broliler akibat diberikan jenis pakan yang berbeda.

Jadi : Peubah bebasnya Jenis Pakan dan Peubah terikatnya adalah berat

badan. Peubah Kontrol (Controle Variable) adalah : sejumlah gejala atau faktor atau unsure yang dengan sengaja dikendalikan, atau disamakan agar tidak mengganggu atau mempengaruhi peubah bebas atau pebah terikat.

Dengan dikendalikan pengaruhnya

berarti peubah ini tidak ikut menentukan ada tidaknya atau muncul tidaknya respon hasil penelitian.

Jadi dapat diharapkan peubah terikat yang muncul adalah murni akibat dari

peubah bebas atau perlakuan.

Misalnya pada percobaan ayam Broiler dengan jenis

pakan yang berbeda, maka galur ayam, jenis kelaminnya dan kandangnya harus sama, jadi galur, jenis kelamin dan kandang ayam disebut peubah kontrol. Peubah Sampingan atau Peubah Antara (Intervining Variable) adalah : sejumlah gejala yang tidak dapat dikontrol, akan tetapi dapat diperhitungkan pengaruhnya terhadap

peubah terikat atau respons hasil penelitian.

Oleh karena peubah ini

berpengaruh terhadap peubah bebas, maka akan menyebabkan peubah terikat yang muncul tidak murni akibat peubah bebas, sehingga perlu diketahui seberapa besar pengaruh peubah ini.

Salah satu cara untuk memperhitungkan pengaruhnya adalah

dengan melakukan pemblokan atau pengelompokan.

Misalnya : bila kita ingan meneliti

semua jenis kelamin ayam broiler kita harus mengelompokkan jantan dan betina, jadi Jenis kelamin bukan lagi merukan peubah Kontrol melainkan sudah dijadikan peubah Antara.

Jadi tergantung obyek atau fenomena apa yang ingin atau jadi focus

pengamatan Peubah Galat atau Peubah Ektra (Extranius Variable) adalah : sejumlah gejala yang tidak dapat dikontrol dan tidak dapat pula diperhitungkan pengaruhnya ataupun dieleminasi pengaruhnya terhadap peubah bebas dan atau peubah terikat, peubah ini mungkin bersumber dari kondisi contoh dan mungkin pula berada diluar contoh. Peubah Penuntum Praktikum Rancangan Percobaan dengan SPS- 4

ini akan atau muncul pada saat penelitian berlangsung, peubah ini akan mempengaruhi ketelitian penelitian. Adanya peubah ini dapat dilihat pada besarnya kuadrat tengah galat, makin besar kuadrat tenghn galat berarti peubah ini makin besar pengaruhnya. Rancangan Percobaan dibuat berkenaan dengan teknik-teknik dalam mengatasi dan mengendalikan keragaman/peubah-peubah yang mengganggu pengaruh sebenarnya dari perlakuan atau factor yang kita teliti atau tetapkan disebut Rancangan Lingkungan (Enviromental Design). Agar pengaruh perlakuan itu terlihat dengan jelas maka keragaman respons yang ditimbulkan oleh keadaan bahan percobaan hendaknya jangan sampai mengaburkan atau mengacaukan penampilan pengaruh perlakuan tadi. Oleh karena itu, keragaman respons yang ditimbulkan

oleh keadaan lingkungan dan keadaan bahan percobaan yang

digunakan perlu diperhitungkan atau disingkirkan atau diawasi, sehingga hingarnya terhadap pengaruh perlakuan dapat ditekan sampai sekecil –kecilnya.

Faktor Kualitatif dan Faktor Kuanditatif Sebagai suatu peubah bebas atau peubah terikat atau suatu faktor, dapat digolongkan sebagai faktor kualitatif dan faktor kuanditatif. Faktor kualitatif terdiri atas taraf-taraf berskala penilaian nominal atau taraf-taraf yang sebenarnya dapat dipandang sebagai nilai-nilai tertentu peubah khusus yang berkepekatan kontinu (mengikuti kaedah penjumlahan dan perkalian), tetapi tidak memberikan suatu tataan bermakna. Sedangkan faktor kuanditatif berskala ukuran ordinal, interval atau rasional. Faktor kuanditatif dengan taraf-taraf tertentu dapat dipandang sebagai nilai-nilai peubah berkepekatan kontinu, bila antara taraf-taraf tersebut dapat membentuk suatu hubungan peningkatan atau penurunan, tidak setiap faktor berskala ordinal dimasukkan kedalam faktor kuanditatif, ada kalanya diperlakukan sebagai faktor kualitatif. Faktor jenis kelamin ternak yang terdiri dari jantan, betina dan kebirian adalah suatu factor kualitatif, sedangkan dosis pemberian obat dengan taraf-taraf 0, 5, 10 dan 15 ml merupakan faktor kuantitatif. Jarak antara taraf terendah dengan taraf tertinggi suatu faktor bergradien dari peubah bebas dinamakan rentang perhatian (range of interest).

Meskipun dalam

rentang tersebut hanya ditentukan t taraf efektif saja, peneliti berminat untuk mengkaji pengaruh faktor tersebut dalam rentangan sebatas rentang perhatian yang telah ditentukan, dengan perkataan lain pendugaan atau peramalan dilakukan diantara rentang perhatian (intra polasi). Tetapi tidak untuk melakukan pendugaan atau peramalan di luar Penuntum Praktikum Rancangan Percobaan dengan SPS- 5

rentang perhatian (ekstra polasi).

Karena ini sudah diluar rentang perhatian yang telah

ditentukan dan sudah tidak menjamin keterandalan data hasil percobaan. Jarak antara dua taraf beururutan dalam suatu tataan bermakna faktor bergradien dinamakan jarak antar taraf. Dalam suatu rancangan perlakuan, jarak-jarak antar taraf ini mungkin seragam atau mungkin tidak. Faktor dengan jarak-jarak antar taraf seragam dinamakan juga sebagai faktor dengan taraf-taraf berjarak sama, sedangkan yang tak seragam disebut berjarak tak sama. Dosis pemberian obat mempunyai taraf berjarak sama, misalnya 0, 5, 10 dan 15 ml, sedangkan yang berjarak tak sama misalnya 0, 6, 8, 9 dan 10 ml. Faktor kualitatif tidak mengenal konsep jarak antar taraf, sedangkan jarak antar taraf berurutan faktor yang berskala penilaian ordinal yang tak terukur tetap. Kita mengenal 4 skala yang dapat digunakan untuk mengukur fenomena sebagai sebagai sumber data adalah sebagai berikut :

Skala Nominal. Skala nominal adalah pengukuran yang paling rendah tingkatannya, ini terjadi apabila bilangan atau lambang-lambang lain digunakan untuk mengklasifikasikan obyek, orang, hewan atau benda-benda lain. Apabila bilangan atau lambang-lambang yang lain digunakan

untuk

mengidentifikasikan

kelompok

dimana

beberapa

obyek

dapat

dimasukkan kedalamnya, maka bilangan atau lambing-lambang itu membentuk suatu skala nominal (klasifikasi). Sebagai contoh, misalnya kita menggolongkan ternak dalam himpunan ternak besar, ternak kecil, ternak unggas dan aneka ternak. Demikian pula penggolongan ternak setelah diobati menjadi mati dan sembuh. Dalam hal ini skala untuk pengukuran peubah jenis ternak terdiri dari 4 titik, sedangkan kesembuhan terdiri dari 2 titik. Titik skala dinamakan kelas atau katagori. Skala nominal tidak mengenal urutan atau ranking.

Skala Ordinal (Ranking). Skala ordinal terjadi bila obyek yang ada dalam suatu katagori suatu skala tidak hanya berbeda dengan obyek-obyek itu, tetapi juga mempunyai hubungan satu dengan yang lain, Hubungan yang biasa kita jumpai diantaranya kelas-kelas adalah : lebih tinggi, lebih disenangi, lebih sering, lebih sulit, lebih dewasa dan sebagainya, jadi disini ada ranking Penuntum Praktikum Rancangan Percobaan dengan SPS- 6

Pengukuran yang dilakukan dalam skala ordinal adalah obyek yang dibedakan menurut persamaannya dan menurut urutannya. Jadi dapat dibuat urutan atau ranking yang lengkap dan teratur diantara kelas-kelas.. Sebagai contoh kejadian suatu penyakit pada ternak babi yaitu sering sekali, sering, kadang-kadang dan tidak pernah.

Skala Interval. Pengukuran dalam skala interval lebih kuat daripada skala ordinal, sebab pengukuran dicapai disamping berdasarkan persamaan dan urutannya, juga jarak antara dua kelas yang berbeda (interval) bias diukur, tapi belum bias diperbandingkan Skala interval mempunyai ciri dengan unit pengukuran yang sama dan konstan yang memberi suatu bilangan nyata untuk setiap pasangan obyek-obyek dalam himpunan berurutan.

Dalam pengukuran semacam ini perbandingan antara interval sembarang

adalah independent dengan unit pengukuran, dan skala interval mempunyai titik nol. Sebagai contoh skala interval adalah suhu, misalnya pengukuran suhu dengan skala Celcius dan Fahrenheit, kedua pengukuran suhu ini mempunyai titik nol dan unit pengukuran

yang berbeda, namun keduanya memberikan informasi yang sama.

Demikian juga persentase (0 – 100%).

Semua skala ordinal yang mempunyai titik nol

dan unit pengukuran sembarang, dengan range lebih besar atau sama dengan 5 bisa dimasukkan kedalam skala interval.

Skala Rasional Skala rasional suatu skala disampimg mempunyai sifat seperti skala interval, ditambah lagi sifat lain yaitu titik nolnya tertentu. Dalam skala rasional, perbandingan dua titik skala sembarang adalah independent dengan unut pengukuran.

Contoh skala

rasional adalah skala untuk pengukuran berat, panjang, isi (volume), termasuk juga banyaknya orang atau banyaknya ternak dan sebagainya. Jadi dengan kata lain skala ini bias dibandingkan atau dirasionalkan Merancang Perlakuan dalam Rancangan Percobaan Perlakuan adalah suatu pengkondisian atau kondisi yang sengaja dibuat pada bahan percobaan. Jadi perlakuan bisa merupakan karakter dari suatu bahan percobaan atau sering disebut perlakuan karateristik dan bisa juga suatu kondisi yang dibuat atau dihipotesiskan oleh peneliti atau sering disebut perlakuan hipotetik. Perlakuan hipotetik dibuat untuk mencari penyebab dari sesuatu yang terjadi. Penuntum Praktikum Rancangan Percobaan dengan SPS- 7

Perlakuan yang akan dicobakan atau diteliti dalam penelitian seharusnya ditentukan dari tujuan, sasaran dan kegunaan yang hendak dicapai dari pengujian pilihan pemecahan masalah melalui metode percabaan. Merancang suatu perlakuan berdasarkan kondisi materi percobahan atau homogenitas sampel dan ada tidaknya peubah antara/penggangu

dan juga banyaknya

peubah pengganggu disebut Rancangan Lingkungan. Rancangan Lingkungan dengan materi homogen atau tidak ada peubah pengganggu disebut Rancangan Acak Lengkap (RAL), bila ada satu peubah pengganggu disebut Rancangan Acak Kelompok (RAK), bila ada dua peubah antara disebut Rancangan Bujur Sangkar Latin(RBSL) dan bila ada tiga peubah pengganggu disebut Rancangan Bujur Sangkar Griko Latin (BSGL). Sedangkan merancang suatu perlakuan

berdasarkan strategi melakukan

percobaan atau cara melakukan percobaan disebut Rancangan Perlakuan (Treament Design). Dalam merancang suatu perlakuan dikenal tiga yaitu cara kombinasi, tersarang dan berjenjang, cara ini dalam rancangan perlakuan disebut pula pola yaitu Pola Faktorial ,Pola Tersarang dan Pola Berjenjang (Split-Plot atau Petak terpisah). Disamping itu merancang suatu percobaan berdasarkan pula hasil yng ingin dicapai, merancang seperti ini disebut Rancangan Respon, rancangan renpon penting dalam menentukan rentang perhatian suatu perlakuan yang bersifat kuantitatif, sebab rentang perhatian ini sangat menentukan respons yang akan terjadi. Jadi Rancangan Percobaan (Experimental Design) terdiri dari Rancanag Lingkungan, Rancanan Perlakuan dan Rancangan Respons, rancangan percobaan harus dibuat sebelum melakukan suatu percobaan.


III.

ANALISIS DATA

Dewasa ini berbagai metode statistika makin banyak dipergunakan untuk analisis atau menguji data hasil percobaan, dan sebaliknya tidak jarang model-model matematis yang biasa dipakai untuk percobaan dipertimbangkan untuk menganalisis data yang dikumpulkan dengan metode bukan percobaan. Dewasa ini, fasilitas pengolahan data berupa komputer dengan berbagai program kemasan statistika yang tersedia makin canggih, dengan kemampuan dan kecepatan olah komputer yang makin tinggi, serta tenaga yang makin profesional lebih terbuka kemungkinan untuk memilih analisis yang lebih sesuai dan mendalam, dengan hasil yang lebih cermat serta dikerjakan dalam waktu yang singkat.

Mungkin saja selama

penyelenggaraan percobaan terjadi hal yang mengakibatkan penyimpangan terhadap apa yang telah direncanakan dan dipertimbangkan dalam bentuk anggapan-anggapan sebelumnya, sehingga rencana terutama analisis data hasil penelitian harus diubah sesui dengan kenyataan yang ada. Pemeriksaan kesesuaian model adalah suatu langkah penting dalam menganalisa data, model statistik yang digunakan tak lain dari suatu bayangan penyederhanaan atau penyarian bagi masalah yang dikaji.

Model dengan komponen-komponennya dan

anggapan-anggapan yang melandasinya perlu diperiksa dan dinilai secara kritis. Teknikteknik grafis umumnya dapat membantu dalam analisis data. Metode statistika adalah pedoman yang dapat dipergunakan untuk mengukur dan menguji kenetralan dan keabsahan dalam menafsir hasil percobaan. penggunaan metode statistika

Pemilihan dan

yang tepat, dalam analisis memungkinkan kita untuk

mengukur besarnya galat/kesalahan dalam menarik suatu kesimpulan atau memberi suatu taraf (selang) kepercayaan terhadap suatu pernyataan, dengan demikian batasbatas ketakpastian dapat diberikan.

Pemilihan Analisis atau Uji Statistika yang Cocok Dalam merencanakan suatu penelitian atau percobaan kemungkinan ada beberapa macam uji statistika yang dapat dipakai untuk kepentingan tersebut, oleh sebab itu perlu dengan pertimbangan untuk memilih salah satu diantaranya yang paling cocok dan menguntungkan dari segi ilmiah. Keampuhan uji dalam analisis statistika merupakan salah satu bagian penting dari suatu pengujian . Suatu uji statistika dikatakan baik atau memadai, bila dengan metode Penuntum Praktikum Rancangan Percobaan dengan SPS- 9

uji tersebut peluang untuk menolak H0 cukup kecil kalau H0 benar dan peluang akan besar kalau H0 salah. Apabila pada suatu saat menghadapi dua macam metode pengujian misal Uji A dan Uji B, kemudian ternyata kedua macam uji tersebut mempunyai peluang yang sama untuk menolak H0, dalam hal ini dapat dipilih salah satu diantaranya dengan jalan melihat peluang terbesar untuk menolak H0 bila

H0 salah.

Selain tingkat keampuhan uji, maka terdapat pertimbangan-pertimbangan lain dalam menentukan atau memilih salah satu uji statistik, pertimbangan tersebut didasarkan atas : 1. Bagaimana cara mengambil/menarik sampel atau melakukan percobaan 2. Keadaan atau sifat dari populasi yang diamati. 3. Satuan atau skala pengukuran apa yang dipergunakan dalam menilai respons hasil penelitian 4. Dasar teori serta tujuan dari penelitian yang dilakukan. Semua hal tersebut di atas, akan menentukan uji statistika mana yang akan dipilih atau digunakan, sehinga uji tersebut cukup memadai atau bahkan sangat cocok untuk menganalisis suatu data hasil pengamatan dari suatu penelitian. Pengujian statistik dilakukan

memenuhi

akan berlaku apabila model dan cara pengukuran yang

syarat-syarat

yang

dibutuhkan.

Kadang-kadang

perlu

dipertimbangkan apakah syarat yang diperlukan tersebut dipenuhi. Jadi dengan demikian, syarat-syarat model statistik dari suatu pengujian hanya merupakan asumsi saja , semua keputusan yang diambil dari beberapa uji statistika sekurang-kurangnya harus mempunyai kuilifikasi sebagai berikut : Kalau model yang dipakai tersebut sesuai dan bila pengujian yang dilakukan juga cukup memadai, maka hal ini menyatakan bahwa asumsi tersebut adalah lemah dan terbatas untuk suatu model tersebut.

Dengan ditariknya suatu

keputusan yang kurang kuat dari hasil uji statistik dengan model yang bersangkutan, maka kelemahan tersaebut harus dibantu dengan asumsi yang kuat untuk mengurangi kesalahan-kesalahan dalam menarik suatu kesimpulan.


Asumsi-asumsi dalam Uji Statistika Pengujian yang paling teliti adalah pengujian dengan asumsi yang kuat dan tepat.. Uji statistika parametrika (Uji t dan uji F) dapat dipakai jika ada asumsi-asumsi yang kuat untuk mendapatkan hasil yag baik.

Kalau asumsi yang dikemukakan memang benar,

maka uji t dan uji F adalah uji yang paling baik dalam memberikan nilai peluang untuk menolak H0 salah, dari asumsi yang dikemukakan tadi, dengan catatan data pengamatan memenuhi asumsi yang diperlukan untuk pengujian tersebut. Syarat-syarat atau asumsi-asumsi yang diperlukan untuk uji t dan uji F adalah sebagai berikut : 1. Pengamatan dilakukan secara acak atau bebas, artinya pemilihan setiap sampel dari populasi harus bebas terhadap kesempatan untuk dipilih. 2. Variabel atau Peubah respons yang diukur harus dalam skala interval atau rasional. 3. Data pengamatan yang diambil hendaknya

menyebar mengikuti sebaran

normal atau paling sedikit tidak melanggar sebaran normal. 4. Data pengamatan harus mempunyai varians/keragaman yang homogen antar perlakuan yang dibandingkan. Semua syarat-syarat tersebut diatas harus dipenuhi untuk melakukan uji t dan uji F, dalam penelitian biasanya syarat No.1 mudah/selalu dipenuhi, sedangkan syarat No. 2 tergantung dari kemampuan peneliti untuk menggunakan atau mencari skala pengukuran yang digunakan dalam penelitian. Syarat No. 1 dan 2 harus terpenuhi, sedangkan syarat No. 3 dan 4 bila tidak terpenuhi, maka dapat diusahakan supaya dapat terpenuhi dengan jalan melakukan transformasi data. Transformasi data bertujuan untuk mengubah data dari data yang tidak mengikuti sebaran

normal

dengan

keragaman

antar

perlakuan

tidak

homogen

menjadi

mengikuti/mendekati sebaran normal dengan keragaman antar perlakuan menjadi homogen, sehingga syarat No. 3 dan 4 tidak dlanggar. Transformasi data yang biasa dipergunakan adalah : 1. Transformasi akar Yi ( ( Yi ), transformasi ini digunakan jika data mengikuti _ sebaran Poisson. Ciri-cirinya adalah rata-rata ( Y. ) data hasil pengamatan masing-masing perlakuan hampir sama dengan variannya (  2), data yang mengikuti sebaran Poisson ini biasanya data dalam persen dengan persentase yang sangat kecil atau peluang kejadiannya sangat kecil atau sebaliknya yaitu Penuntum Praktikum Rancangan Percobaan dengan SPS- 11

sangat besar (mendekati O% atau 100%). Jika hasil pengamatan ada data yang nilainya 0, karena akar 0 tak terdifinisikan, maka transformasinya ini diubah menjadi

(Yi  1 atau

(Yi  ½)

2. Transformasi ArcSin √Yi , transformasi ini digunakan jika data mengikuti sebaran Ciri-ciri data yang mengikuti sebaran ini adalah rata-rata (ў) data

Binomial.

tersebut sebanding dengan variannya (т2), perlu diiangat bahwa ў = np dan т2 = np(1-p).

Data dalam satuan pengukuran persentase (Yi%) biasanya mengikuti

sebaran ini. 3. Transformasi Log Yi atau Ln Yi, transformasi ini biasanya digunakan bila data berkaitan dengan waktu dan rata-ratanya (ў) mengikuti rata-rata Geometrik. Ciriciri data ini adalah bila rata-rata (ў) suatu perlakuan semakin besar, maka variannya (т2) juga semakin besar, sehingga homogenitas ragam/varian antar perlakuan tidak terpenuhi. Data yang mempunyai ciri-ciri tersebut adalah data yang berkaitan dengan waktu misalnya jumlah mikroorganisme pada daging yang disimpan pada suhu dingin selama 10 hari, bobot badan ayam dari minggu ke minggu. 4. Transformsi kebalikan (1/Yi), transformasi ini diguakan jika rata-rata data mengikuti rata-rata Harmonik. Data ini diperoleh jika satuan pengukuran yang digunakan dalam penelitian dari dua satuan (misalnya Rp./butir, jumlah anak/jumlah induk dan sebagainya, sehingga jika satuan tersebut tidak rasional maka perlu dibalik atau diharmoniskan dalam analisis data. 5. Transformasi Ln(A – Yi) atau Ln[(A – Yi)/Yi], disini A adalah nilai maksimum dari respons yang mungkin dicapai atau nilai maksimum teoritis.

Transformasi ini

digunakan jika nilai A diketahui atau dapat diduga dan data tidak linear dalam urutan waktu. Dalam hal ini data mengikuti kurva Logistik atau Sigmoid. Homogonitas Varian/ragam antar perlakuan dianggap homogen bila perbandingan antara ragam terbesar dengan terkecil lkurang dari 3 (ragam terbesas/ragam terkecil < 3), dan dapat juga diuji dengan menggunakan uji Bartlett atau Uji Cochran. Kedua uji ini memberikan keputusan apakah transformasi yang kita lakukan sudah dapat diterima atau tidak, jika telah berubah melakukan berbagai tranformasi data ternyata homogenitas ragam juga tetap dilanggar atau tidak memenuhi, maka uji t ataupun uji F tidak bisa kita paksakan untuk digunakan.

Dengan kata lain kita harus menggunakan analisis/uji lain

selain uji t dan uji F, yaitu dengan menerapkan analisis Statistika Nonparametrika.


Kenormalan data dapat diketahui dengan menggunakan teknik-teknik grafis atau dengan uji Chi-Square (X2). Teknik-teknik grafis biasanya jauh lebih baik dan komunikatif digunakan karena dapat menarik kesimpulan yang lebih luwes sesuai dengan keadaan data dan tujuan transformasi yang diinginkan. Pelanggaran syarat nomor 3 dan 4 biasanya berkaitan dengan jumlah sampel, makin banyak jumlah sampel kemungkinan pelanggaran syarat nomor 3 dan 4 akan semakin kecil jika syarat nomor 1 dan 2 telah terpenuhi.

Jadi jumlah sampel juga sangat

menentukan homogenitas ragam dan kenormalan data (ingat syarat jumlah sampel minimum).


IV. PROGRAM SPSS Berbagai perangkat lunak khusus statistik telah beredar, SPSS adalah yang paling popular dan paling banyak digunakan di seluruh dunia (Singgih, 2001), SPSS banyak dipakai dalam menganalisis data dari berbagai hasil riset atau percobaan pada berbagai bidang ilmu. SPSS sebagai perangkat lunak, pertama kali dibuat tahun 1968 oleh tiga mahasiswa Stanford University, yang dioperasikan pada komputer mainframe SPSS menjalankan berbagai kebijakan strategis antara tahun 1984 – 1998, untuk mengembangkan software statistik dan juga menjalin aliansi stratergis dengan software house terkemuka lainnya. Hal ini membuat SPSS yang tadinya ditujukan bagi pengelola data statistik untuk ilmu sosial (SPSS adalah singkatan dari Statistical Package for the Social Sciences), diperluas untuk melayani berbagai bidang ilmu sehingga SPSS berubah menjadi Statistical Product and Service Solutions. SPSS berkembang pada berbagai versi, dalam hal ini yang dibicarakan pada buku ini adalah SPSS versi 13, yaitu SPSS 13. 0 for Windows.Inc.

4.1. Memasukkan Data pada SPSS. Teladan 1. Misalnya kita punya data berat badan 12 ekor sapi Bali dengan jenis kelamin jantan dan betina serta umur 1, 2 dan 3 tahun, seperti Tabel berikut : Tabel 1. Data Berat Sapi Bali Jantan dan Betina Umur 1, 2 dan 3 Tahun Jenis kelamin

Jantan

Betina

Umur

Berat (Kg)

(Tahun)

1

2

1

1804

183.5

2

255.3

254.4

3

330.1

355.3

1

179.1

180.3

2

240.3

235.4

3

260.4

250,5

Bila kita ingin mengolah dat diatas dengan SPSS, computer harus sudah di Intal dengan program SPSS 13.0, untuk menjalankannya Klik Stast, kumudian cari Program cari SPSS Windows►Klik SPSS 13.0 for Windows, maka Muncul Gambar 4.1.


Gambar 1.4. SPSS for Windows Klik OK, Klik tanda X, hingga kotak data Gambar 4.1 menghilang dan muncul Gambar 2.4.

Gambar 2.4 Menu Utama SPSS Setelah Muncul Gambar 2.4, Lalu Klik Variable View, maka muncul Gambar 3.4


Gambar 3.4 Kotak Variable View Ketik pada Kolom Name JK, Umur, Ulangan dan Berat, pada Kolom Type pilih Numerik, pada Kolom Width Klik atau pilh angka 8, pada Kolom Decimals pilih atau ketik angka 0 pada baris JK, Umur dan Ulangan, sedangkan pada baris Berat pilih atau ketik angka 1 (karena berat 1 desimal dibelakang koma).

Kolom Label diisi dengan Jenis Kelamin, Umur (Tahun), Ulangan dan Berat

Kg), perhatiakan Gambar 3.4 Perhatikan JK (Jenis Kelamin) merupakan factor atau Variabel Kualitatif yaitu Jantan dan Betina, maka perlu definisikan 1 Jantan dan 2 betina, dengan janan meng Klik kolom Values pada baris 1 di pojok kanan atas maka muncul Gambar 4.4.

Gambar 4.4. Kotak Dialog Value Labels Ketik angaka 1 pada Value dan Jantan pada Value label, lalu Klik Add Ketik lagi angka 2 pada Value dan Betina pada Value Label, Lalu Klik Add Klik OK, maka layer kembali ke Gambar 3.4, Kemudian Klik Data View pada pojok kiri bawah maka Muncul Gambar 5.4.


Gambar 5.4. Kotak Data View Lengkapi atau ketik data pada Gambar 5.4. pada kolom JK, Umur, Ulangan dan Berat seperti tampak pada layer. Gambar 5.4 Setelah selesai memasukan data pada Gambar 5.4, lalu data disimpan dengan meng Klik File, pilih Save AS, berikan nama, misalnya Berat Sapi. Ingat tempat menyimpannya, data tersebut bisa dipanggil sewaktu-waktu melalu SPSS, dengan Meng Klik File, kemudian open dan selanjutnya pilih Data. Dalam Program SPSS data, Output dan Syntax disimpan pada tempat yang berbeda.

4.2. Analisis Data pada SPSS. Kemampuan SPSS untuk mengolah data berupa tranformasi data, penyajian data dalam berbagai bentuk Tabel maupun Grafik, analisis data deskriptif maupun inferensial sangat baik digunakan pada berbagai data hasil penelitian, dan memberikan hasil yang sangat komunikatif. Proram SPSS juga dapat melakukan proses otomatisasi program yang disebut Syntax, yaitu berupa ringkasan prosedur statistika.


Tranformasi data, merupakan perubahan data yang disediaka oleh SPSS, baik berupa operasi penjumlahan perkalian, kuadrat, akar, log , sinus dan sebagainya, juga sebaran peluang yaitu berupa sebaran binom , sebaran normal, sebaran F, t dan sebagainya. Sebagai contoh penggunaan tranformasi data, kita panggil data Berat sapi, Klik File, kemudian Open, klik dan pilih Data, kemudian cari File Sapi Bali, lalu pada lakukan Transformasi data. Klik Tranform Gambar 5.4, kemudian pilih dan Klik Compute : Jika Umur dikuadratkan, maka Ketik UU pada Target Variable dan Umur*Umur pada Numeric Expression, kemudian Klik OK Jika berat ingin diakarkan, maka Ketik AkarBerat pada Target Variable dan SQRT(Berat) pada Numeric Expression, kemudian Klik OK,

Gambar 6.4. Kotak Dialog Cumpute Variable.


Hasil Transformasi adalah sebagai berikut :

Gambar 5.4. Kotak Data View setelah Tranformasi Data

Mencari Ukuran Pemusatan dan Penyebaran Data, ukuran pemusatan Berupa Mean, Median Modus, sedangkan ukuran penyebaran data yaitu berupa Standar Deviasi, Range, Standar Error dan sebagainya. Klik Analyze, pilih Compare Means ►Klik Means, maka muncul pada layar Gambar 6.4 Klik Berat, pindahkan dengan tanda ►ke Dependen List Klik Berat, pindahkan dengan tanda ►ke Independent List Klik Umur, pindahkan dengan tanda ►ke Independent List Kemudian untuk mencari ukuran pemusatan dan penyebaran data yang diinginkan Klik Options pada Gambar 6.4., maka muncul gambar 7.4.


Gambar 6.4. Kotak Dialog Means

Gambar 7.4. Kotak Dialog Means Options Klik Ukuran pemusatan atau penyebaran data yang diinginkan pada Kolom Statistics, pindahklan dengan tanda ►ke Cell Statistics, kemudian Klik Continue, maka akan kembali ke Gambar 6.4 Klik OK Penuntum Praktikum Rancangan Percobaan dengan SPS- 20

Means Berat (Kg) * Jenis Kelamin Berat (Kg) Jenis Kelamin Jantan Betina Total

Mean 259.833 224.333 242.083

N 6 6 12

Std. Deviation 72.4392 35.6311 57.4977

Median 254.850 237.850 245.400

Std. Error of Range Mean 174.8 29.5732 81.3 14.5464 176.2 16.5982

Berat (Kg) * Umur (Tahun) Berat (Kg) Umur (Tahun) 1 2 3 Total

Mean 180.825 246.350 299.075 242.083

N 4 4 4 12

Std. Deviation 1.8246 10.0235 51.5722 57.4977

Median 180.400 247.350 295.250 245.400

Range 4.3 19.9 104.8 176.2

Std. Error of Mean .9123 5.0117 25.7861 16.5982

Membuat grafik dengan SPSS, dalam pembuatan grafik kita harus memperhatikan peubah bebasnya yaitu apakah kulitatif atau kuanditatif, perhatikan pula peubah terikatnya atau respons penelitian yang diperhatikan adalah sekala pengukurannya apakah nominal, ordinal, interpal atau rasional. Sebagai contoh jenis kelamin pada data Berat Sapi adalah merupakan peubah bebas kualitatif, dengan peubah terikat berat badan dengan skala pengukuan rasional, maka grafik Bar yang dibuat sebagai berikut: Data berat sapi yang telah tampil pada Layar Komputer (Gambar 5.4): Klik Graph, kemudian pilih Bar, Simple, Define, maka muncul Gambar 8.4 Klik Other statistic (e.g. mean) Kelik Berat, pindahklan dengan tanda ►ke Variable Klik Jenis Kelamin, pindahkan dengan tanda ►ke Category Axis Klik OK


Gambar 8.4. Kotak Dialog Define Simpel Bar

Graph 300.0

Mean Berat (Kg)

250.0

200.0

150.0

100.0

50.0

0.0 Jantan

Betina

Jenis Kelamin


Jika kita menggambar grafik Umur pada jenis kelamin jantan dan betina dengan berat badan sapi Bali, maka kita menggunakan garis, karena umur adalah merupakan peubah bebas kuantitatif , dengan peubah terikat berat badan dengan skala pengukuan rasional, maka grafik yang dibuat sebagai berikut: Data berat sapi yang telah tampil pada Layar Komputer (Gambar 5.4) : Klik Graph, kemudian pilih Line, Multiple, Define, maka muncul Gambar 9.4 Klik Other statistic (e.g. mean) Kelik Berat, pindahkan dengan tanda ►ke Variable Klik Umur, pindahkan dengan tanda ►ke Category Axis Klik Jenis Kelamin, pindahkan dengan tanda ►ke Define Lines by Klik OK

Gambar 9.4. Kotak Dialog Define Multiple Lines


Graph

Menganalisis pengaruh Jenis Kelamin dan Umur terhadap Berat Badan sapi bali atau ingi mengetahui perbedaan berat badan antar jantan dan Betina dan antara umur 1, 2 dan 3 tahun, maka kita bisa melakukan analisis ragam dan uji LSD, Duncan dan sebagainya, hal ini akan dibicarakan pada bab berikutnya. Penggunaan Syntax pada analisis data adalah sangat penting untuk menjelaskan Model Matematis pada Rancangan Percobaan, sebagi contoh kita gunakan data Berat Sapi Klik Analyze, pilih General linear Model, ►Klik Univariate, maka muncul Gambar 9.4 Klik Berat, pindahkan dengan tanda ►ke Dependent Variable Klik Jenis Kelamin, pindahkan dengan tanda ►ke Fixed Factor(s) Klik Umur, pindahkan dengan tanda ►ke Fixed Factor(s)


Gambar 9.4. Kotak Dialoge Univariabe

Klip Paste, maka muncul Gambar 10. 4. Jika Model Matematis : Yijk =

µ + Ki + Uj + єijk

K i (Jenis Kelamin) dan Uj (Umur) , maka sintaknya :

Gambar 10.4. Kotak Dialog Syntax1 SPSS Untuk menjalankan Syntax Klik tanda ►pada kotak dialog Gambar 10.4

Univariate Analysis of Variance Tests of Between-Subjects Effects Dependent Variable: Berat (Kg) Type III Sum of Source Squares Df Mean Square Corrected 31856.102(a) 3 10618.701 Model Intercept 703252.083 1 703252.083 JK 3780.750 1 3780.750 Umur 28075.352 2 14037.676 Error 4509.735 8 563.717 Total 739617.920 12 Corrected 36365.837 11 Total a R Squared = .876 (Adjusted R Squared = .829)

F

Sig.

18.837

.001

1247.527 6.707 24.902

.000 .032 .000


Jika Model Matematis : Yijk =

µ + Ki + Uj + KUij + єijk

K i (Jenis Kelamin), Uj (Umur)

dan KUij Interaksi Jenis Kelamin dengan Umur, maka

Syntaxnya :

Gambar 11.4. Kotak Dialog Syntax2 SPSS Untuk menjalankan Syntax Klik tanda ►pada kotak dialog Gambar 11.4

Univariate Analysis of Variance Tests of Between-Subjects Effects

Dependent Variable: Berat (Kg) Type III Sum of Source Squares Df Mean Square Corrected 35981.977(a) 5 7196.395 Model Intercept 703252.083 1 703252.083 JK 3780.750 1 3780.750 Umur 28075.352 2 14037.676 JK * Umur 4125.875 2 2062.938 Error 383.860 6 63.977 Total 739617.920 12 Corrected 36365.837 11 Total a R Squared = .989 (Adjusted R Squared = .981)

F

Sig.

112.485

.000

10992.321 59.096 219.419 32.245

.000 .000 .000 .001

Untuk model matematis yang lain dan pembahasan hasilnya dibicaran pada BAB selanjutnya.


V. RANCANGAN ACAK LENGKAP (RAL) Syaratnya adalah hanya ada satu peubah bebas (independent variable) yang disebut perlakuan, jadi tidak ada peubah lain selain perlakuan yang mempengaruhi respons hasil penelitian (dependent variable). Model Matematis

Yij = µ + Pi + єij

i = 1, 2, 3,…………,p dan j = 1, 2, 3,…………,u

Disini : Yij : Pengamatan perlakuan ke-i dan ulagan ke-j

µ : Rataan Umum Pi : Pengaruh perlakukan ke-i dan

Єij : Galat perlakuan ke-I dan ulangan ke-j Teladan 2. Seorang peneliti ingin mengetahui pengaruh lama desinfeksi H2O2 terhadap log jumlah bakteri E coli pada limbah RPH dengan dosis 30% . Untuk tujuan tersebut dilakukan penelitian dengan lama desinfeksi 0, 2, 4 dan 8 jam dengan ulangan masing-masing sebanyak 5 kal;i. Tabel 2. Data Jumlah E. coli (Log E. coli) Ulangan

Lama Desinfeksi (i) dalam jam

(j)

0

2

4

6

1

6.88

5.78

5.62

4.73

2

6.87

5.71

5.51

4.80

3

6.75

6.07

5.58

4.86

4

6.82

6.02

5.60

4.85

5

6.78

5.95

5.52

4.88

Memasukkan data melalui Program SPSS for Windows, yaitu : SPSS 13.0 for Windows Kompurter telah siap dengan Program SPSS, Klik

Variable View pada pojok kiri bawah,

ditunjuk pada Gambar 1.5. dibawah kemudian ketik pada Kolom Name L, Ulangan dan Ecoli, Kolom Type Numeric, kolom Decimals 0, 0 dan 2 dan kolom Label Lama desinfeksi (jam), Ulangan dan Log E coli


Gambar 1.5. Kotak Dialog Variable View Klik Data View, lalu saling data pada Tabel 2., pada seperti Tabel dibawah ini

Gambar 2.5 Data View


5.1. Analisis Deskriptif. Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data, dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya adalah Std Deviation (Standar Deviasi). Dan hasil penelitian diharapkan rataannya berbeda antar perlakuan (meningkat atau menurun) sedangkan standar deviasinya diharapkan tidak begitu berbeda antar perlakuan (homogen).

Analisis Data Klik Analyze pada Gambar 2.5, pilih Compare Means lalu Klik Means Log Jumlah Ecoli pindahkan dengan tanda► ke kotak Dependent List Lama Deseinfeksi pindahkan dengan tanda ►ke kotak Independent List

Gambar 3.5. Kotak Diolog Means Klik OK untuk mendapatkan hasil analisisnya

Means Report Log Jumlah Ecoli Lama Desinfeksi (Jam) 0 2 4 6 Total

Mean 6.8200 5.9060 5.5660 4.8240 5.7790

N 5 5 5 5 20

Std. Deviation 5.612E-02 .1550 4.879E-02 6.025E-02 .7405

. 5.2. Analisis Ragam Analisis Ragam (Analisis Varian) dilakukan untuk menguji pengaruh perlakuan (Lama Desinfeksi H2O2) terhadap Log jumlah E coli pada limbah RPH, apakah ada pengaruhnya atau


tidak. Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada perbedaan mean (rataan) jumlah E coli antara perlakuan lama desinfeksi 0, 2, 4 dan 8 jam, yaitu dengan melakukan uji LSD atau Uji Duncan. Prosedur analisis ragam dan uji rataannya sebagai berikut : Klik

Analyze pada Gambar 2.5. pilih General Linear Model, lalu Klik Univariate, maka

muncul Gambar 4.5. Klik Log Jumlah Ecoli pindahkan dengan tanda ► ke Dependent Variable Klik Lama Desinpeksi pindahkan dengan tanda► ke Fixed Factor(s)

Gambar 4.5. Kotak Diolog Univariabe Klik Post Hoc, pindahkan L dengan tanda ► ke Post Hoc Test for pada Gambar 4.5 , maka muncul Gambar 5,5. seperti dibawah ini, lalu centang (V) LSD dan Duncan


Gambar 5.5 Kotak Dialog Post Hoc Klik Continue maka layar kembali ke Gambar 4.5 Klik Paste, maka muncul Gambar 6.5. dibawah ini Periksa Syntax didalam tampilan dibawah ini, terutama : /DESIGN=L. jika beda bisa diperbaiki

seperti mengetik biasa Paste…………….…………Syntax-SPSS

Gambar 6.5. Kotak Dialog Syntax Untuk menjalankan Syntak Klik tanda ►(Run Current) pada tampilan diatas


Univariate Analysis of Variance Tests of Between-Subjects Effects Dependent Variable: Log Jumlah Ecoli Source Type III Sum of df Mean Square F Squares Corrected 10.286 3 3.429 413.218 Model Intercept 667.937 1 667.937 80498.562 LD 10.286 3 3.429 413.218 Error .133 16 8.297E-03 Total 678.356 20 Corrected 10.419 19 Total a R Squared = .987 (Adjusted R Squared = .985) Kesimpulan dari table diatas adalah Lama

Sig. .000 .000 .000

Desinfeksi H2O2 (LD) berpengaruh

sangat nyata (P<0,01), terhadap jumlah E coli limbah RPH, hal ini dapat diperhatikan dari nilai F nya yang lebih besar dari F Tabel (lihat Tabel F (0,01) db 3; 16) atau Sig 0,00 (P<0,01)

Post Hoc Tests Lama Desinfeksi (Jam) Multiple Comparisons Dependent Variable: Log Jumlah Ecoli

(I) Lama Desinfeksi (Jam) 0

2

4

6

(J) Lama Mean Desinfeksi Differen (Jam) ce (I-J) 2 .9140 4 1.2540 6 1.9960 0 -.9140 4 .3400 6 1.0820 0 -1.2540 2 -.3400 6 .7420 0 -1.9960 2 -1.0820 4 -.7420

Std. Error Sig. 95% Confidence Interval Lower Upper Bound Bound 5.761E-02 .000 .7919 1.0361 5.761E-02 .000 1.1319 1.3761 5.761E-02 .000 1.8739 2.1181 5.761E-02 .000 -1.0361 -.7919 5.761E-02 .000 .2179 .4621 5.761E-02 .000 .9599 1.2041 5.761E-02 .000 -1.3761 -1.1319 5.761E-02 .000 -.4621 -.2179 5.761E-02 .000 .6199 .8641 5.761E-02 .000 -2.1181 -1.8739 5.761E-02 .000 -1.2041 -.9599 5.761E-02 .000 -.8641 -.6199

Based on observed means. * The mean difference is significant at the .05 level.


Homogeneous Subsets (a) Log Jumlah Ecoli (b) Duncan Lama Desinfeksi (Jam)

N

Subset 3

1 2 4 6 5 4.8240 4 5 5.5660 2 5 5.9060 0 5 6.8200 Sig. 1.000 1.000 1.000 1.000 Means for groups in homogeneous subsets are displayed. Based on Type III Sum of Squares The error term is Mean Square(Error) = 8.297E-03. a Uses Harmonic Mean Sample Size = 5.000. b Alpha = .05. Kesimpulan dari Uji BNT (LSD) dan uji Duncan terjadi penurunan jumlah E coli yang sangat nyata (P<0,01) dari hari ke- 0 sampai dengan hari ke- 6, hal ini dapat dilihat dari Sig. pada Uji LSD yaitu 0,00 (P<0,01) dan Subset pada uji Duncan dimana semua ratarata terletak pada sunset yang berbeda.

5.3. Analisis Regresi Analisis Regresi dilakukan untuk mencari bentuk hubungan antara Lama Desinfeksi H2O2 (L) dengan Log jumlah E coli (Y), hal ini perlu dilakukan karena perlakuan bersifat kuantitatif dengan bentuk persamaan : Y = o + 1L +2L2 + 3L3 Digunakan pangkat 3 atau derajat polinom kubik , karena L = 4 atau P = 4, derajat polinom p – 1 = 4–1=3


Kembali ke data SPSS, Klik Transform Gambar 2.5. Compute, maka muncul tampilan Gambar 7.6 dibawah ini

Gambar 7.5. Compute Variable Ketik LL pada Target Variable dan L*L pada Numeric Expression Kelik OK Kemudian LL diganti dengan LLL dan L*L diganti dengan L*L*L Klik OK, maka diperoleh tampilan seperti Gambar 8.5


Gambar 8.5. Gambar. Data View Hasil transformasi Setelah tampilan diatas muncul : Klik Analyze, pilih atau Klik Regression, lalu Klik Lenear, maka muncul tampilan seperti dibawah ini. Klik Lama Desinfksi (jam) , LL dan LLL pindahkan dengan tanda ►ke Indedent(s) Klik Log Jumlah Ecoli pindahkan dengan tanda ►ke Dependent

Klik OK


Gambar 9.5. Kotak Dialog Linier Regression Regression Model Summary Model R R Adjusted R Std. Error of the Estimate Square Square 1 .994 .987 .985 9.109E-02 a Predictors: (Constant), LLL, Lama Desinfeksi (Jam), LL

ANOVA Model Sum of Squares Df Mean Square F Sig. 1 Regression 10.286 3 3.429 413.218 .000 Residual .133 16 8.298E-03 Total 10.419 19 a Predictors: (Constant), LLL, Lama Desinfeksi (Jam), LL b Dependent Variable: Log Jumlah Ecoli Coefficients Unstandardized Standardized T Sig. Coefficients Coefficients Model B Std. Error Beta 1 (Constant) 6.820 .041 167.416 .000 Lama Desinfeksi -.763 .078 -2.364 -9.765 .000 (Jam) LL .194 .035 3.758 5.610 .000 LLL -2.033E-02 .004 -2.443 -5.357 .000 a Dependent Variable: Log Jumlah Ecoli Jadi persamaannya : Y = 6.820 – 0.763L + 0.194L2 – 0.02033L3 Kita menggambar persamaan diatas dengan SPSS Klik Variable View, maka muncul tampilan Gambar 11.5. dibawah Penuntum Praktikum Rancangan Percobaan dengan SPS- 36

Kemudian lengkapi Name dengan mengetik L dan Y Lengkapi Label dengan mengetik Lama Desinfeksi (jam() dan Log Jumlah E coli

Gambar 10. 5. Kotak Dialog Variable View Klik data View pojok kiri bawah, kemudian ketik pada Kolom L 0,1, sampai dengan 10. Klik Transform , kemudin Klik Compute, maka muncul tampilan Gambar 11.5 : Ketik Y pada Target Variable Ketik 6.820 – 0763*L + 0.194*L*L – 0.02033*L*L*L pada Numeric Expression Klik OK

Gambar 11. 5. Kotak Dialog Compute Variable Bila muncul change existing variable Klik OK lagi , maka diperoleh hasil seperti dibawah ini.


Gambar 12. 5. Data View Klik Graphs, kemudian pilih Line, Simple Klik Difine, maka muncul tampilan Gambar 13. 5. dibawh ini

Gambar 13. 5. Kotak Dialog DefineSimple Line


Klik Othes statistic (e.g. mean)) Klik Log Jumlah E coli pindahkan dengan tanda ►ke Variable Klik Lama Desinfeksi (jam) pindahkan dengan tanda ►ke Category Axis Klik OK

Graph 7.00

Mean Log Jumlah E coli

6.00

5.00

Y = 6.820 – 0.763L + 0.194L2 - 0.02033L3

4.00

3.00

2.00

0

1

2

3

4

5

6

7

8

Lama Desinfeksi (jam)

Keterangan : Semakin lama didesinfeksi nilai log jumlah bakteri E coli semakin menurun, penurunannya mula-mula cepat kemudian lambat dan akhirnya bertambah cepat.


VI. RANCANGAN ACAK KELOMPOK (RAK) Syarat : Ada satu peuabah bebas yang disebut perlakukan Ada satu peubah sampingan/pengganggu yang disebut kelompok Model Matematis : Yij =

µ + Ki + Pj + єij

i = 1, 2, 3,…………,k dan j = 1, 2, 3,…………,p Disini :

µ

Yij : Pengamatan Kelompok ke-i dan Perlakuan ke-j : Rataan Umum Ki : Pengaruh Kelompok ke-i Pj : Pengaruh Perlakuan ke-j dan

Єij : Galat Kelompok ke-i dan Perlakuan

ke-j

Teladan 3. Seorang peneliti ingin mengetahui pengaruh Jenis antibiotika (A, B, C, dan D) terhadap diameter Zone Bakteri Coliform. Peneltitian ini dilakukan sebanyak 5 kali setiap minggu sekali Tabel 3. Data Diameter Zona Bakteri Coliform yang diperoleh sebagai berikut : Kelompok Jenis Antibiotika (j) (i) A B C D 1 14.50 14.33 13.00 10.00 2 15.50 15.0 11.00 11.50 3 16.50 14.00 13.00 10.00 4 17.00 14.33 12.00 9.50 5 16.20 12.00 13.00 9.20 Memasukkan data melalui Programe …SPSS for Windows-..SPSS 13.0 for Windows Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah, ditunjuk pada Gambar 1.6 dibawah kemudian ketik pada Kolom Name ketik JA, Kelompok dan Zona, Kolom Type Numeric, kolom Label ketil Jenis Antibiotika, Kelompok dan Zona Bakteri Koliform.

Gambar 1.6. Kotak Dialog Variable View Penuntum Praktikum Rancangan Percobaan dengan SPS- 40

Kemudian pada baris 1 (jenis Antibiotika) yaitu kolom Values Klik pada sisi kanannya, maka muncul Gambar 2.6 :

Gambar 2.6. Kotak Dialog Variable Label Ketik angka 1 pada Value dan A pada Value Label, kemudian Klik Add Ketik angka 2 pada Value dan B pada Value Label, kemudian Klik Add Ketik angka 3 pada Value dan C pada Value Label, kemudian Klik Add Ketik angka 4 pada Value dan D pada Value Label, kemudian Klik Add Kelik OK, kembali ke Gambar 1.6, kemudian Klik Data View pada pojok kiri bawah, maka muncul Gambar 3.6, Salinlah data Tabel 3. sesuai dengan yang tampak pada Gambar 3.6.


Gambar 3.6. Data View

6.1. Analisis Deskriptif. Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data, dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya adalah Std Deviation (Standar Deviasi).

Dari hasil penelitian diharapkan rataannya berbeda antar

perlakuan (meningkat atau menurun) sedangkan standar deviasinya diharapkan tidak begitu berbeda antar perlakuan (homogen). Klik : Analyze pada Gambar 3.6, pilih Compare Means, lalu Klik Means, maka muncul Gambar 4.6. Klik Zona Bakteri Koliform pindahkan dengan tanda► ke kotak Dependent List Klik Jenis Antibiotika dan Kelompok pindahkan dengan tanda ►ke kotak Independent List


Gambar 4.6. Kotak Dialog Means Klik OK

Means Zona Bakteri Coliform * Jenis Antibiotika Zona Bakteri Coliform Jenis Antibiotika N Mean Std. Deviation A 5 15.9400 .9711 B 5 13.9320 1.1396 C 5 12.5000 1.0000 D 5 10.0400 .8849 Total 20 13.1030 2.3897 Zona Bakteri Coliform * Kelompok (c) Zona Bakteri Coliform Kelompok 1 2 3 4 5 Total

N 4 4 4 4 4 20

Mean 12.9575 13.2500 13.5000 13.2075 12.6000 13.1030

Std. Deviation 2.0826 2.3274 2.6771 3.2066 2.8891 2.3897

6.2. Analisis Ragam Analisis

Ragam (Analisis Varian) dilakukan untuk menguji pengaruh perlakuan (jenis

Antibiotika) terhadap zona bakteri Koliform, apakah ada pengaruhnya atau tidak, juga untuk mengetahui apakah ada pengaruh waktu pengambilan (Kelompok) terhadap Zona Bakteri koliform. Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada perbedaan antara nilai mean (rataan) Zona Bakteri koliform antara jenis Antibiotika A, B, C dan D yaitu dengan melakukan uji LSD atau Uji Duncan. Prosedur analisis ragam dan uji rataannya sebagai berikut :


Klik

Analyze pada Gambar 3.6., pilih General Linear Model, lalu Klik Univariate, maka

muncul Gambar 5.6 seperti tampilan dibawah ini : Klik Zona bakteri Koliform pindahkan dengan tanda ► ke Dependent Variable Klik Kelompok pindahkan dengan tanda► ke Fixed Factor(s) Klik Jenis Antibiotika pindahkan dengan tanda► ke Fixed Factor(s)

Gambar 5.6. Kotak Dialog Univariete Klik Post Hoc, maka muncul Gambar 6.6 dibawah ini : Klik JA dan pindahkan dengan tanda► ke Post Hoc Tests for Kemudian Centang LSD dan Duncan Klik Continu, maka kembali ketampilan diatasnya yaitu Gambar 5.6


Gambar 6.6. Kotak Dioalog Univaiate Post Hoc Setelah kembali ke Gambar 5.6 Klik Paste, maka muncul Gambar 7.7 seperti tampilan dibawah ini :

Gambar 7.7 Kotak Diolog Syntax Perhatikan : /DESIGN = Kelompok JA Jika tidak sama, mungkin pada Komputer tertulis : /DESIGN = Kelompok JA Kelompok*JA, harus diganti Klik ► untuk mendapatkan hasil analisisnya


Univariate Analysis of Variance Tests of Between-Subjects Effects Dependent Variable: Zona Bakteri Coliform Source

Type III Sum of Squares 94.264

df

Mean Square

Corrected 7 13.466 Model Intercept 3433.772 1 3433.772 JA 92.407 3 30.802 KELOMPOK 1.857 4 .464 Error 14.241 12 1.187 Total 3542.278 20 Corrected 108.506 19 Total a R Squared = .869 (Adjusted R Squared = .792)

F

Sig.

11.347

.000

2893.342 25.954 .391

.000 .000 .811

Kesimpulan : Jenis Antibiotika berpengaruh sangat nyata (P<0,01) terhadap diameter Zona bakteri Coliform Kelompok atau hari pengambilan sampel tidak berpengaruh nyata (P>0,05) atau P=0,811 terhadap diameter zona bakteri Coliform.

Jenis Antibiotika Multiple Comparisons Dependent Variable: Zona Bakteri Coliform Mean Std. Error Sig. 95% Confidence Interval Differenc e (I-J) (I) Jenis (J) Jenis Lower Bound Upper Bound Antibiotika Antibiotika A B 2.0080 .6890 .013 .5068 3.5092 C 3.4400 .6890 .000 1.9388 4.9412 D 5.9000 .6890 .000 4.3988 7.4012 B A -2.0080 .6890 .013 -3.5092 -.5068 C 1.4320 .6890 .060 -6.9190E-02 2.9332 D 3.8920 .6890 .000 2.3908 5.3932 C A -3.4400 .6890 .000 -4.9412 -1.9388 B -1.4320 .6890 .060 -2.9332 6.919E-02 D 2.4600 .6890 .004 .9588 3.9612 D A -5.9000 .6890 .000 -7.4012 -4.3988 B -3.8920 .6890 .000 -5.3932 -2.3908 C -2.4600 .6890 .004 -3.9612 -.9588 Based on observed means. * The mean difference is significant at the .05 level.

Homogeneous Subsets


Zona Bakteri Coliform Duncan Jenis Antibiotika N 1 10.0400

Subset 2

3

D 5 C 5 12.5000 B 5 13.9320 A 5 15.9400 Sig. 1.000 .060 1.000 Means for groups in homogeneous subsets are displayed. Based on Type III Sum of Squares The error term is Mean Square(Error) = 1.187. a Uses Harmonic Mean Sample Size = 5.000. b Alpha = .05. Kesimpulan : Hasil Uji LSD = Uji DUNCAN Diameter Zona bakeri Coliform yang diberikan Jenis Jenis Antibiotika D nyata (P<0,05) lebih kecil dibandingkan dengan jenis antibiotika yang lain Diameter Zona bakteri Coliform yang diberikan jenis antibiotika C tidak berbeda nyata (P>0,05) dibandingan dengan jenis antibiotika B. Diameter Zona bakteri Coliform Jenis Antibiotika A nyata (P<0,05) paling besar dibandingkan dengan diameter zona bakteri Coliform jenis antibiotika yang lainnya

6.3. Analisis Regresi Oleh karena Jenis Antibiotika merupakan peubah kualitatik maka kita tidak bias melakukan analisis regresi antara Jenis Antibiotika dengan Diameter Zona bakteri Coliform, hanya bias digambar dalam bentuk grafik Histogram Klik Graphs, kemudian pilih Bar, kemudian Simple Klik Define, maka muncul tampilan dibawah ini : Klik Other statistic (e.g. mean) Klik Zona Bakteri Koliform dan pindahkan dengan tanda►ke Variable Klik Jenis Antibiotika dan pindahkan dengan tanda►ke Category Axis Klik OK, maka diperoleh Gambar Histogram.


Graph

Mean Zona Bakteri Koliform

15

10

5

0 A

B

C

D

Jenis Antibiotika


VII. RANCANGAN ACAK KELOMPOK SUB-SAMPLING Jika Rancangan Acak Kelompok (RAK) kelompoknya terbatas dan perlakuannya tidak bias atau tidak mungkin

diperbanyak, maka hasil penelitiannya kurang dijamin kekonsistensinya atau

sampelnya dianggap kurang banyak, sehingga perlu ditambah sampel pada tiap kelompoknya untuk memperbanyak jumlah contoh atau memperbesar derajat bebas galatnya. Rancangan Acak Kelompok dengan melakukan pengulangan pada kelompoknya disebut Rancangan Acak Kelompok Sub-Sampling. Jika kita kembali ke RAK, maka modelnya sebagai berikut : Model Matematis RAK : Yij =

µ + Ki +

є

Pj + ij

i = 1, 2, 3,…………,k dan j = 1, 2, 3,…………,p Disini : Yij : Pengamatan Kelompok ke-i dan Perlakuan ke-j

µ

: Rataan Umum Ki : Pengaruh Kelompok ke-i Pj : Pengaruh Perlakuan ke-j dan

Єij : Galat Kelompok ke-i dan Perlakuan

ke-j

Jika dilakukan pengulangan pada tiap kelompoknya, maka modelnya menjadi sebagai berikut : Model Matematis RAK Sub-Samling : Yijk = i = 1, 2, 3,…………,k

µ + Ki + Pj + єij + єijk

j = 1, 2, 3,…………,p dan k = 1,2,.......u

Disini : Yijk : Pengamatan Kelompok ke-i, Perlakuan ke-j dan ulangan ke-k

µ

: Rataan Umum Ki : Pengaruh Kelompok ke-i Pj : Pengaruh Perlakuan ke-j dan

Єij : Galat Sampling Kelompok ke-i dan Perlakuan ke-j Єijk : Galat Kelompok ke-i, Perlakuan ke-j dan Ulangan ke-k Teladan 4. Seorang peneliti ingin mengetahui pengaruh bahan pengawet terhadap pH daging ayam Broiler yang diambil dari dua tempat penjualan karkas ayam Broiler . Untuk tujuan tersebut diteliti 4 macam dosis bahan pengawet yaitu 0, 5, 10 dan 15% dan dilakukan pengulangan sebanyak 5 kali datanya disajikan dalam program SPSS sebagai berikut : Penuntum Praktikum Rancangan Percobaan dengan SPS- 49

Tabel 4. Data pH Daging Ayam Broiler Kelompok

Ulangan

Dosis Bahan Pengawet (j)

(i)

(k)

0

5

10

15

1

1

7.43

6.52

6.19

5.93

1

2

7.47

6.59

6.22

5.90

1

3

7.42

6.62

6.31

5.98

1

4

7.46

6.65

6.38

5.98

1

5

7.48

6.66

6.34

5.75

2

1

7.58

6.78

6.46

6.02

2

2

7.74

6.74

6.41

6.05

2

3

7.68

6.72

6.45

6.18

2

4

7.85

6.78

6.51

6.13

2

5

7.82

6.79

6.52

6.03

Memasukkan data melalui Programe …SPSS for Windows-..SPSS 13.0 for Windows Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah, ditunjuk pada Gmbar 1.7 di bawah kemudian ketik pada Kolom Name ketik P, Kelompok, Ulangan dan pH, Kolom Type Numeric, kolom Label ketil Dosis Bahan Pengawet, Kelompok, Ulangan dan pH Daging Ayam Broiler

Gambar 1.7. Kotak Diolog Varieble View Klik Data View pada pojok kiri bawah Gambar 1.7, maka muncul Gambar 2.7 Masukkan atau saling data Tabel 4 , sesui dengan yang tampak pada Gambar 2.7


Gambar 2.7. Data View 7.1. Analisis Deskriptif. Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data, dalam hal ini ukuran pemusatan datanya adalah nilai mean (Rataan) dan ukuran penyebarannya adalah Standar Deviasi (Std. Deviaton). Data hasil penelitian diharapkan rataannya berbeda antar perlakuan (meningkat atau menurun) sedangkan standar deviasinya diharapkan tidak begitu berbeda antar perlakuan (homogen). Penuntum Praktikum Rancangan Percobaan dengan SPS- 51

Klik Analyze pada Gambar 2.7. pilh Compare Means, lalu Klik Means, maka muncul Gambar 3.7. Klik pH pindahkan dengan tanda► ke kotak Dependent List Klik Dosis Bahan Pengawqet Kelompok Pengaewt pindahkan dengan tanda► ke kotak Independent List Klik OK

Gambar 3.7. Kotak Diolog Means pH Daging Ayam Broiler * Dosis Bahan Pengawet pH Daging Ayam Broiler Dosis Bahan Pengawet 0 5 10 15 Total

N 10 10 10 10 40

Mean 7.5930 6.6850 6.3790 5.9950 6.6630

Std. Deviation .1663 9.168E-02 .1140 .1207 .6096

pH Daging Ayam Broiler * Kelompok (Tempat Penjualan) pH Daging Ayam Broiler Kelompok (Tempat Penjualan) 1 2 Total

N 20 20 40

Mean 6.5640 6.7620 6.6630

Std. Deviation .5877 .6300 .6096

.


7.2. Analisis Raqgam. Analisis

Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh Dosis Bahan

pengawet (P) terhadap pH daging ayam broiler, apakah ada pengaruhnya atau tidak, juga untuk mengetahui apakah ada pengaruh Tempat penjualan (Kelompok) terhadap pH daging ayam Broiler. Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada perbedan mean (rataan) pH daging ayam Broiler antara dosis bahan pengawet yang diberikan, yaitu dengan Uji Duncan. Prosedur analisis ragam dan uji rataannya sebagai berikut : Klik

Analyze pada Gambar 2.7, pilih General Linear Model, lalu Klik Univariate, maka

muncul Gambar 4.7. seperti tampilan dibawah ini : Klik pH Daging Ayam Broiler pindahkan dengan tanda ► ke Dependent Variable Klik Kelompok pindahkan dengan tanda► ke Rancom Factor(s) Klik Dosis Bahan pengawewt pindahkan dengan tanda► ke Fixed Factor(s)

Gambar 4.7. Kotak Diolog Univariate Klik Post Hoc, maka muncul Gambar 5.7, lalu Klik P dan pindahkan dengan tanda► ke Post Hoc Tests for. Kemudian Klik Continue maka kembali ke Gambar 4.7


Gambar 5.7. Kotak Diolog Univariate Post Hoc Setelah kembali atau muncul Gambar 4.7, lalu Klik Paste, maka muncul Gambar 6,7

Paste…………….…………Syntax-SPSS

Gambar 6.7. Kotak Diolog Syntax Perhatikan uraian yang ada pada kotak diolog Gambar 6.7, terutama /DESIGN = Kelompopk P Kelompok*P, kemungkinan tidak sama dengan apa yang tampat pada Gambar 6.7. Ketik sesuaikan dengan yang tampak pada Gambar 6.7. , jika tidak maka hasil analisisnya juga akan berbeda. Jika sudah yakin sama, untuk menjalankan Program Klik tanda► Penuntum Praktikum Rancangan Percobaan dengan SPS- 54

Univariate Analysis of Variance Tests of Between-Subjects Effects Dependent Variable: pH Daging Ayam Broiler Tests of Between-Subjects Effects Dependent Variable: pH

Source Intercept

Hypothesis Error P Hypothesis Error Kelompok Hypothesis Error P* Hypothesis Kelompok Error a MS(Kelompok) b MS(P * Kelompok) c MS(Error)

Type III Sum of Squares 1775.823 .392 13.923 .025 .392 .025

1 1 3 3 1 3

Mean Square 1775.823 .392(a) 4.641 .008(b) .392 .008(b)

.025

3

.008

.156

32

.005(c)

df

F 4529.698

Sig. .009

566.883

.000

47.888

.006

1.679

.191

Kesimpulan : Bahan pengawet (P) berpengaruh sangat nyata (P<0,01) terhadap pH daging ayam Broiler (Lihal Sig ,000). Tempat

penjualan karkas (Kelompok)

berpengaruh sangat nyata (P<0,01)

terhadap pH daging ayam Broiler. Sedangkan galat Sampling (P*Kelompok) tidak nyata (P>0,05) atau Sig=0,191) hal ini berarti sampel daging dalam kelompoknya tidak ada keragaman yang nyata (P>0.05), jadi contoh yang diambil seragam.

Post Hoc Tests Dosis Bahan Pengawet Homogeneous Subsets pH Daging Ayam Broiler (d) Duncan Dosis Bahan Pengawet 15 10 5 0 Sig.

N 10 10 10 10

1 5.9950

Subset 2 3

4

6.3790 6.6850 1.000

1.000

1.000

7.5930 1.000

Means for groups in homogeneous subsets are displayed. Based on Type III Sum of Squares The error term is Mean Square(Error) = 4.875E-03. Penuntum Praktikum Rancangan Percobaan dengan SPS- 55

a Uses Harmonic Mean Sample Size = 10.000. b Alpha = .05. Kesimpulan : Kesimpulan terjadi penurunan pH daging ayam Broiler yang nyata (P<0,05) dengan semakin meningkatnya dosis bahan pengawet.

7.3. Analisis Regresi Analisis Regresi dilakukan untuk mencari bentuk hubungan antara Dosis Bahan Pengawet (P) dengan pH daging ayam Broiler (Y.)

Kita perhatikan perlakuan atau dosis bahan pengawet

bersifat kuanditatif dengan 4 macam dosis, jadi perlu dilakukan Analisis Regresi dengan derajat polinom maksimun 4-1=3 yaitu : Persamaan Garis Regresi Diduga : Y = o + 1P +2P2 + 3P3 Kita kembali lagi ke data semula yaitu Gambar 2.7. Klik Tranform pada Gambar 2.7 pillih Compute, maka mumcul Gambar 7.7. Ketik PP pada Target Variable, kemudian ketik P*P pada Numeric Expressien Klik OK Ketik PPP pada Target Variable, kemudian ketik P*P*P pada Numeric Expressien Klik OK, maka muncul Gambar 8.7

Gambar 7.7 Kotak Dialog Compute Variable


Gambar 8.7 Data View Hasil Tranformsi Klik Analyze, lalu Pilih Regressien, kemudian Klik Linear, maka muncul Gambar 9.7 Klik pH daging ayam Broiler, pindahkan dengan tanda► ke Dependent Klik Dosis Bahan Pengawet (P), pindahkan dengan tanda► ke Independebt(s) Klik PP, pindahkan dengan tanda► ke Independebt(s) Klik PPP, pindahkan dengan tanda► ke Independebt(s) Penuntum Praktikum Rancangan Percobaan dengan SPS- 57

Klik OK, maka diperoleh hasil analisisnya

Gambar 9.7. Kotak Dialog Linear Regressien

Regression Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 .980 .960 .957 .1261 a Predictors: (Constant), PPP, Dosis Bahan Pengawet, PP (e) ANOVA Model 1

Sum of Squares df Mean Square F Regression 13.923 3 4.641 291.777 Residual .573 36 1.591E-02 Total 14.495 39 a Predictors: (Constant), PPP, Dosis Bahan Pengawet, PP b Dependent Variable: pH Daging Ayam Broiler Coefficients

Sig. .000

Unstandardized Standardized t Sig. Coefficients Coefficients Model B Std. Error Beta 1 (Constant) 7.593 .040 190.388 .000 Dosis Bahan -.287 .031 -2.666 -9.382 .000 Pengawet PP 2.564E-02 .005 3.727 4.740 .000 PPP -9.067E-04 .000 -2.041 -3.813 .001 a Dependent Variable: pH Daging Ayam Broiler


Jadi persamaan Regresinya Y = 7.593 – 0.287P +0.02564P2 – 0.0009067P3

Kita menggambar persamaan diatas dengan SPSS, maka kita kembali ke data semula, kemudian Klik File, kemudian pilih New lalu Klik Data Klik Variable View, maka muncul tampilan Gambar 10.7 . dibawah

Gambar 10.7. Kotak Dialog Variable View Ketik P dan Y pada Kolom Name, ketik angka 0 dan 2 pada kolom Decimals sesui yang diinginkan. Pada Kolom Label ketik Dosis Bahan Pengawet dan pH Daging Ayam Broiler, sesuikan dengan yang tampak pada Gambar 10.7. Klik Data View, maka muncul Gambar 11.7, kemudian lengkapi datanya pada Kolom P dari 0 sampai 17 , sesuai dengan yang tampak pada Gambar 11.7, untuk mengisi Kolom Y, Klik Transform, lalu pilih Compute, maka muncul gambar 12.7.

Gambar 11.7. Kotak Dialog Compute Variable


Ketik Y pada Target Variable dan Ketik 7.593 – 0.287*P +0.02564*P*P – 0.0009067*P*P pada Numeric Expressien, Lalu Klik OK, jika muncul chang existing variable Klik OK Lagi, maka muncul Gambar 12. 7

Gambar 12.7. Data View Klik Graphs, lalu pilih dan Klik Line, Klik Define, maka muncul Gambar 13.7


Gambar 13.7. Kotak Dialog Define Simple Line Tantai atau Klik Other Statistic (e.g.mean) Klik pH Daging Ayam Broiler, pindahkan dengan tanda► ke Variable Klik Dosis Bahan Pengawet , pindahkan dengan tanda► ke Catagory Axis Klik OK

Graph 8.00

Mean pH Daging Ayam Broiler

7.50

Y = 7.593 – 0.287P +0.02564P2 – 0.0009067P3 7.00

6.50

6.00

5.50

0

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

Dosis Bahan Pengawet


Kesimpulan : Semakin semakin tinggi persentase bahan pengawet yang diberikan maka pH daging ayam Broiler semakin menurun, penurunannya mula-mula cepat kemudin lambat dan akhirnya cepat lagi.

VIII. RANCANGAN BUJUR SANGKAR LATHIN (RBSL) Rancangan Bujur Sangkar Lathin terdiri dari dua buah peubah pengganggu atau sampingan dan sebuah peubah bebas, ketiga peubah tersebut tidak saling berinteraksi dan taraf atau level ketiga peubah tersebut jumlahnya sama sehingga berbentuk bujur sangkar. Syarat : Terdapat satu peubah bebas yang disebut perlakukan. Terdapat dua peubah sampingan yang disebut baris dan kolom Ketiga peubah ini tidak saling berinteraksi. Disebut Bujur Sangkar Lathin karena jumlah perlakuan sama dengan jumlah kolom dan jumlah baris (Perlakuan = Baris = Kolom). Model Matematisnya

: Yij(k) =

µ + Bi + Kj +

є

Pk + ij(k)

i, j dan k 1, 2, 3,…………,a dan Disini : Yij(k) : Pengamatan Baris ke-i , Kolom kej dan Perlakuan ke-k

µ

: Rataan Umum Bi : Pengaruh Baris ke-i Kj : Pengaruh Kolom ke-j dan Pj : Pengaruh Perlakuan ke-k

єij(k): Pengaruh galat pada Baris ke-i , Pengaruh Kolom ke-j dan

Pengaruh Perlakuan ke-k


Teladan 5. Seorang peneliti ingin mengetahui pengaruh 4 jenis Suplementasi (penambahan) sumber protein pakan kelinci terhadap jumlah sel darah merahnya.

Kelinci yang dipakai percobaan

sebanyak 25 ekor dan dikelompokkan berdasarkan berat badan dan cara pengambilan darahnya : Adapun pengelompokannya sebagai berikut : Kelompok Berat (Baris ke-i 1 2 3 4 5

1 A E D C B

Cara Pengambilan Darah (Kolom ke-j 2 3 4 B C D A B C E A B D E A C D E

5 E D C B A

A, B, C, D dan E adalah Jenis Protein

Tabel 5. Data Sel darah Merah Kelinci.: Kelompok Berat (Baris ke-i 1 2 3 4 5

Cara Pengambilan Darah (Kolom ke-j 1 2 3 4 5 A B C D E 5.39 5.63 5.93 6.26 6.33 E A B C D 6.32 5.38 5.64 5.95 6.28 D E A B C 6.24 6.35 5.36 5.61 5.94 C D E A B 5.91 6.27 6.38 5.35 5.80 B C D E A 5.62 5.93 6.28 6.37 5.40

Memasukkan data melalui Programe …SPSS for Windows-..SPSS 13.0 for Windows Kompurter telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah, ditunjukkan pada Gambar 1.8 di bawah kemudian pada Kolom Name ketik Kolom, Baris, Protein dan Darah, pada Type Numeric, kolom Label ketik Cara Pengambil;an darah, Berat Badan, Suplemen Protein dan Sel darah Merah seperti tampak pada Gambar 1.8. Klik pada pojok kiri atas pada baris 3 Protein, kolom Values, maka muncul Gambar 2.8.


Gambar 1.8. Kotak Dialog Variable View

Gambar 2.8. Kotak Diolog Value Labels Kitik angka 1 pada Value dan A pada Value Label, kemudian Klik Add Kitik angka 2 pada Value dan B pada Value Label, kemudian Klik Add Kitik angka 3 pada Value dan C pada Value Label, kemudian Klik Add Kitik angka 4 pada Value dan D pada Value Label, kemudian Klik Add Kitik angka 5 pada Value dan E pada Value Label, kemudian Klik Add Klik OK, maka layer kembali ke Gambar 1.8. Klik Data View, maka muncul Gambar 3.8. Masukkan data Tabel 4. pada Kolom, Baris Protein dan Darah, seperti tampak pada Gambar 3.8.



8.1. Analisis Deskriptif. Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data, dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya adalah Std Deviation (Standar Deviasi) dari sel darah merah pada berat badan, cara pemeliharaan dan s dan Suplemen Protein yang berbeda. Data hasil penelitian diharapkan rataannya berbeda antar Suplemen protein yang diberikan (meningkat atau menurun) sedangkan standar deviasinya diharapkan tidak begitu berbeda (homogen). Klik : Analyze pada Gambar 3.8, pilih Compare Means, lalu Klik Means, maka muncul Gambar 4.8.


Klik Sel Darah Merah pindahkan dengan tanda► ke kotak Dependent List Klik Cara pengambilan Darah(Kolom) pindahkan dengan tanda► ke kotak Independent List Klik Berat badan (Baris) pindahkan dengan tanda► ke kotak Independent List Klik Suplementasi Protein (Protein) pindahkan dengan tanda► ke kotak Independent List Klik OK

Gambar 4.8. Kotak Dialog Means Means Sel Darah Merah * Berat Badan Sel Darah Merah Berat Badan 1 2 3

N 5 5 5

Mean 5.9060 5.9140 5.9000

Std. Deviation .4003 .4063 .4170

4 5 Total

5 5 25

5.9020 5.9200 5.9084

.4359 .4161 .3792

Sel Darah Merah * Cara Pengambilan Darah Sel Darah Merah Cara Pengambilan Darah N 1 5 2 5 3 5 4 5 5 5 Total 25

Mean 5.8960 5.9120 5.9180 5.9060 5.9100 5.9084

Std. Deviation .3970 .4132 .4282 .4279 .4094 .3792

Sel Darah Merah * Suplementasi Protein Sel Darah Merah Suplementasi Protein A

Sum 26.88

N 5

Mean Std. Deviation 5.3760 2.074E-02


B C D E Total

28.10 29.66 31.32 31.75 147.71

5 5 5 5 25

5.6200 5.9320 6.2640 6.3500 5.9084

1.581E-02 1.483E-02 1.817E-02 2.550E-02 .3792

8.2. Analisis Ragam.

Analisis

Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh

Suplementasi Protein (Protein) pakan kelinci

terhadap sel darah merah kelinci,

apakah ada pengaruhnya atau tidak. Disamping itu

juga untuk mengetahui apakah

ada pengaruh Cara Pengambilan Darah (Kolom) dan Brat badan (Baris) terhadap sel darah merah kelinci. Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada perbedaan mean (rataan) sel darah merah kelinci antara 4 jenis Suplementasi protein yang diberikan, yaitu dengan Uji Duncan. Prosedur analisis ragam dan uji rataannya sebagai berikut : Klik Analyze pada Gambar 3.8, pilih General Linear Model, lalu Klik Univariate, maka muncul Gambar 5.8. seperti tampilan dibawah ini :

Gambar 5.8. Kotak Diolog Univariate Klik Sel Darah Merah pindahkan dengan tanda► ke kotak Dependent List Klik Cara pengambilan Darah(Kolom) pindahkan dengan tanda► ke kotak Fixed Factor(s) Klik Berat badan (Baris) pindahkan dengan tanda► ke kotak Fixed Factor(s) Penuntum Praktikum Rancangan Percobaan dengan SPS- 67

Klik Suplementasi Protein (Protein) pindahkan dengan tanda► ke kotak Fixed Factor(s)

Klik Post Hoc, maka muncul Gambar 6.8

Gambar 6.8. Kotak Diolog Post Hoc Klik Suplementasi Protein (Protein) pindahkan dengan tanda► ke kotak Post Hoc Tests for. Berikan tanda V pada Duncan, kemudin Klik Continue, maka kembali ke Gambar 5.8 Klik Paste, maka muncul Gambar 7.8

Gambar 7.8. Kotak Diolog Syntax Perhatikan /DESIGN = Kolom Baris Protein, kemungkinan pada Gambar 6.8. ada interaksinya yaitu Kolom*Baris dan seterusnya, harus dihilangkan interaksinya jika tidak hasilnya akan berbeda. Klik tanda ►untuk menjalankan Syntax, maka diperoleh hasil analisis sebagai berikut :

Univariate Analysis of Variance Tests of Between-Subjects Effects


Dependent Variable: Sel Darah Merah Source Type III Sum of Squares Corrected Model 3.446 Intercept 872.730 BARIS 1.416E-03 KOLOM 1.336E-03 PROTEIN 3.443 Error 4.768E-03 Total 876.180 Corrected Total 3.451

df

Mean Square

F

Sig.

12 1 4 4 4 12 25 24

.287 872.730 3.540E-04 3.340E-04 .861 3.973E-04

722.728 2196467.527 .891 .841 2166.453

.000 .000 .499 .525 .000

a R Squared = .999 (Adjusted R Squared = .997)

Kesimpulan : Berat badan dan cara pengambilan darah (Baris dan Kolom) tidak berpengaruh nyata (P>0,05) terhadap jumlah sel darah merah kelinci. Sedangkan Jenis Protein yang disuplementasikan pada makanannya berpengaruh sangat nyata (P<0,01) terhadap jumlah sel darah merah kelinci percobaan.

Post Hoc Tests Suplementasi Protein Homogeneous Subsets Sel Darah Merah Duncan Suplementasi Protein

N 1 5.3760

2

Subset 3

4

5

A 5 B 5 5.6200 C 5 5.9320 D 5 6.2640 E 5 6.3500 Sig. 1.000 1.000 1.000 1.000 1.000 Means for groups in homogeneous subsets are displayed. Based on Type III Sum of Squares The error term is Mean Square(Error) = 3.973E-04. a Uses Harmonic Mean Sample Size = 5.000. b Alpha = .05.

Kesimpulan hasil uji Duncan : jumlah sel darah merah kelinci percobaan berbeda nyata (P<0,01) antar jenis suplementasi protein yang diberikan. Lihat Alpha 0,05 Coba Alpha 0,01?dengan jalan mengganti alpha 0,05 dengan o,o1 pada Syntax


8.3. Analisi Regresi. Oleh karena perlakuan yaitu jenis Suplementasi Protein bersifat kualitatif, maka tidak bisa melakukan analisis regresi, maka cukup digambar dengan grafik histogram. Klik Graph pada Gambar 3.8, kemudian pilih dan Klik Bar, Klik Simple, lalu Klik Define, maka muncul Gambar 7.8 Klik Other statistic (e.g.Mean) Klik Sel Darah Merah, pindahkan dengan tanda► ke Kotak Variable Klik Suplementasi Protein, pindahkan dengan tanda► ke Catagori Axis Klik OK, maka muncul Grafik Histogram

Gambar 7.8. Kotak Diolog Define Simple Bar. Graph


7.00

Mean Sel Darah Merah

6.00

5.00

4.00

3.00

2.00

1.00

0.00 A

B

C

D

E

Suplemtasi Protein

IX.

RANCANGAN ACAK LENGKAP POLA FAKTORIAL AxB

Rancangan Acak Lengkap Pola Faktorial AxB adalah rancangan acak lengkap yang terdiri dari dua peubah bebas (Faktor) dalam klasfikasi silang yaitu faktor A yang terdiri dari a taraf dan faktor B yang terdiri dari b taraf dan kedua faktor tersebut diduga saling berinteraksi. Saling berinteraksi dimasudkan bahwa pengaruh suatu faktor tergantung dari taraf faktor yang lain, dan sebaliknya jika tidak terjadi interaksi berarti berarti pengaruh suatu faktor tetap pada setiap taraf faktor yang lain. Jadi bila tidak terjadi interaksi antar taraf-taraf suatu faktor saling sejajar satu sama lainnya, sebaliknya bila ada interaksi tidak saling sejajar. Model Matematisnya

:

Yijk = µ + Ai + Bj + ABij + єijk i = 1, 2, 3,…………,a

j = 1,2,3...........,b dan k =1.2.3,.......u

Disini : Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf kej dan Ulangan ke-k

µ

: Rataan Umum


Ai : Pengaruh Faktor A pada taraf ke-i Bj : Pengaruh Faktor B pada taraf ke-j ABij : Interaksi antara Faktor A dengan Faktor B

єijk : Pengaruh galat pada Faktor A taraf ke-i, Faktor B taraf

ke-j dan ulangan ke-k

Teladan 6 Seorang Peneliti ingin mengetahui pengaruh jenis ekstrak bawang putih (Allium sativum L) yaitu kontrol (tanpa ekstrak bawang putih), ekstrak bawang putih lokal dan ekstrak bawang putih import dan jangka waktu penyimpanan pada suhu 5o C (dingin) yaitu : 0, 3, 6, dan 9 hari terhadap angka lempeng total bakteri (ALTB) pada daging sapi. Penelitian ini menggunakan 4 ulangan dengan berat masing-masing 30 gram, sehingga jumlah sampel yang digunakan sebanyak 3x4x4=48 sampel daging sapi.

Tabel 6. Data Log Angka Lempeng Total Bakteri (Log ALTB).: Jenis Lama Bawang Simpan Putih (i) Hari (j) 0 Kontrol 3 6 9 0 Lokal 3 6 9 0 Import 3 6 9

Ulangan (k) 1 6.0128 7.3345 8.2923 9.8645 5.3541 6.1703 7.7388 8.7694 5.4216 5.9782 6.7619 7.7910

2 5.9868 7.2833 7.9513 9.7292 5.1931 5.9754 7.7482 8.4843 5.1075 5.7782 6.8235 7.7295

3 6.1139 7.1072 8.3655 10.064 5.5416 5.9395 7.8195 8.6776 5.1818 5.9243 6.8136 7.9405

4 5.9494 7.5051 8.1703 9.7993 5.2878 6.1206 7.7559 8.7126 5.3139 5.8062 6.7738 7.7993

Memasukkan data melalui Programe …SPSS for Windows-..SPSS 13.0 for Windows Kompurter telah siap dengan Program SPSS, Klik Variable View pada pojok keri bawah, ditunjukan pada Gambar 1.9 di bawah ini, kemudian pada Kolom Name ketik, Jenis, L,


Ulangan dan ALTB, pada Kolom Type Numeric, kolom Label ketik Jenis Bawang Putih, Lama Simpan, Ulangan dan Log. ALTB seperti tampak pada Gambar 1.9.

Gambar 1.9. Kotak Diolog Variable View Klik pada pojok kiri atas pada baris 1 yaitu Jenis, kolom Values, maka muncul Gambar 2.9.

Gambar 2.9 Kotak Diolog Value Labels Ketik angka 1 pada kotak Value, ketik Kontrol pada kotak Value Label, kemudian Klik Add Ketik angka 2 pada kotak Value, ketik Lokal pada kotak Value Label, kemudian Klik Add Ketik angka 3 pada kotak Value, ketik Import pada kotak Value Label, kemudian Klik Add Kelik OK, maka kembali ke Gambar 1.9, kemudian Klik Data View pada pojok kiri bawah, maka muncul Gambar 3.9 Lengkapi atau salin data Tabel 6. seperti tertera pada Gambar 3.9.



9.1. Analisis Deskriptif. Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data, dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya adalah Std Deviation (Standar Deviasi) dari Log ALTB pada jenis ekrtak bawang putih yang berbeda dan lama simpan selama 9 hari.yaitu 0, 3, 6 dan 9 hari) .


Klik : Analyze Gambar 3.9, pilih Compare Means, kemudian Klik Means, maka muncul Gambar 4.9. Klik Log ALTB, pindahkan dengan tanda► ke kotak Dependent List Klik Jenis Esktrak Bawang Putih, pindahkan dengan tanda► ke kotak Independent List Klik Lama Simpan(L), pindahkan dengan tanda► ke kotak Independent List

Gambar 4.8. Kotak Diolog Mean KLik OK, maka diperoleh hasil beriklut : Means Log. ALTB * Ekstrak Bawang Putih Log. ALTB Ekstrak Bawang Putih N Mean Kontrol 16 7.845588 Bawang Putih Lokal 16 6.955544 Bawang Putih Impor 16 6.434031 Total 48 7.078388

Std. Deviation 1.451340 1.367891 1.002393 1.391744

Log. ALTB * Lama Simpan (Hari) Log. ALTB Lama Simpan (Hari) N Mean 0 12 5.538667 3 12 6.410233 6 12 7.584550 9 12 8.780100 Total 48 7.078388

Std. Deviation .371653 .676908 .620203 .885003 1.391744

9.2.

Analisis Ragam. Analisis

Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh

Bawang Putih dan Lama Penyimpanan(L)

Jenis Ekstrak

terhadap Log. ALTB daging sapi yang disimpan pada

suhu dingin, apakah ada pengaruhnya atau tidak. Disamping itu

juga untuk menguji apakah

terdapat interaksi yang nyata antara Jenis ekstrak bawang putih dengan lama penyimpanan Penuntum Praktikum Rancangan Percobaan dengan SPS- 75

(Ekstrak*L).

Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada

perbedaan mean (rataan) Log ALTB antara 3 jenis ekstrak bawang putih (Kontorl, Lokal dan Import) dan antara lama penyimpanan 0, 3, 6, dan 9 hari yaitu dengan Uji Duncan. Prosedur analisis ragam dan uji rataannya sebagai berikut : Klik Analyze pada Gambar 3.9, pilih General Linear Model, lalu Klik Univariate, maka muncul Gambar 5.9. seperti tampilan dibawah ini :

Gambar 5.9. Kotak Dialog Univariate Klik Log ALTB, pindahkan dengan tanda► ke kotak Dependent List Klik Jenis Ekstrak Bawang Putih (Ekstrak), pindahkan dengan tanda► ke kotak Fixed Factor(s) Klik Lama Simpan(L), pindahkan dengan tanda► ke kotak Fixed Factor(s) Klik Post Hoc, maka muncul Gambar 6.9 Klik Ekstrak, pindahkan dengan tanda► ke kotak Post Hoc Test for Klik L, pindahkan dengan tanda► ke kotak Post Hoc Test for Berikan tanda V pada Duncan Klik Continu, maka kembali ke Gambar 5.9.


Gambar 6.9. Kotak Diolog Univariate Post Hoc Klik Paste, maka muncul Gambar 7.9

Gambar 7.9. Kotak Diolog Syntax Perhatikan /DESIGN = Ekstrak L Ekstrak*L . bila tidak sama, harus disamakan dengan yang tertera pada Gambar 7.9., jika tidak hasilnya akan berbeda. Klik tanda ►untuk menjalankan Syntax, maka diperoleh hasil analisis sebagai beriku :

Univariate Analysis of Variance Tests of Between-Subjects Effects Dependent Variable: Log. ALTB Penuntum Praktikum Rancangan Percobaan dengan SPS- 77

Source

Type III Sum df Mean Square F of Squares Corrected Model 90.516 11 8.229 568.995 Intercept 2404.971 1 2404.971 166297.434 EKSTRAK 16.302 2 8.151 563.624 L 71.630 3 23.877 1651.017 EKSTRAK * L 2.584 6 .431 29.775 Error .521 36 1.446E-02 Total 2496.008 48 Corrected Total 91.037 47 a R Squared = .994 (Adjusted R Squared = .993)

Sig. .000 .000 .000 .000 .000

Kesimpulan : Hasil Analisis Varian menunjukkan bahwa Ekstrak bawang putih dan jangka waktu penyimpanan (L) berpengaruh sangat nyata (P<0,01) terhadap log ALTB daging sapi yang disimpan pada suhu dingin (lihat Sig .000<0,01). Terdapat interaksi yang sangan nyata (P<0,01) antara jenis ekstrak bawang putih dengan jangka waktu penyimpanan tehadap log ALTB daging sapi yang disimpan pada suhu dingin.

Post Hoc Tests Ekstrak Bawang Putih Homogeneous Subsets Log. ALTB Duncan Ekstrak Bawang Putih

N 1 6.434031

Subset 2

3

Bawang Putih Impor 16 Bawang Putih Lokal 16 6.955544 Kontrol 16 7.845588 Sig. 1.000 1.000 1.000 Means for groups in homogeneous subsets are displayed. Based on Type III Sum of Squares The error term is Mean Square(Error) = 1.446E-02. a Uses Harmonic Mean Sample Size = 16.000. b Alpha = .05. Kesimpulan : Hasil Uji Duncan pada Alpha 0,05 menunjukkan bahwa terdapat perbedaan yang nyata (P,0,05) log jumlah ALTB antara ketiga jenis ekstrak bawang putih yang diberikan pada daging sapi yang disimpan pada suhu dingin.

Homogeneous Subsets Log. ALTB Penuntum Praktikum Rancangan Percobaan dengan SPS- 78

Duncan Lama Simpan (Hari)

N 1 5.538667

2

Subset 3

4

0 12 3 12 6.410233 6 12 7.584550 9 12 8.780100 Sig. 1.000 1.000 1.000 1.000 Means for groups in homogeneous subsets are displayed. Based on Type III Sum of Squares The error term is Mean Square(Error) = 1.446E-02. a Uses Harmonic Mean Sample Size = 12.000. b Alpha = .05. Kesimpulan : Hasil Uji Duncan pada Alpha 0,05 menunjukkan bahwa terjadi peningkatan jumlah log ALTB yang nyata (P,0,05) mulai dari penyimpanan 0 hari sampai dengan 9 hari 9.3. Analisis Regresi. Analisis regresi diperlukan untuk mencari hubungan antara lama simpan dengan log ALTB, oleh karena faktor lama simpan bersifat kualitatif dan jenis ekstrak bawang putih kualitatif, maka kita lakukan Analisis Regresi antara lama penyimpanan dengan Log ALTB pada masing-masing jenis ekstrak bawang putih (kontrol, bawang putih lokal dan bawang putih import). Persamaan regresi penduga adalah dalam bentuk polinom pangkat 3,

hal ini disebabkan karena lama

penyimpanan ada 4 taraf yaitu 0, 3, 5 dan 9, maka derajat polinomnya 4-1 = 3, jadi persamaan penduganya adalah : Y = o + 1L +2L2 + 3L3

Gambar 8.9. Kotak Dialog Variable View


Kita buat Variable View seperti tampak Gambar 8.9., Ketik pada Kolom Name L, Y1, Y2 dan Y3, pada Kolom Decimals, 0, 4, 4 dan 4 dan pada Kolom Label ketik Lama Simpan, Log ALTB Kontrol, Log ALTB Lokal dan Log ALTB Import Setelah kolom kolom pada Gambar 8.9 dilengkapi, kemudian Klik Data View pada pojok kiri bawah gambar tersebut, maka muncul Gambar 10..9. Lengkapi datanya, pada Kolom L, Y1, Y2 dan Y3. Kemudian Klik Transform, lalu Klik Compute, maka muncul Gambar 9.9. Ketik LL pada Target Variable dan L*L pada Numeric Expression, kemudian Klik OK Ketik LLL pada Target Variable dan L*L*L pada Numeric Expression, kemudian Klik OK Maka Gambar 10.9. yang kolomnya hanya diisi data L, Y1, Y2 dan Y3, dilengkapi dengan LL dan LLL



Gambar 10.9 Data View Klik Analyze, kemudian pilih Regression, lalu Linear, maka muncul Gambar 11. 9. Klik Lama Simpan, pindahkan dengan tanda ►Independent(s) Klik LL pindahkan dengan tanda ►Independent(s) Klik LLL, pindahkan dengan tanda ►Independent(s) Klik Log ALTB(Y1), pindahkan dengan tanda ►Dependent Perhatikan Kotak Method, biasanya tertulis Enter, ganti atau pilih Stepwise Kelik OK Dengan cara yang sama Log ALTB Kontrol (Y1), diganti dengan Log ALTB Lokal(Y2), Klik OK, selanjutnya diganti dengan Log ALTB Impor(Y3), Klik OK, maka diperoleh hasil analisisnya. Ingat tampilan hasil analisis yang tidak penting telah di delete


Gambar 11.9. Kotak Diolog Linear Regression Regression : Kontrol Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 .989 .978 .977 .220457 2 .992 .985 .983 .191427 3 .996 .992 .990 .146133 a Predictors: (Constant), Lama Simpan (Hari) b Predictors: (Constant), Lama Simpan (Hari), LLL c Predictors: (Constant), Lama Simpan (Hari), LLL, LL ANOVA Model 1

a b c d

Sum of Squares Df Mean Square Regression 30.915 1 30.915 Residual .680 14 4.860E-02 Total 31.596 15 2 Regression 31.119 2 15.560 Residual .476 13 3.664E-02 Total 31.596 15 3 Regression 31.340 3 10.447 Residual .256 12 2.135E-02 Total 31.596 15 Predictors: (Constant), Lama Simpan (Hari) Predictors: (Constant), Lama Simpan (Hari), LLL Predictors: (Constant), Lama Simpan (Hari), LLL, LL Dependent Variable: Log. ALTB

F 636.101

Sig. .000

424.615

.000

489.189

.000


Coefficients

Unstandardize Standardized d Coefficients Coefficients Model B Std. Error Beta 1 (Constant) 5.981 .092 Lama Simpan (Hari) .414 .016 .989 2 (Constant) 6.085 .091 Lama Simpan (Hari) .342 .034 .815 LLL 9.193E-04 .000 .191 3 (Constant) 6.016 .073 Lama Simpan (Hari) .630 .093 1.503 LLL 7.324E-03 .002 1.525 LL -8.839E-02 .028 -1.981 a Dependent Variable: Log. ALTB Persamaan Garis Regresi Kontrol (Tanpa Bawang Putih) : Y1 = 6.016 + 0.630L – 0.08839L2 + 0.007324L3 R = 0.996

T

Sig.

64.849 25.221 66.533 10.050 2.360 82.332 6.740 3.631 -3.211

.000 .000 .000 .000 .035 .000 .000 .003 .007

Regression : Bawang Putih Lokal Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 .985 .970 .967 a Predictors: (Constant), Lama Simpan (Hari)

.247009

(f) ANOVA Model Sum of Squares Df Mean Square F Sig. 1 Regression 27.213 1 27.213 446.013 .000 Residual .854 14 6.101E-02 Total 28.067 15 a Predictors: (Constant), Lama Simpan (Hari) b Dependent Variable: Log. ALTB Coefficients Unstandardized Standardized T Sig. Coefficients Coefficients Model B Std. Error Beta 1 (Constant) 5.206 .103 50.380 .000 Lama Simpan .389 .018 .985 21.119 .000 (Hari) a Dependent Variable: Log. ALTB Persamaan Garis Regei Bawang Putih local : Y2 = 5.206 + 0.389L R = 0.985 Regression pada Ekstrak Bawang Putih Import Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 .990 .981 .980 .142839 2 .996 .992 .991 9.63018E-02 a Predictors: (Constant), Lama Simpan (Hari) Penuntum Praktikum Rancangan Percobaan dengan SPS- 83

b Predictors: (Constant), Lama Simpan (Hari), LL ANOVA Model 1

Sum of Squares df Mean Square Regression 14.786 1 14.786 Residual .286 14 2.040E-02 Total 15.072 15 2 Regression 14.952 2 7.476 Residual .121 13 9.274E-03 Total 15.072 15 a Predictors: (Constant), Lama Simpan (Hari) b Predictors: (Constant), Lama Simpan (Hari), LL c Dependent Variable: Log. ALTB Coefficients Unstandardized Std. Error Standardized Coefficients Coefficients Model B Beta 1 (Constant) 5.144 .060 Lama Simpan .287 .011 .990 (Hari) 2 (Constant) 5.246 .047 Lama Simpan .185 .025 .639 (Hari) LL 1.129E-02 .003 .366 a Dependent Variable: Log. ALTB

F 724.721

Sig. .000

806.099

.000

T

Sig.

86.091 26.921

.000 .000

111.776 .000 7.365 .000 4.219

.001

Persamaan Garis Regresi Bawang Putih Import : Y 3 = 5..246 + 0.185L + 0.01129L 2 R = 0.992 Setelah kita peroleh persamaan garis regresi yaitu Y1, Y2 dan Y3, maka kita menggambar ketiga persamaan tersebut, dengan langkah sebagai berikut : Kita buat data buat Data View seperti Gambar 13.9, ketik data pada kolom L angka 0 – 9,. Klik Tranform, kemudian pilih dan Klik Compute, maka muncul Gambar 12.9 Ketik Yi pada kotak Target Variable, dan ketik 6.016 + 0.630*L

– 0.08839*L*L +

0.007324*L*L*L pada Numeric Expression, kemudian Klik OK, dengan cara yang sama ketik Y2 pada kotak Target Variable, dan ketik 5.206 + 0.389*L pada Numeric Expression, kemudian Klik OK Ketik Y3 pada kotak Target Variable, dan ketik 5..246 + 0.185*L + 0.01129*L*L pada Numeric Expression, kemudian Klik OK


Gambar 12.9. Kotak Dialog Compute Variable Untuk bisa menggambar dalam satu Grafik, maka kita gabung saja Y1, Y2 dan Y3 menjadi Y pada satu Kolom, dan diletakkan sesuai dengan jenis ekstrak bawang putih (Kolom Eklstrak) yaitu Y1 pada Estrak 1, Y2 pada ekstrak 32 dan Y3 pada estrak 3, seperti tampak pada Gambar 13.9


Gambar 13. 9. Data View Klik Graphs, pilih dan Klik Line, Klik Mutiple, Klik Difine, maka muncul Gambar 14.9. tandai atau Klik Other statistic (e.g. mean). Klik Log ALTB (Y), dan pindahkan dengan tanda ►ke Variable Klik Lama Simpan (L), dan pindahkan dengan tanda ►ke Catagori Axis Klik Jenis Ekstrak Bawang Putih (Ekstrak), dan pindahkan dengan tanda ►ke Define Lines by Penuntum Praktikum Rancangan Percobaan dengan SPS- 86

Gambar 14.9 Kotak Dialog Define Multiple Line

Graph

Dari Gambar diatas tampak bahwa rata-rata nilai log ALTB paling rendah selama penyimpanan adalah jenis ekstark bawang putih iImpor, kemudian ekstrak bawang putih lokal dan yang paling tinggi adalah control (tanpa ekstrak bawang putih)


X.

RANCANGAN ACAK KELOMPOK POLA FAKTORIAL AxB

Rancangan Acak Kelompok Pola Faktorial AxB yaitu terdiri dari dua peubah bebas atau faktor (A dan B) dan kedua faktor tersebut saling diduga berinteraksi dan kedua faktor tersebut termasuk dalam klasifikasi silang. Terdapat satu peubah pengganggu atau sampingan yang disebut kelompok dan tidak berinteraksi dengan peubah lainnya. Model Matematisnya :

Yijk = µ + Ai + Bj + Kk + ABijk+ єijk i = 1, 2, 3,…………,a

j = 1,2,3...........,b dan k =1.2.3,.......u

Disini : Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf kej dan kelompok ke-k

µ

: Rataan Umum Ai : Pengaruh Faktor A pada taraf ke-i Bj : Pengaruh Faktor B pada taraf ke-j Kk : Pengaruh Kelompok ke-k ABij : Interaksi antara Faktor A dengan Faktor B


ke-j dan kelompok ke-k

Teladan 7. Seorang ingin mengetahui pengaruh Konsentrasi dan lama Desinfeksi Hidrogen Peroksida (H2O2) terhadap jumlah bakteri E coli per ml air limbah RPH Pesanggaran Denpasar. Konsentrasi Hidrogen Peroksida (H2O2) yang diberika 0,0%, 0,15%, 0,30% dan 0,45% dan lama Desinfeksi 0, 2, 4 dan 6 jam. Pengambilan sampel air limbah sebanyak 8 liter untuk diberikan perlakuan, yaitu dibagi menjadi 16 kombinasi perlakuan, dengan cara yang sama diulang sebanyak 3 kali, dan pengambilan sampel dilakukan setiap 4 harti sekali.


Tabel 7. Jumlah Bakteri E. Coli (Data Transformasi Log Y. Konsentrasi Hidrogen Peroksida (i) 0,00%

0,15%

0,30%

0,45%

LamaDesinfeksi Dalam Jam (j) 0 2 4 6 0 2 4 6 0 2 4 6 0 2 4 6

Memasukkan data melalui

1 7.4150 7.9325 8.8739 8.8954 7.2041 6.6355 5.8921 4.9243 6.8808 5.7853 5.6191 4.7324 5.9243 5.6821 4.7324 4.1367

Kelompok (k) 2 7.4314 7.9754 8.9106 9.0645 6.9912 6.7559 6.0170 5.0864 6.8692 5.7110 5.5105 4.7993 6.2833 5.6721 4.8056 4.3054

3 7.3502 8.000 8.8909 8.9031 7.0828 6.7796 5.8129 5.0964 6.7482 6.0792 5.5775 4.8573 5.7882 5.3010 4.7655 4.3304

Programe …SPSS for Windows-..SPSS 13.0 for

Windows Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah, ditunjukan pada Gambar 1.10 di bawah ini, kemudian pada Kolom Name ketik K, L, Kelompok dan Ecoli, pada Kolom Type Numeric, kolom Label ketik Jenis Konsentrasi Hidrogen

Peroksida, Lama Lama Desinfeksi(jam(, Kelompok dan Log. Jumlah E. coli

seperti tampak pada Gambar 1.10.

Gambar 1.10. Kotak Dialog Variable View Klik Data View, maka munncul Gambar 2.10 Salinlah data Tabel 7 pada Kolom K, L Kelompok dan Ecoli seperti pada Gambar 2.10.




10.1.Analisis Deskriptif Analisis deskripif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data, dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya adalah Std Deviation (Standar Deviasi) dari Log Jumlah E coli. pada Konsentrasi Hidrogen Peroksida yang berbeda dan lama desinfeksi selama 6 jam hari.yaitu 0, 2, 4 dan 6 jam) . Disamping itu juga untuk pengaruh Kelompok atau waktu pengambilan sample, apakah ada variasi harian jumlah E coli pada air limbah RPH Pesanggaran Denpasar Klik Analyze pada Gambar 3.9, Klik Compare Means, lalu pilih Means, maka muncul Gambar 3.10. Klik Log Jumlah E coli, pindahkan dengan tanda► ke kotak Dependent List Klik Kelllompok, pindahkan dengan tanda► ke kotak Independent List Klik Konsentrasi Hidrogen Peroksida, pindahkan dengan tanda► ke kotak Independent List Klik Klik Lama Desinfeksi, pindahkan dengan tanda► ke kotak Independent List Klik OK, maka diperoleh hasil analisisnya

Gambar 3.10 Kotak Dialog Mean

Means Log. Jumlah E. coli * Konsentrasi Hidrogen Peroksida Log. Jumlah E. coli Konsentrasi Hidrogen Peroksida N Mean Std Deviation .00 12 8.303575 .682517 .15 12 6.189850 .831785 .30 12 5.764150 .767343 .45 12 5.143917 .721236 Total 48 6.350373 1.403742 Log. Jumlah E. coli * Lama Desinfeksi (Jam) Log. Jumlah E. coli


Lama Desinfeksi (Jam) 0 2 4 6 Total Log. Jumlah E. coli * Kelompok Log. Jumlah E. coli Kelompok 1 2 3 Total

10.2.

N 12 12 12 12 48

Mean Std. Deviation 6.830725 .557566 6.525800 .987893 6.284000 1.631727 5.760967 1.949604 6.350373 1.403742

N 16 16 16 48

Mean Std. Deviation 6,329119 1,447483 6,386800 1,433299 6,335200 1,422150 6,350373 1,403742

Analisis Ragam. Analisis

Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh

Hidrogen Peroksida dan Lama Desinfeksi

Konsentrasi

terhadap Log. Jumlah E coli air limbah RPH

Pesanggaran, apakah ada pengaruhnya atau tidak, apakah terdapat interaksi yang nyata antara Konsentrasi Hidrogen Peroksida dengan lama desinfeksi (K*L). Disamping itu untuk mengetahui pengaruh Kelompok terhadap Log Jumlah e coli air limbah RPH Pesanggaran Sedangkan uji setelah analisis ragam diperlukan untuk mengetahui apa ada perbedann mean (rataan) Log jumlah e coli antara Konsentrasi Hidrogen Peroksida yang diberikan dan antara lama desinfeksi 0, 2, 4, dan 6 jam yaitu dengan Uji Duncan. Prosedur analisis ragam dan uji rataannya sebagai berikut : Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 4.10


Gambar 4.10 Kotak Dialog Univariate Klik Log Jumlah E coli, pindahkan dengan tanda ►ke Dependent Variable Klik Kelompok, pindahkan dengan tanda ►ke Fixed Factor*s) Klik Konsentrasi Hidrogen Peroksida, pindahkan dengan tanda ►ke Fixed Factor*s) Klik Lama Desinfeksi, pindahkan dengan tanda ►ke Fixed Factor*s) Klok Post Hoc, maka muncul Gambar 5.10

Gambar 5.10. Kotak dialog Univariate Post Hoc


Klik K, pindahkan dengan tanda ►Post Hoc Tests for Klik L, pindahkan dengan tanda ►Post Hoc Tests for Tandai dengan tanda V pada Kotak Duncan Klik Continu, maka layar kembali ke Gambar 4.10, kemudian Klik Paste, maka muncul Gambar 6.10

Gambar 6.10 Kotak Dialog Syntax Perhatikan /DESIGN = Kelompok K L K*L, mungkin di lahar anda akan muncul tidak seperti Gambar 6.10., sesuaikan dengan gambar tersebut. Klik tanda ►untuk menjalankan program, maka diperoleh hasil analisisnya

Univariate Analysis of Variance (g) Tests of Between-Subjects Effects Dependent Variable: Log. Jumlah E. coli Source Type III Sum of df Mean Square F Squares Corrected Model 92.195 17 5.423 389.331 Intercept 1935.707 1 1935.707 138962,990 KELOMPOK 3.214E-02 2 1.607E-02 1.154 K 67.680 3 22.560 1619.554 L 7.360 3 2.453 176.119 K*L 17.124 9 1.903 136.589 Error .418 30 1.393E-02 Total 2028.320 48 Corrected Total 92.613 47 a R Squared = .995 (Adjusted R Squared = .993)

Sig. .000 .000 .329 .000 .000 .000


Kesimpulan : Kelompok (Waktu pengambilan sampel) tidak berpengaruh nyata (P>0,05) terhadap jumlah bakteri E coli per ml air limbah RPH Pesanggaran denpasar (lihat Sig 0,329>0,05), Konsentrasi Hidrogen Peroksida dan lama Desinfeksi berpengaruh sangat nyata (P<0.01) terhadap jumlah bakteri E coli per ml air limbah RPH Pesanggaran denpasar (lihat Sig 0,000< 0,01). Terjadi interaksi yang sangat nyata (P<0,01) antara Konsentrasi Hidrogen Peroksida dengan Lama desinfeksi terhadap jumlah bakteri E coli per ml air limbah RPH Pesanggaran denpasar (lihat Sig 0,000<0,05). Post Hoc Tests Konsentrasi Hidrogen Peroksida Homogeneous Subsets Log. Jumlah E. coli Duncan Konsentrasi Hidrogen N Subset Peroksida (%) 1 2 3 4 .45 12 5.143917 .30 12 5.764150 .15 12 6.189850 .00 12 8.303575 Sig. 1.000 1.000 1.000 1.000 Means for groups in homogeneous subsets are displayed. Based on Type III Sum of Squares The error term is Mean Square(Error) = 1.393E-02. a Uses Harmonic Mean Sample Size = 12.000. b Alpha = .05. Lama Desinfeksi (Jam) Homogeneous Subsets Log. Jumlah E. coli Duncan Lama Desinfeksi (Jam)

N

a. Subset 3

1 2 4 6 12 5.760967 4 12 6.284000 2 12 6.525800 0 12 6.830725 Sig. 1.000 1.000 1.000 1.000 Means for groups in homogeneous subsets are displayed. Based on Type III Sum of Squares The error term is Mean Square(Error) = 1.393E-02. a Uses Harmonic Mean Sample Size = 12.000. b Alpha = .05. Penuntum Praktikum Rancangan Percobaan dengan SPS- 95

Kesimpulan Uji Duncan : Makin tinggi Konsentrasi Hidrogen Peoksida yang diberikan terjadi penurunan jumlah bakteri E. coli yang nyata (P>0,05). Makin lama waktu Desinfeksi terjadi penurunan jumlah bakteri E coli yang nyata (P<0,05). Kedua uji Duncan tersebut diatas dilakukan pada Alpha 0,05, sehingga disimpulkan nyata (P<0,05), uji Duncan juga bisa dilakukan pada Alpha 0,01 dan disimpulkan sangat nyata (P<0,01). 10.3.

Analisis Regresi. Analisis reresi diperlukan untuk mencari hubungan antara Konsentrasi Hidrogen Peroksida

(K) dan Lama Desinfeksai (L) dengan log jumlah E coli (Y), oleh karena kedua faktor yaitu faktor konsentrasi hydrogen peroksida dan faktor lama desinfeksi bersifak kualitatif, maka kita lakukan Analisis Regresi antara Konsentrasi Hidrogen Peroksida (K) dan Lama Desinfeksai (L) dengan log jumlah E coli (Y). Persamaan regresi penduga adalah masing-masing dalam bentuk polinom pangkat 3, serta interaksinya, dengan persamaan garis Regresi dugaan sebagai berikut : Y = o + 1K + 2K2 + 3K3 + 4L +5L2 + 6L3 + 7K L + 8K L2+ 9K L3+ 102 L+ 11K2 L3 + 12 K 2 L3 + 13 K 3 L+ 14 K 3 L2+ 15 K 3 L3 Kita kembali ke Gambar 2.10., hilangkan atau delete Kelompoknya, lalu Klik Compute, maka muncul Gambar 7.10.


Gambar 7.10. Compute Variable Ketik KK pada Target Variable dan L*L pada Numeric Expression, Klik OK Denan cara yang sama : Ketik KKK pada Target Variable dan K*K*k pada Numeric Expression, Klik OK Ketik LL pada Target Variable dan L*L pada Numeric Expression, Klik OK Ketik LLL pada Target Variable dan L*L*L pada Numeric Expression, Klik OK Ketik KL pada Target Variable dan K*L pada Numeric Expression, Klik OK Ketik KLL pada Target Variable dan K*L*L pada Numeric Expression, Klik OK Ketik KLLL pada Target Variable dan K* L*L pada Numeric Expression, Klik OK Ketik KKL pada Target Variable dan K* K*L pada Numeric Expression, Klik OK Ketik KKLL pada Target Variable dan K*K*L*L pada Numeric Expression, Klik OK Ketik KKLLL pada Target Variable dan K*K* L*L pada Numeric Expression, Klik OK Ketik KKKL pada Target Variable dan K*K* K*L pada Numeric Expression, Klik OK Ketik KKKLL pada Target Variable dan K* K*K*L*L pada Numeric Expression, Klik OK Ketik KKKLLL pada Target Variable dan K*K*K* L*L pada Numeric Expression, Klik OK, maka tampak seperti Gambar 8.10 Ingat Kolom Decimals ketik angka 0 Penuntum Praktikum Rancangan Percobaan dengan SPS- 97



Klik Analyze, pilih Regression, kemudian Lenear, maka muncul Gambar 9.10

Gambar 10.10 Linear Regression Klik Log Jumlah E coli, kemudian dengan tanda ► ke kotak Dependent Klik Konsentrasi Hidrogen Peroksida (K), Lama Desinfeksi (L), KK, KKK, LL, LLL, KL, KLL, KLLL, KKL, KKLL, KKLLL, KKKL, KKKLL, KKKLLL, kemudian dengan tanda ► ke kotak Independent(s) Pilih atau Klik Stepwise pada kotak Method Klik Ok maka diperoleh hasil analisisnya (dalam tampilan hasil analisis sebagian yang dianggap tidak penting telah di delete) Regression Model Summary Model R 1 .816 2 .895 3 .951 4 .972 5 .991 6 .993 7 .992 8 .993 9 .994

R Square Adjusted R Square Std. Error of the Estimate .666 .659 .820303 .801 .792 .640095 .905 .899 .447104 .945 .940 .342850 .983 .981 .194701 .985 .983 .183035 .985 .983 .183046 .987 .985 .173676 .989 .987 .159845 Penuntum Praktikum Rancangan Percobaan dengan SPS- 99

ANOVA Model

Sum of df Mean Square Squares 1 Regression 61.660 1 61.660 Residual 30.953 46 .673 Total 92.613 47 2 Regression 74.176 2 37.088 Residual 18.437 45 .410 Total 92.613 47 3 Regression 83.817 3 27.939 Residual 8.796 44 .200 Total 92.613 47 4 Regression 87.559 4 21.890 Residual 5.054 43 .118 Total 92.613 47 5 Regression 91.021 5 18.204 Residual 1.592 42 3.791E-02 Total 92.613 47 6 Regression 91.240 6 15.207 Residual 1.374 41 3.350E-02 Total 92.613 47 7 Regression 91.206 5 18.241 Residual 1.407 42 3.351E-02 Total 92.613 47 8 Regression 91.376 6 15.229 Residual 1.237 41 3.016E-02 Total 92.613 47 9 Regression 91.591 7 13.084 Residual 1.022 40 2.555E-02 Total 92.613 47 a Predictors: (Constant), KL b Predictors: (Constant), KL, Konsentrasi Hidrogen Peroksida

F

Sig.

91.633

.000

90.519

.000

139.764

.000

186.222

.000

480.216

.000

453.902

.000

544.418

.000

504.898

.000

512.102

.000

c Predictors: (Constant), KL, Konsentrasi Hidrogen Peroksida, KKL d Predictors: (Constant), KL, Konsentrasi Hidrogen Peroksida, KKL, Lama Desinfeksi (Jam) e Predictors: (Constant), KL, Konsentrasi Hidrogen Peroksida, KKL, Lama Desinfeksi (Jam), KKKL f Predictors: (Constant), KL, Konsentrasi Hidrogen Peroksida, KKL, Lama Desinfeksi (Jam), KKKL, KK g Predictors: (Constant), KL, KKL, Lama Desinfeksi (Jam), KKKL, KK h Predictors: (Constant), KL, KKL, Lama Desinfeksi (Jam), KKKL, KK, LLL i Predictors: (Constant), KL, KKL, Lama Desinfeksi (Jam), KKKL, KK, LLL, KLLL j Dependent Variable: Log. Jumlah E. coli Penuntum Praktikum Rancangan Percobaan dengan SPS-100

Coefficients Model

1 2

3

4

5

6

7

8

9

(Constant) KL (Constant) KL Konsentrasi Hidrogen Peroksida (Constant) KL Konsentrasi Hidrogen Peroksida KKL (Constant) KL Konsentrasi Hidrogen Peroksida KKL Lama Desinfeksi (Jam) (Constant) KL Konsentrasi Hidrogen Peroksida KKL Lama Desinfeksi (Jam) KKKL (Constant) KL Konsentrasi Hidrogen Peroksida KKL Lama Desinfeksi (Jam) KKKL KK (Constant) KL KKL Lama Desinfeksi (Jam) KKKL KK (Constant) KL KKL Lama Desinfeksi (Jam) KKKL KK LLL (Constant) KL KKL Lama Desinfeksi (Jam) KKKL KK LLL KLLL

Unstandardiz Standardi ed Std. Error zed Coefficients Coefficie nts B Beta 7.302 .155 -1.409 .147 -.816 7.836 .155 -.900 .147 -.521 -3.903 .706 -.471 8.174 .118 -2.834 .297 -1.641 -4.870 .512 -.588 5.014 .722 1.239 7.584 .139 -3.898 .296 -2.257 -3.183 .494 -.384 6.129 .588 1.515 .222 .039 .357 7.584 .079 -7.251 .389 -4.198 -3.183 .280 -.384 27.529 2.264 6.803 .254 .023 .409 -31.704 3.317 -3.488 7.471 .086 -7.735 .412 -4.479 -.925 .923 -.112 28.605 2.170 7.069 .278 .023 .448 -31.704 3.119 -3.488 -5.018 1.965 -.285 7.412 .063 -7.933 .361 -4.593 29.009 2.132 7.169 .291 .019 .468 -31.704 3.119 -3.488 -6.906 .561 -.392 7.357 .064 -7.933 .343 -4.593 29.009 2.023 7.169 .349 .030 .561 -31.704 2.959 -3.488 -6.906 .533 -.392 -1.638E-03 .001 -.102 7.298 .062 -8.236 .332 -4.769 28.850 1.862 7.130 .429 .040 .691 -31.704 2.724 -3.488 -6.164 .553 -.349 -4.073E-03 .001 -.254 1.082E-02 .004 .212

t

Sig.

47.237 -9.573 50.687 -6.114 -5.527 69.000 -9.547 -9.502 6.945 54.736 -13.186 -6.447 10.427 5.642 96.385 -18.643 -11.352 12.160 11.245 -9.557 86.699 -18.783 -1.002 13.184 11.965 -10.166 -2.554 118.548 21.960 13.607 14.943 10.165 12.301 115.537 -23.145 14.341 11.436 -10.714 -12.965 -2.378 117.762 -24.782 15.490 10.861 -11.641 -11.145 -3.870 2.899

.000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .322 .000 .000 .000 .014 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .022 .000 .000 .000 .000 .000 .000 .000 .006

a Dependent Variable: Log. Jumlah E. coli

Penuntum Praktikum Rancangan Percobaan dengan SPS-101

Jadi Persamaan Garis Regresinya yang dipilih adalah yang No. 9, karena nilai R nya palinga besar (0,994) dan semua koefisien garis regresinya sangat nyata (P,0,01) dengan persamaan sebagai berikut : Y = 7.298 – 6.164K 2 + 0.429L - 0.004073L3 – 8.236KL + 0.01082 KL3+ 28.85K 2L - 31.704 K 3L Untuk bisa menggambar dalam satu Grafik, maka kita

buat Data View seperti

Gambar 8.10. dengan Kolom diisi dengan K, L dan Y, pada K dan Y datanya diisi seperti Gambar 11.10.

Gambar 11.10. Data View Penuntum Praktikum Rancangan Percobaan dengan SPS-102

Gambar 11. 10 Compute Variable. Sebelum ditampilkan dalam bentuk Grafik , definisikan dulu Variabelnya seperti tampak pada Gambar 12.10, sehingga grafiknya tampak lebih menarik,

Gambar 12.10. Kotak Dialog Variable View dan Value Label Penuntum Praktikum Rancangan Percobaan dengan SPS-103

Klik Graphs, pilih dan Klik Line, Klik Mutiple, Klik Difine, maka muncul Gambar 12.10. tandai atau Klik Other statistic (e.g. mean). Klik Log Jumlah E coli, pindahkan dengan tanda ►ke Variable Klik Lama Desinfeksi ), pindahkan dengan tanda ►ke Catagori Axis Klik Konsentrasi Hidrogen peroksida, pindahkan dengan tanda ►ke Define Lines by

Gambar 13.10. Kotak Dialog Define Multiple Line

Graph

Dari Grafik diatas dapat disimpul;kan bahwa : Makin tinggi konsentrasi Hidrogen Peroksida yang diberikan jumlah bakteri E coli semakin menurun. Semakin lama waktu Desinfeksi yang diberikan Hidrogen Peroksida jumlah E coli-nya semakin menurun, sedangkan yang tidak diberikan Hidrogen Peroksida (0,00) jumlah E coli-nya semakin meningkat. Penuntum Praktikum Rancangan Percobaan dengan SPS-104

XI.

RANCANGAN ACAK LENGKAP POLA TERSARANG

Rancangan Acak Lengkap Pola Tersarang adalah rancangan percobaan dengan materi homogen atau tanpa peubah pengganggu, terdiri dari dua peubah bebas atau faktor dalam klasifikasi tersarang yaitu Faktor A terdiri dari a taraf dan Faktor B terdiri dari b taraf yang tersarang (tergantung) dari pada Ai. (taraf B pada A1 tidak sama dengan taraf B pada A2 dan seterusnya)

Rancangan ini

seolah-olah terdiri dari dua atau lebih Rancangan Acak Lengkap yang responsnya sama kemudian digabung menjadi satu model percobaan. Model Matematisnya :

Yijk = µ + Ai + Bj(i) + єijk i = 1, 2, 3,…………,a

j = 1,2,3...........,b dan k =1.2.3,.......u

Disini : Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf ke-j dan ulangan ke-k

µ

: Rataan Umum

Ai : Pengaruh Faktor A pada taraf ke-i Bj(i) : Pengaruh Faktor B pada taraf ke-j pada Ai


ke-j dan Ulangan ke-k

Teladan 8. Seorang peneliti ingin mengetahui perubahan pH daging ayam yang disimpan pada suhu dingin (5oC) selama penyimpanan 0, 4 dan 8 hari dan suhu beku (0oC) selama 0, 1 dan 2 bulan. Tabel 8. Data pH Daging Ayam yang Disimpan pada Suhu Dingin dan Beku. Suhu (i) Dingin

Beku

Lama Simpan (j) 0 hari 4 hari 8 hari 0 bulan 1 bulan 2 bulan

1 7.43 6.52 6.19 7.58 6.78 6.46

Ulangan (k) 2 3 7.47 7.42 6.59 6.62 6.22 6.31 7.74 7.68 6.74 6.72 6.41 6.45

4 7.46 6.65 6.68 7.85 6.78 6.51

Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah, ditunjukan pada Gambar 1.11 di bawah ini, kemudian pada Kolom Name ketik Suhu, Lama, Ulangan dan pH, pada Kolom Type Numeric, kolom Label ketik Suhu, Lama Penyimpanan, Ulangan dan pH Daging seperti tampak pada Gambar 1.11


Gasmbar 1.11. Kotak Dialog Variabele View Klik pada Kolom Value pada baris 1, maka muncul Gamabr 2.11 atas Ketik anggak 1 kotak Value dan Dingin Value Label, kemudian Klik Add Ketik anggak 2 kotak Value dan Beku Value Label, kemudian Klik Add Klik OK Klik pada Kolom Value pada baris 1, maka muncul Gamabr 2.11 bawah Ketik anggak 1 kotak Value dan 0 Jam/0 Hari Value Label, kemudian Klik Add Ketik anggak 2 kotak Value dan 4 Jam/1 Hari Value Label, kemudian Klik Add Ketik anggak 3 kotak Value dan 8 Jam/2 Hari Value Label, kemudian Klik Add Ketik OK

Gambar 2.11. Kotak dialog Value Label


Klik Data View pada pojok kiri bawah, maka muncul Gambar 3. 11. Salinlah data pada Tabel 8. pada Kolom Suhu, Lama, Ulangan dan pH, seperti yang tampak pada Gambar 3.11.

Gamabar 3.11. Data View


11.1. Analisis Deskriptif Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data, dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya adalah Std Deviation (Standar Deviasi) dari pH daging ayam pada Suhu penyimpanan suhu dingin dan suhu beku serta lama penyimpanan yang berbeda. Klik : Analyze , pilih Compare Means, lalu Klik Means, maka muncul Gambar 4.11. Klik pH Daging, pindahkan dengan tanda► ke kotak Dependent List Klik Suhu, pindahkan dengan tanda► ke kotak Independent List Klik Lama Penyimpanan, pindahkan dengan tanda► ke kotak Independent List Klik OK, maka diperoleh hasil analisisnya

Gamabar 4.11. Kotak Dialog Mean

Means pH * Suhu pH Suhu Dingin Beku Total

N 12 12 24

Mean 6.7967 6.9750 6.8858

Std. Deviation .5051 .5630 .5309

pH * Lama pH Lama o jam/0 hari 4 jam/ 1 hari 8 jam/2hari Total

N 8 8 8 24

Mean 7.5788 6.6750 6.4037 6.8858

Std. Deviation .1617 9.502E-02 .1609 .5309


11.2. Analisis Ragam. Analisis Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh Suhu Penyimpanan dan Lama Penyimpanan pada suhu Dingin dan Suhu Beku

terhadap pH daging ayam, apakah ada

pengaruhnya atau tidak. Oleh karena suhu penyimpanan hanya ada 2 taraf yaitu suhu Dingin dan suhu beku maka tidak perlu dilakukan uji lanjutan baik LSD maupun Duncan, sedangkan untuk mengetahui apakah ada perbedaan pH antara lama penyimpanan dilakukan penetapan Confidence Interval pada taraf 0,05. Prosedurnya sebagai berikut : Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 5.11

Gamabar 5.11. Kotak Dialog Univaiate Klik pH Daging, pindahkan dengan tanda ►ke Dependent Variable Klik Suhu, pindahkan dengan tanda ►ke Fixed Factor(s) Klik Lama Penyimpanan, pindahkan dengan tanda ► ke Fixed Factor(s) Klik Options, maka muncul Gambar 6.11


Gambar 6.11. Univarate Options Klik Suhu*Lama, pindahkan dengan tanda ►ke Display Means for Klik Contionue, maka kembali ke Gambar 5.11. Klik Paste, maka muncul Gambar 7.11.

Gamabar 7.11 Dialog Syntax Perhatikan /DESIGN + Suhu Suhu*Lama. , periksa yang tampak pada layer computer apakah sudah sesuai, jika belum sesuaikan Klik tanda ►untuk menjalankan Syntax, maka diperoleh hasil nalisis dibawah ini :


Univariate Analysis of Variance Tests of Between-Subjects Effects Dependent Variable: pH Source Type III Sum of Squares df Mean Square F Sig. Corrected Model 6.273 5 1.255 107.517 .000 Intercept 1137.953 1 1137.953 97515.595 .000 SUHU .191 1 .191 16.352 .001 SUHU * LAMA 6.083 4 1.521 130.309 .000 Error .210 18 1.167E-02 Total 1144.436 24 Corrected Total 6.483 23 a R Squared = .968 (Adjusted R Squared = .959) Kesimpulan : Suhu Penyimpanan berpengaruh sangat nata (P<0,01) terhadap pH Daging (lihat Sig 0,001<0,01). Jadi rata-rta pH daging yang disimpan pada suhu dingin berbeda sangat nyata (P<0,01) dibandingkan dengan yang disimpan pada suhu beku. Lama penyimpanan berpengaruh sangat nyata (P<0,01) papa suhu dingan dan suhu beku (liaht SUHU*LAMA Sig. 0,000<0,01).

Estimated Marginal Means Suhu * Lama Dependent Variable: pH Suhu Dingin

Beku

Lama 0 hari/0 bulan 4 hari 1 bulan 8 hari /2 bulan 0 hari/0 bulan 4 hari 1 bulan 8 hari /2 bulan

Mean 7.445 6.595 6.350 7.713 6.755 6.457

95% Confidence Interval Std. Error Lower Bound Upper Bound .054 7.332 7.558 .054 6.482 6.708 .054 6.237 6.463 .054 7.599 7.826 .054 6.642 6.868 .054 6.344 6.571

Kesimpulan : Pada suhu dingin terjadi penurunan pH daging yang nyata (P<0,05) dari 0 hari ke lama penyimpanan 4 hari demikinan juga dari 4 jam ke- 8 hari.( Lihat Batas bawah dan batas atas pada 95% Confidence Interval tidak ada yang berpotongan berarti nyata (P<0,05), sebalinya kalau berpotongan erarti tidak nyata (P>0,05))


Pada suhu beku juga terjadi penurunan pH daging yang nyata (p<0,05)

dari

penyimpanan 0 bulan sampai dengan 2 bulan ( Lihat Batas bawah dan batas atas pada 95% Confidence Interval tidak ada yang berpotongan berarti nyata (P,0,05) ), sebaliknya kalau berpotongan berarti tidak nyata (P>0,05)).

11.3. Analisis Regresi. Analisis reresi diperlukan untuk mencari hubungan antara Lama penyimpanan pada suhu Dingin dan suhu Beku dengan pH daging ayam. Oleh karena suhu dingin disimpan pada 0, 4, dan 8 hari, sedangkan pada suhu beku disimpan pada 0, 1 dan 2 bulan, maka analisis regresi dilakukan secara terpisah pada kedua suhu tersebut Persamaan garis Regresi dugaannya sebagai berikut : Suhu Dingin : Y1 = o + 1D + 2D2 Suhu Beku : Y2 = o + 1B + 2B2 Kita kembali ke Vareible View Gambar 8.11., Ketik pada Name D, B, Y1 dan Y2, pada Kotak Decimals Ketik 0, 0, 2 dan 2, pada Kolom Label Ketik Lama Simpan (Hari) pada Suhu Dingin, Lama Simpan (Bulan) pada Suhu Beku, pH Daging Ayam dan pH Daging Ayam

Gambar 6.11. Kotak Dialog Variable View Klik Data View pada pojok kiri bawah, maka muncul gambar 9.11


Gambar 7.11. Data View Lengkapi Gambar 7.11, Kolom D, B, Y1 dan Y2 dengan Data seperti tampak pada gambar tersebut Klik Transform, Klik Compute, maka muncul Gambar 8.11


Gambar 8.11. Kotak Dialog Compute Variable Untuk melangkapi Kolom DD dan BB, maka lakukan prosedur sebagai berikut : Ketik BB pada Target Variable dan B*B pada Numeric Expression, lalu Klik OK Ketik DD pada Target Variable dan D*D pada Numeric Expression, lalu Klik OK Klik Analisis, pilih Regession, Klik Linear, maka muncul Gambar 9.11.

Gambar 9.11. Linear Regression Klik pH Daging Ayam(Y1), pindahkan dengan tanda ►ke kotak Dependent Penuntum Praktikum Rancangan Percobaan dengan SPS-114

Klik Lama Simpan (Hari), pindahkan dengan tanda ►ke kotak Independent(s) Klik DD, pindahkan dengan tanda ►ke kotak Independent(s) Klik OK Dengan cara yang sama seperti diatas : Klik pH Daging Ayam(Y2), pindahkan dengan tanda ►ke kotak Dependent Klik Lama Simpan (Bulan), pindahkan dengan tanda ►ke kotak Independent(s) Klik BB, pindahkan dengan tanda ►ke kotak Independent(s) Klik Ok, maka diperoleh hasil analisis sebagai berikut : Regression pada Suhu Dingin Model Summary Mod el R R Square Adjusted R Square Std. Error of the Estimate 1 .924(a) .855 .840 .20199 2 .970(b) .942 .929 .13499 a Predictors: (Constant), Lama Simpan (Hari) pada Suhu Dingin b Predictors: (Constant), Lama Simpan (Hari) pada Suhu Dingin, DD ANOVA Model 1

Sum of Squares df Mean Square F Regression 2.398 1 2.398 58.773 Residual .408 10 4.080E-02 Total 2.806 11 2 Regression 2.642 2 1.321 72.496 Residual .164 9 1.822E-02 Total 2.806 11 a Predictors: (Constant), Lama Simpan (Hari) pada Suhu Dingin b Predictors: (Constant), Lama Simpan (Hari) pada Suhu Dingin, DD c Dependent Variable: ph Daging Ayam

Sig. .000

.000

Coefficients Unstandardized Standardized t Model Coefficients Std. Error Coefficients B Beta 1 (Constant) 7.344 .092 79.657 Lama Simpan -.137 .018 -.924 -7.666 (Hari) pada Suhu Dingin 2 (Constant) 7.445 .067 110.305 Lama Simpan -.288 .043 -1.946 -6.698 (Hari) pada Suhu Dingin DD 1.891E-02 .005 1.063 3.659 a Dependent Variable: ph Daging Ayam Jadi persamaannya Y1 = 7.445 - 0.288D + 0.01991D2

Sig.

.000 .000

.000 .000

.005


Regression pada Suhu Beku Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 .951 .903 .894 .1834 2 .993 .987 .984 7.153E-02 a Predictors: (Constant), Lama Penyimpanan(Bulan) pada Suhu Beku b Predictors: (Constant), Lama Penyimpanan(Bulan) pada Suhu Beku, BB ANOVA Model Sum of Squares Df Mean Square F Sig. 1 Regression 3.150 1 3.150 93.626 .000 Residual .336 10 3.364E-02 Total 3.487 11 2 Regression 3.440 2 1.720 336.200 .000 Residual 4.605E-02 9 5.117E-03 Total 3.487 11 a Predictors: (Constant), Lama Penyimpanan(Bulan) pada Suhu Beku b Predictors: (Constant), Lama Penyimpanan(Bulan) pada Suhu Beku, BB c Dependent Variable: pH Daging Ayam Coefficients Unstandardized Standardized Coefficients Std. Error Coefficients B Beta 1 (Constant) 7.603 .084 Lama -.628 .065 -.951 Penyimpana n(Bulan) pada Suhu Beku 2 (Constant) 7.713 .036 Lama -1.288 .091 -1.950 Penyimpana n(Bulan) pada Suhu Beku BB .330 .044 1.041 a Dependent Variable: pH Daging Ayam

t

Sig.

90.806 -9.676

.000 .000

215.641 -14.120

.000 .000

7.534

.000

Model

Jadi persamaannya Y 2 = 7.713 - 1.288B + 0.330B2 Untuk menggambar kedua persamaan garis regresi diatas, maka kita kembali ke Data View Gambar 7.11. Dengan mengganti data pada Kolom D dan B (ingat Decimal diganti dari 0 menjadi 2), seperti tampak pada Gambar 10.11.


Gambar 10.11. Sedangkan untuk mengisi

Kolom Y1 dan Y2, Klik Tranform, lalu Klik Compute,

maka muncul gambar 11.11.



Ketik Y1 pada kotak Target Variable dan 7.445 + 0.288*D + 0.01991*D*D pada kotak Numeric Expression, lalu Klik OK, jika muncul Change existing variable Klik OK lagi. Ketik Y2 pada kotak Target Variable dan 7.713 + 1.288*B + 0.330*B*B pada kotak Numeric Expression, lalu Klik OK, jika muncul Change existing variable Klik OK lagi. Kolik Graphs, Klik Line, Klik Simple, lalu Klik Difine. Tandai atau pilih Other statistic (e.g. mean) Klik pH Daging Ayam (Y1), pindahkan dengan tanda ►ke kotak Variable Klik Lama Penyimpanan (Hari), pindahkan dengan tanda ►ke Category Axis Klik OK

Gambar 12.11. Kotak Dialog Define Simple Line Dengan cara yang sama : Klik pH Daging Ayam (Y2), pindahkan dengan tanda ►ke kotak Variable Klik Lama Penyimpanan (Bulan), pindahkan dengan tanda ►ke Category Axis Klik OK, maka diperoleh Gambar Grafik dibawah ini :


Graph 7.60

Mean ph Daging Ayam

7.40

7.20

Y1 = 7.445 - 0.288D + 0.01991D2 7.00

6.80

6.60

6.40

0

1

2

3

4

5

6

7

8

7

8

Lama Simpan (Hari) pada Suhu Dingin

7.60

Mean ph Daging Ayam

7.40

7.20

Y 2 = 7.713 - 1.288B + 0.330B2

7.00

6.80

6.60

6.40

0

1

2

3

4

5

6

Lama Simpan (Hari) pada Suhu Dingin

Kesimpulan : Perubahan pH daging selama penyimpanan pada suhu dingin mengalami penurunan yang cukup cepat hinga hari ke4 selanjutnya penurunannya semakin lambat. Demikian penurunan pH daging yang disimpan pada suhu beku terjadi penurunan yang cukup cepat hingga bulan ke-1, selanjutnya penurunnannya semakin lambat.


X.II. RANCANGAN ACAK KELOMPOK POLA TERSARANG Rancangan Acak Kelompok Pola Tersarang adalah rancangan percobaan dengan materi tidak homogen atau ada peubah pengganggu, terdiri dari dua peubah bebas atau faktor dalam klasfikasi tersarang yaitu Faktor A terdiri dari a taraf dan Faktor B terdiri dari b taraf yang tersarang (tergantung) dari pada Ai (taraf B pada A1 tidak sama dengan taraf B pada A2 dan setrusnya). Rancangan ini seolah-olah terdiri dari dua atau lebih Rancangan Acak Lengkap yang responsnya sama kemudian digabung menjadi satu model percobaan. Model Matematisnya :

Yijk = µ + Ai + Bj(i) + Kk + єijk i = 1, 2, 3,…………,a

j = 1,2,3...........,b dan k =1.2.3,.......u

Disini : Yijk : Pengamatan Faktor A taraf ke-i , Faktor B taraf kej dan ulangan ke-k

µ

: Rataan Umum, Ai : Pengaruh Faktor A pada taraf ke-i Bj(i) : Pengaruh Faktor B pada taraf ke-j pada Ai Kk : Pengaruh Kelompok ke-k.


ke-j dan kelompok ke-k

Teladan 9. Seorang peneliti ingin mengetahui citarasa olahan daging itik, ayam buras dan ayam Broiler. Daging itik yang diambil terdiri dari itik Petelur afkir, itik muda jantan dan itik muda betina, daging ayam buras yang diamati terdiri dari ayam buras muda, ayam buras betina afkir dan ayam jantan aduan, sedangkan daging ayam Broiler terdiri dari ayam Broiler umur 4 minggu, ayam broiler umur 7 minggu dan ayam Broiler umur 8 minggu. Cita rasa masing-masing jenis olahan daging diamati oleh 3 orang Panelis. Tabel 9. Data Skor Citarasa Olahan Daging. Unggas (i) Itik

Ayam Buras

Ayam Briler

Jenis (j) 1 2 3 1 2 3 1 2 3

1 5.5 6.6 6.6 6.7 5.4 4.5 7.5 8.1 6.6

Panelis (k) 2 5.5 6.5 6.2 6.8 5.5 4.2 7.8 8.3 6.4

3 5.4 6.7 6.6 6.7 5.4 4.5 7.6 8.6 6.5


Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah, ditunjukan pada Gambar 1.12. di bawah ini. kemudian pada Kolom Name ketik Unggas, Jenis, Panelis dan Citaras, pada Kolom Type Numeric, kolom Label ketik Unggas Jenis, Panelis

dan Citarasa seperti tampak pada Gambar 1.12.

Setelah kolom tersebut

dilengkapi, kemudian Klik pada pojok kiri atas Kolom Values baris 1 (Unggas), maka muncul Gambar 2.12.

Gambar 1.12. Kotak dialog Variable View

Gambar 2.12. Kotak Dialog Value Label Ketik angka 1 pada kotak Value dan Itik pada kotak Value Label, lalu Klik Add Ketik angka 2 pada kotak Value dan Ayam Buras pada kotak Value Label, lalu Klik Add Ketik angka 3 pada kotak Value dan Ayam broiler pada kotak Value Label, lalu Klik Add Klik OK, maka layar kembali ke Gambar 1.12, lalu Klik Data View pda pojok ,kiri bawah, cul Gambar 3.12. Salinlah data pada Tabel 9. pada kolom Unggas, Jenis, Panelis dan Cita Rasa, sesui dengan yang tampak pada Gambar 3.12.


Gambar 3.12. Data View 12.1. Analisis Deskriptif Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data, dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya adalah Std Deviation (Standar Deviasi). dari Citarasa olahan daging Itik, ayam buras dan ayam Broiler serta citarasa masing-masing jenis pada unggas yang berbeda. Disamping itu juga untuk mengetahui ukuran pemusatan dan penyebaran citarata antara panelis. Klik : Analyze , pilih Compare Means, lalu Klik Means, maka muncul Gambar 4.12. Penuntum Praktikum Rancangan Percobaan dengan SPS-122

Gambar 4.12. Kotak Diaolog Means Klik Citarasa, pindahkan dengan tanda► ke kotak Dependent List Klik Unggas, pindahkan dengan tanda► ke kotak Independent List Klik Jenis, pindahkan dengan ► ke kotak Independent List Klik Panelis, pindahkan dengan ► ke kotak Independent List Klik OK, maka diperoleh hasil analisis sebagai berikut :

Means Citarasa * Unggas Citarasa Unggas Itik Ayam Buras Ayam Broiler Total

Mean 6.178 5.522 7.489 6.396

N 9 9 9 27

Std. Deviation .552 1.017 .816 1.145

Jenis 1 2 3 Total

Mean 6.611 6.789 5.789 6.396

N 9 9 9 27

Std. Deviation .947 1.271 1.053 1.145

Panelis 1 2 3 Total

Mean 6.389 6.356 6.444 6.396

N 9 9 9 27

Std. Deviation 1.103 1.236 1.230 1.145

Citarasa * Jenis Citarasa

Citarasa * Panelis Citarasa


12.2. Analisis Ragam. Analisis Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh Unggas dan Jenis terhadap Citarasa olahan dagingnya, apakah ada pengaruhnya atau tidak. Disamping itu juga untuk mengatahui apakah ada pengarus atau variasi penelain antara Panelis. Uji

LSD (Uji BNT)

dilakukan untuk mengetahui apakah ada perbedaan citarasa olahan daging itik, ayam Buras dan ayam Broiler, sedangkan untuk mengetahui apadakan ada perbedaan citarasa antara Jenis pada Itk, ayam Buras dan ayam Broiler dilakukan uji Confidence Interval pada taraf 0,05. Prosedurnya sebagai berikut : Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 5.12

Gambar 5.12. Kotak Dialog univariate Klik Citarasa, pindahkan dengan tanda► ke kotak Dependent Variable Klik Panelis, pindahkan dengan tanda► ke kotak Fixed Factor(s) Klik Unggas, pindahkan dengan tanda► ke kotak Fixed Factor(s) Klik Jenis, pindahkan dengan tanda► ke kotak Fixed Factor(s) Klik Options, maka muncul Gambar 6.12. Klik Unggas, pindahkan dengan tanda► ke kotak Display Mean for Klik Unggas*Jenis, pindahkan dengan tanda► ke kotak Display Mean for Kasi tanda V di depan Copare main effects, pilih LSD pada kotak dibawahnya. Klik Continue, mka layer kembali ke Gambar 5.12. Penuntum Praktikum Rancangan Percobaan dengan SPS-124

Gambar 6.12. Kotak Dialog Univariate Options Klik Paste, maka muncul Gambar 7.12.

Gambar 7.12. Kotak Dialog Syntax Perhatika /DESIGN = Panelis Unggas Unggas*Jenis. Jadi dalam Design Jenis, karena tersarang pada unggas, demikian juga interaksi antara Panelis dengan Unggas dan Jenis (Panelis*Unggas, Panelis*Jenis) kapene kita buat modelnya tidak berinteraksi. Untuk menjalankan Syntax Klik tanda ► maka diperoleh hasil analisisnya Ingat hasil analisis yang dianggap tidak penting tidak ditampilkan (didelete).


Univariate Analysis of Variance (h) Tests of Between-Subjects Effects Dependent Variable: Citarasa Source Type III Sum of Df Mean Square Squares Corrected Model 33.726 10 3.373 Intercept 1104.640 1 1104.640 PANELIS 3.630E-02 2 1.815E-02 UNGGAS 18.050 2 9.025 UNGGAS * JENIS 15.640 6 2.607 Error .364 16 2.273E-02 Total 1138.730 27 Corrected Total 34.090 26 a R Squared = .989 (Adjusted R Squared = .983)

F

Sig.

148.367 48595.177 .798 397.018 114.672

.000 .000 .467 .000 .000

Kesimpulan : Panelis tidak berpengaruh nyata(P>0,05) terhadap citarasa daging olahan (lihat PANELIS Sig 0,467>0,05), hal ini

berarti tidak ada variasi diantara Panelis yang

mengetest citarasa olahan daging tersebut. Unggas berpengaruh sangat nyata (P<0,01) terhadap citarasa daging olahan (lihat UNGGAS Sig 0,000<0,01). Klasfikasi unggas/Jenis unggas pada itik, ayam buras dan ayam Broiler berpengaruh

sangat

nyata

(P<0,01)

terhadap

citarasa

daging

olahan

(lihat

UNGGAS*JENIS Sig. 0,000<0,01)

Estimated Marginal Means 1. Unggas Estimates Dependent Variable: Citarasa 95% Confidence Interval Unggas Itik Ayam Buras Ayam Broiler

Mean 6.178 5.522 7.489

Std. Error .050 .050 .050

Lower Bound Upper Bound 6.071 6.284 5.416 5.629 7.382 7.595


Pairwise Comparisons Dependent Variable: Citarasa (I) Unggas

(J) Unggas

Mean Difference Std. Sig. (I-J) Error

95% Confidence Interval for Difference Lower Bound Upper Bound .505 .806 -1.462 -1.160 -.806 -.505 -2.117 -1.816 1.160 1.462 1.816 2.117

Itik

Ayam Buras .656 .071 .000 Ayam Broiler -1.311 .071 .000 Ayam Buras Itik -.656 .071 .000 Ayam Broiler -1.967 .071 .000 Ayam Broiler Itik 1.311 .071 .000 Ayam Buras 1.967 .071 .000 Based on estimated marginal means * The mean difference is significant at the .05 level. a Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments). Kesimpulan : Uji LSD Citrasa olahan daging itik berbeda sangat nyata (P<0,01) dibandingkan dengan citarasa daging ayam buras dan Broiler, demikian juga citarasa olahan daging ayam buras berbeda sangat nyata (P<0,01) dengan ayam Broiler (lihat Sig 0,000<0,01). 2. Unggas * Jenis Dependent Variable: Citarasa Unggas

Jenis

Mean

Itik

1 2 3 1 2 3 1 2 3

5.467 6.600 6.467 6.733 5.433 4.400 7.633 8.333 6.500

Ayam Buras

Ayam Broiler

95% Confidence Interval Std. Error Lower Bound Upper Bound .087 .087 .087 .087 .087 .087 .087 .087 .087

5.282 6.415 6.282 6.549 5.249 4.215 7.449 8.149 6.315

5.651 6.785 6.651 6.918 5.618 4.585 7.818 8.518 6.685

Kesimpulan : Citarasa Olahan daging itik jenis 1 (itik Petelur Afkir berbeda nyata (P<0,05) dibandingkan dengan citarasa olahan daging itik Jenis 2 (muda jantan) dan jenis 3 (muda betina), sedangkan citarasa olahan daging antara itik muda jantan dengan muda betina tidak berbeda nyata (P>0,05). Lihat batas bawah dan atas pada selang kepercayaan 95% (95% Confidence interval) antara jenis 1 tidak berpotongan dengan jenis 2 dan 3 (batas bawah jenis 1=5.651 lebih kecil dari batas atas jenis 2), sedangkan antara jenis 2 berpotongan dengan jenis 3 (batas bawah jenis 3 = 6.651 lebih Penuntum Praktikum Rancangan Percobaan dengan SPS-127

besar dari batas atas jenis 2 =6.415). yaitu batas atas jenis 3 = 6,651 berada diantara 6,415 dan 6,765). Citarasa daging olahan Ayam Buras Jenis 1(ayam buras muda) berbeda nyata (P<0,05) dibandingkan dengan citarasa olahan daging ayam buras jenis 2 dan 3 (betina afkir dan jantan aduan), demikian juga citarasa daging olahan betina apkir nyata(P<0,05) lebih enak daripada jantan aduan. Lihat batas bawah dan atas pada selang kepercayaan 95% ( 95% Confidence interval) antara ketiga jenis ayam buras tidak ada yang berpotongan. Citarasa daging olahan Ayam Broiler Jenis 1(umur 4 minggu) nyata (P<0,05) kurang enak dibandingkan dengan citarasa olahan daging ayam Broiler jenis 2 (umur 7 minggu) dan nyata (P<0,05) lebih enak dibandingkan dengan ayam broiler jenis 3 (umur 8 minggu). Citarasa daging olahan ayam Broiler umur 7 minggu nyata (P<0,05) paling enak dibandingkan dengan umur 4 dan 8 minggu. Lihat batas bawah dan atas pada selang kepercayaan 95% (95% Confidence interval) antara ketiga jenis ayam Broiler tidak ada yang berpotongan.

12,3, Analsis Regresi. Oleh karena kedua faktor bersifat kualitatif, maka kita tidak bisa melakukan analisis Regresi-korelasi, kita hanya bisa menggambar dalam bentuk Histogram pada masing-masing Jenis Unggas, prosedurnya sebagai berikut : Klik Graphs, lalu Klik Bar, pilh dan Klik Custered, Klik Define, maka muncul Gambar 8.12.


Gambar 8.12. Define Clustered Bar Klik atau tandai Other statistic (e,g, mean) Klik Citarasa, pindahkan dengan tanda ►ke kotak Variable Klik Unggas , pindahkan dengan tanda ►ke kotak Catagory Axis Klik Jenis, pindahkan dengan tanda ►ke kotak Define Clusters by Klik OK

Graph Jenis

10.0

Jenis 1 Jenis 2 Jenis 3

Mean Citarasa

8.0

6.0

4.0

2.0

0.0 Itik

Ayam Buras

Ayam Broiler

Unggas

_


XIII. RANCANGAN ACAK LENGKAP POLA BERJENJANG Rancangan Acak Lengkap Pola Berjenjang adalah rancangan percobaan dengan materi homogen atau tidak ada peubah pengganggu, rancangan ini sebenarnya merupakan rancangan acak lengkap sederhana (satu faktor) yang diulang dengan cara yang berbeda, cara pengulangan yang berbeda tersebut disebut faktor Tambahan, sedangkan faktor yang dirancang dengan materi yang homogen disebut faktor Utama. Rancangan ini disebut pula Rancanagan Acak Lengkap SpiltPlot atau Petak Terpisah dimensi waktu yang berbedaa maka sering disebut Rancangan Acak Lengkap Pola Split-Time. Kita kembali ke Model Matematis RAL : RAL : Yij =

µ + Ai + єij

i = 1, 2, 3,…………,a

j = 1,2,3...........,u

Jika diulang sebanyak k yang berbeda, maka model matematisnya menjadi Model matematis RAL Pola Split-Plot :

Yijk = µ + Ai + єij + Bk + ABij + єiijk i = 1, 2, 3,…………,a

j = 1,2,3...........,u dan k =1.2.3,.......b

Disini : Yijk : Pengamatan Faktor Utama taraf ke-i , Ulangan ke-j dan Faktor Tambahan taraf ke-k

µ

: Rataan Umum

Ai : Pengaruh Utama pada taraf ke-i

єij : Pengaruh Galat I pada Faktor Utama ke-i dan Ulangan ke-j Bk : Pengaruh Faktor Tambahan pada taraf ke-k ABik : Interaksi antara faktor Utama dengan faktor Tambahan Kelompok ke-k.

єijk : Pengaruh galat II

pada Faktor Utama taraf ke-i, Ulangan ke-j dan faktor tambanan

pada taraf ke-k Teladan 10. Seorang peneliti ingin mengetahui perbedaan fertilitas telur ayam Buras yang dipelihara dengan 3 sistem perkandangan yang berbeda, tiap sistem perkandangan diulang atau digunakan 5 buah kandang dan tiap kandang diisi dengan 5 ekor ayam buras betina dan 1 ekor ayam buras jantan, sehingga dalam penelitian ini digunakan 75 ekor ayam buras betina dan 15 ekor jantan.


Fertilitas yang diamati sebanyak 3 kali yaitu pada periode peneluran pertama, kedua dan ketiga sebagai faktor tambahan. Tabel 10. Data Fertilitas Telur Ayam Buras. Sistem Pemeliharaan (i) 1

2

3

Peride Peneluran (k) 1 2 3 1 2 3 1 2 3

1

2

50.00 71.43 83.33 75.00 85.71 100.00 75.00 100.00 87.50

Ulangan (j) 3

57.14 71.43 62.50 75.00 71.43 87.50 85.71 71.43 87.50

50.00 75.00 85.71 87.50 71.43 100.00 71.43 83.30 100.00

4 50.00 71.43 85.71 66.67 87.50 87.50 85.71 75.00 87.50

5 62.50 83.33 83.33 71.43 85.71 100.00 75.00 100.00 100.00

Komputer telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah, ditunjukan pada Gambar 1.13. di bawah ini. kemudian pada Kolom Name ketik Sistem, Periode, Ulangan dan Fertilitas, pada Kolom Type Numeric, pada Kolom Decimal ketik 0, 0, 0 dan 2, Kolom Label ketik Sistem Pemeliharaan, Periode Peneluran, Ulangan dan Fertilitas Telur (%) seperti tampak pada Gambar 1.13.

Gambar 1.13. Kotak Dialog Variable View Setelah kolom tersebut dilengkapi, kemudian Klik Data View pada pojok kiri bawah, maka muncul Gambar 2.13. Salinlah data Tabel 10 pada Kolom Sistem, Periode, Ulangan dan Fertilitas seperti tampak pada Gambar 2.13.




13.1. Analisis Deskriptif. Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data, dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya adalah Std Deviation (Standar Deviasi). dari fertilitas telur ayam buras pada Sistem Pemeliharaan dan periode Peneluran yang berbeda. Klik : Analyze , pilih Compare Means, lalu Klik Means, maka muncul Gambar 3.13

. Gambar 3.13. Kotak dialog Means Klik Fertilitas Telur, pindahkan dengan tanda ►ke Dependent List Klik Sistem Pemeliharaan, pindahkan dengan tanda ►ke Independent List Klik Periode Peneluran, pindahkan dengan tanda ►ke Independent List Klik OK, maka diperoleh hasil analisisnya sebagai berikut :

Means Fertilitas * Sistem Pemeliharaan Fertilitas Sistem Pemeliharaan 1 2 3 Total (i) Fertilitas * Periode Penelursn Fertilitas Periode Peneluran 1 2 3 Total

Mean 69.5227 83.4920 85.6720 79.5622

N 15 15 15 45

Mean 69.2060 80.2753 89.2053 79.5622

Std. Deviation 13.4490 11.1973 10.6374 13.6309

N 15 15 15 45

Std. Deviation 12.8930 10.1171 10.0136 13.6309


13.2. Analisis Ragam. Analisis Pemeliharaan

Ragam (Analisis Varian ) dilakuakan untuk menguji pengaruh dan Periode Peneluran

Sistem

terhadap Fertilitas telur ayam Buaras, apakah ada

pengaruhnya atau tidak. Disamping itu juga untuk mengatahui apakah interaksi antara Sistem Pemeliharaan dengan Periode Peneluran. Uji

LSD dilakukan untuk mengetahui apakah ada

perbedaan fertilitas antara Sistem Pemeriharaan yang berbeda dan Periode Peneluran yang berbeda dan juga dilakukan Confidence Interval pada taraf 0,05. Prosedurnya sebagai berikut : Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 4.13

Gambar 4.13. Kotak Dialog Univariate Klik Fertilitas, pindahkan dengan tanda ►ke Dependent Variable Klik Sistem Pemeliharaan, pindahkan dengan tanda ►ke Fixed Factor(s) Klik Periode Peneluran, pindahkan dengan tanda ►ke Fixed Factor(s) Klik Ulangan, pindahkan dengan tanda ►ke Random Factor(s) Klik Options, maka muncul Gambar 5.13. Klik Sistem, pindahkan dengan tanda ►ke kotak Displey Means for Klik Periode, pindahkan dengan tanda ►ke kotak Displey Means for Klik Sistem*Periode, pindahkan dengan tanda ►ke kotak Displey Means for Ketik tanda V di depad Compare main effects, pilih LSD pada kotak di bawahnya


Gamabar 5.13. Univariate Options Klik Continue, maka layer kembali ke Gambar 4.13, kemudian Klik Paste, maka muncul Gambar 6.13.

Gambar 6.13. Kotak Dialog Syntax Perhatikan /DESIGN = Sistem Sistem*Ulanagan Periode Sistem*Periode. Pada layar komputer anda tentu designnya tidak sama dengan yang tampak pada Gambar 6.13. harus disamakan, jika tidak hasil analisisnya akan berbeda. Penuntum Praktikum Rancangan Percobaan dengan SPS-135

Untuk menjalankan Syntax Klik tanda ►maka diperoleh hasil analisisnya, sebagai berikut :

Univariate Analysis of Variance Tests of Between-Subjects Effects Dependent Variable: Fertilitas Source Type III Sum of Squares Intercept Hypothesis 284856.624 Error 637.568 Sistem Hypothesis 2303.478 Error 637.568 Siatem * Ulangan Hypothesis 637.568 Error 1784.590 Periode Hypothesis 3011.242 Error 1784.590 Sistem * Periode Hypothesis 438.357 Error 1784.590 a MS(SISTEM * ULANGAN) b MS(Error)

Df

Mean Square

1 12 2 12 12 24 2 24 4 24

284856.624 53.131 1151.739 53.131 53.131 74.358 1505.621 74.358 109.589 74.358

F

Sig.

5361.437 .000 21.677

.000

.715

.723

20.248

.000

1.474

.241

Kesimpulan : Sistem perkandangan berpengaruh sangat nyata (P<0,01) terhadap fertilitas telur ayam buras (Lihat Sig. 0,000<0,01). Periode Peneluran berpengaruh sangat nyata (P<0,01) terhadap fertilitas telur ayam buras (Lihat Sig. 0,000<0,01). Tidak terdapat interaksi yang nyata (P>0,05) antara Faktor Utama (system perkandangan)

dengan

Faktor

Tambahan

(Periode

Peneluran).

Liuhat

SISTEM*PERIODE Sig. 0,241>0,05.

Estimated Marginal Means 1. Sistem Pemeliharaan Estimates Dependent Variable: Fertilitas Sistem Pemeliharaan 1 2 3

Mean 69.523 83.492 85.672

95% Confidence Interval Std. Error Lower Bound 2.226 2.226 2.226

64.927 78.897 81.077

Upper Bound 74.118 88.087 90.267


Pairwise Comparisons Dependent Variable: Fertilitas Pemelih Pemelih Mean Std. Error Sig. Lower Bound Upper Bound araan araan Difference (I-J) 1 2 -13.969 3.149 .000 -20.468 -7.471 3 -16.149 3.149 .000 -22.648 -9.651 2 1 13.969 3.149 .000 7.471 20.468 3 -2.180 3.149 .495 -8.679 4.319 3 1 16.149 3.149 .000 9.651 22.648 2 2.180 3.149 .495 -4.319 8.679 Based on estimated marginal means * The mean difference is significant at the .05 level. a Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments). 2. Periode Penelursn Kesimpulan : Fertilitas telur ayam buras Sistem pemeliharaan 1 berbeda sangat nyata (P<0,01) dibandingkan dengan system pemeliharaan 2, sedangkan antara system pemeliharaan 2 dengan 3 tidak berbeda nyata (P>0,05). Lihat Sig 1 dengan 2 dan 1 dengan 3 sebesar 0,000<0,01, sedangan sig 2 dengan 3 sebasar 0,495>0,05 atau lihat table yang diatasnya lagi 2 dengan 3 berpotongan yaitu batas atas 2 (88.087) lebih besar dari batas bawan 3 (81.077). Estimates Dependent Variable: Fertilitas 95% Confidence Interval Periode Peneluran 1 2 3

Mean 69.206 80.275 89.205

Std. Error 2.226 2.226 2.226

Lower Bound 64.611 75.680 84.610

Upper Bound 73.801 84.871 93.801

Pairwise Comparisons Dependent Variable: Fertilitas (I) Periode (J) Periode Mean Std. Error Sig. 95% Confidence Interval for Penelursn Penelursn Difference (IDifference J) Lower Bound Upper Bound 1 2 -11.069 3.149 .002 -17.568 -4.571 3 -19.999 3.149 .000 -26.498 -13.501 2 1 11.069 3.149 .002 4.571 17.568 3 -8.930 3.149 .009 -15.429 -2.431 3 1 19.999 3.149 .000 13.501 26.498 2 8.930 3.149 .009 2.431 15.429 Based on estimated marginal means * The mean difference is significant at the .05 level. a Adjustment for multiple comparisons: Least Significant Difference (equivalent to no adjustments). Penuntum Praktikum Rancangan Percobaan dengan SPS-137

Kesimpulan : Fertilitas ayam buras antara periode peneluran 1, 2 dan 3 saling berbeda sangat nyata (P<0,01) Lihat Sig <0,01. Oleh karena antara Sistem Pemeliharaan dengan Periode Peneluran tidak terjadi interaksi yang nyata (P>0.05), mka Tabel di bawah ini tidak perlu disimpulkan. Dependent Variable: Fertilitas Telur (%) Sistem Periode Mean Std. Error Pemeliharaan Peneluran 1 1 53.928 3.856 2 74.524 3.856 3 80.116 3.856 2 1 75.120 3.856 2 80.356 3.856 3 95.000 3.856 3 1 78.570 3.856 2 85.946 3.856 3 92.500 3.856

95% Confidence Interval Lower Bound Upper Bound 45.969 61.887 66.565 82.483 72.157 88.075 67.161 83.079 72.397 88.315 87.041 102.959 70.611 86.529 77.987 93.905 84.541 100.459

12.3. Analsais Regresi Kita juga tidak bisa melakukan analisis rergresi, oleh karena kedua faktor bersifat kualitatif, maka cukup digambar grafik barnya saja. Prosedur pembuatan grafiknya adalah sebagai berikut : Klik Graphs, lalu Klik Bar, pilh dan Klik Simple, Klik Define, maka muncul Gambar 8.12

Gambar 8.12. Kotak Dialog Define Simple Bar Penuntum Praktikum Rancangan Percobaan dengan SPS-138

Tandai atau Klik Other statistic (e,g,mean) Klik Fertilitas Telur, pindahkan dengan tanda ►ke kotak Variable Klik Sistem Pemeliharaan, pindahkan dengan tanda ►ke kotak Category Axis Klik OK Kemudian pada kotak Category Axis Sistem Pemeliharaan diganti dengan Periode peneluran, lalu Klik OK, maka diperoleh hasil sebagai berikut :

Graph 100.00

Mean Fertilitas Telur (%)

80.00

60.00

40.00

20.00

0.00 1

2

3

Sistem Pemeliharaan

_

100.00

Mean Fertilitas Telur (%)

80.00

60.00

40.00

20.00

0.00 1

2

Periode Peneluran

3

_

_


Klik Graphs, lalu Klik Bar, pilh dan Klik Custered, Klik Define, maka muncul Gambar 8.12.

Gambar 9.12. Define Clustered Bar Klik atau tandai Other statistic (e,g, mean) Klik Fertilitas, pindahkan dengan tanda ►ke kotak Variable Klik Sistem Pemeliharaan, pindahkan dengan tanda ►ke kotak Catagory Axis Klik Periode Peneluran, pindahkan dengan tanda ►ke kotak Define Clusters by Klik OK

Graph

_ _


XIV. RANCANGAN ACAK KELOMPOK POLA BERJENJANG Rancangan Acak Kelompok Pola Berjenjang adalah rancangan percobaan dengan materi tidak homogen atau ada peubah pengganggu, rancangan ini sebenarnya merupakan rancangan acak kelompok sederhana (satu faktor) yang diulang dengan cara yang berbeda, cara pengulangan yang berbeda tersebut disebut faktor Tambahan, sedangkan faktor yang dirancang dengan materi yang homogen disebut faktor Utama. Rancangan ini disebut pula Rancangan Acak Kelompok Pola Split-Plot atau Petak Terpisah, jika diulang dengan dimensi waktu yang berbedaa maka sering disebut Rancangan Acak Kelompok Pola Split-Time. Model Matematis RAL : Yij = i = 1, 2, 3,…………,a

µ + Ai+ Kj + єij

j = 1,2,3...........,u

Jika diulang sebanyak k yang berbeda, maka model matematisnya menjadi Model matematis RAL Pola Split-Plot :

Yijk = µ + Ai + Kj + єij + Bk + ABij + єiijk i = 1, 2, 3,…………,a

j = 1,2,3...........,u dan k =1.2.3,.......b

Disini : Yijk : Pengamatan Faktor Utama taraf ke-i , Kelompok, ke-j dan Faktor Tambahan taraf ke-k

µ

: Rataan Umum

Ai : Pengaruh Utama pada taraf ke-i Kj : Pengaruh Kelompok ke-j

єij : Pengaruh Galat I pada Faktor Utama ke-i dan Ulangan ke-j Bk : Pengaruh Faktor Tambahan pada taraf ke-k ABik : Interaksi antara faktor Utama dengan faktor Tambahan Kelompok ke-k.

єijk : Pengaruh galat II

pada Faktor Utama taraf ke-i, Ulangan ke-j dan faktor tambanan

pada taraf ke-k Teladan 11. Seorang

Peneliti ingin mengetahui pengaruh pemberian Kaporit dan lama Klorinasi

terhadap bakteri Koliform air limbah Rumah Pemotongan Hewan (RPH) Pesanggaran Denpasar Bali.

Untuk tujuan tersebut diambil 4 liter air limbah, kemudian dimasukkan kedalam 4 buah

toples plastik masing-masing sebanyak 1 liter, kemudian toples tersebut diberikan : 0 ppm, 200 Penuntum Praktikum Rancangan Percobaan dengan SPS-141

ppm, 200 ppm dan 300 ppm kaporit.

Waktu Klorinasi yang diamati 0, 2, 4 dan 6 jam. Penelitian

ini diulang sebanyak 3 kali, setiap 3 hari sekali. Tabel 11. Data Log Jumlah Koliform. Dosis Kaporit (i)

0 ppm

100 ppm

200 ppm

300 ppm

Kelompok (j) 1 2 3 1 2 3 1 2 3 1 2 3

0 9.1761 9.3345 10.2040 9.0828 8.9581 8.9201 8.7910 8.8704 8.7160 8.7782 8.6513 8.5051

Lama Klrinasi (k) 2 4 9.9877 10.9370 10.1700 11.0090 10.2740 11.2360 8.7868 7.5955 8.2833 7.6454 8.3010 7.3729 7.8704 7.2823 8.1206 7.1072 7.9415 6.9243 7.3181 6.7451 7.8549 7.0492 7.8573 6.4346

6 11.0170 12.7980 12.7780 7.4216 6.9445 7.1703 6.8573 6.8573 6.7709 6.3655 6.7924 6.1818

Komprter telah siap dengan Program SPSS, Klik Variable View pada pojok kiri bawah, ditunjukan pada Gambar 1.14. di bawah ini. kemudian pada Kolom Name ketik L, K, Kelompok dan Koliform, pada Kolom Type Numeric, pada Kolom Decimal ketik 0, 0, 0 dan 4, Kolom Label ketik Konsentrasi Hidrogen Peroksida (ppm), Lana Kloronasi (Jam),, UKelompok dan Log Jumlah Koligorm seperti tampak pada Gambar 1.14.

Gambar 1.14. Kotak Dialog Variable View. Klik Data View pada pojok kiri bawah, maka muncul Gambar 2.14. Salinlah data Tabel 11. pada kolom K, L, Kelompok dan Koliform


Gambar 2. 14. Data View


14.1. Analisis Deskriptif. Analisis deskriptif diperlukan untuk melihat ukuran pemusatan dan ukuran penyebaran data, dalam hal ini ukuran pemusatan datanya adalah mean (Rataan) dan ukuran penyebarannya adalah Std Deviation (Standar Deviasi). dari Log Jumlah Koliform. Air Limbah RPH pada Berbagai konsentrasi Kaporit yang diberikan dan antara lam klorinasi yang berbeda. Disamping itu juga mencari rataan dan standar deviasi masing-masing kelompok atau waktu pengambilan sample. Adapun prosedurnya sebagai berikut :. Klik Analyze pada Gambar 2.14, pilih Compare Means, lalu Klik Means, maka muncul Gambar 3.14

. Gambar 3.14. Kotak dialog Means Klik Log Jumlah Koliform, pindahkan dengan tanda ►ke Dependent List Klik Konsentrasi Kaporit, pindahkan dengan tanda ►ke Independent List Klik Lama Klorinasi, pindahkan dengan tanda ►ke Independent List Klik Kelompok, pindahkan dengan tanda ►ke Independent List Klik OK, maka diperoleh hasil analisisnya sebagai berikut :

Means Log Jumlah koliform * Konsentrasi Kaporit (ppm) (j) Log Jumlah koliform Konsentrasi Kaporit (ppm) 0 100 200 300 Total

Mean 10.743442 8.040192 7.675850 7.377792 8.459319

N 12 12 12 12 48

Std. Deviation 1.153615 .770311 .812399 .929839 1.624635


Log Jumlah koliform * Lama Klorinasi (Jam) Log Jumlah koliform Lama Klorinasi (Jam) Mean 0 8.998967 2 8.563800 4 8.111625 6 8.162883 Total 8.459319 Log Jumlah koliform * Kelompok Log Jumlah koliform Kelompok 1 2 3 Total

Mean 8.375838 8.527881 8.474238 8.459319

N 12 12 12 12 48

N 16 16 16 48

Std. Deviation .443575 1.015675 1.811127 2.492333 1.624635

Std. Deviation 1.434594 1.673853 1.843291 1.624635

14.2. Analisis Ragam. Analisis

Ragam (Analisis Varian ) dilakukan untuk menguji pengaruh Kelompok,

Konsentrasi Kaporit dan Lama Klorinasi terhadap Log Jumlah Koliform air limbah RPH apakah ada pengaruhnya atau tidak. Disamping itu juga untuk mengatahui apakah ada Interaksi antara Konsentrasi Kaporits dengan Lama Kloronasi. Uji Duncan dilakukan untuk mengetahui apakah ada perbedaan Log Jumlah Koliform antara Konsentrasi Kaporit yang diberikan dan antara Lama Klorinasi yang dilakuklan., sedangkan untuk mengetahui perbedann Log Jumlah Koliform antara lama Klorinasi pada masing-masing konsentrasi Kaporit yang diberikan dilakukan uji Confidence Interval pada taraf 0,05. Prosedurnya sebagai berikut : Klik Analyze, kemudian pilih Linear Model, Kelik Univariate, maka muncul Gambar 4.14

Gambar 4.14. Kotak Dialog Univariate Penuntum Praktikum Rancangan Percobaan dengan SPS-145

Klik Log Jumlah Kolifor, pindahkan dengan tanda ►ke Dependent Variable Klik Kosentrasi Kaporit, pindahkan dengan tanda ►ke Fixed Factor(s) Klik Lama Klorinasi, pindahkan dengan tanda ►ke Fixed Factor(s) Klik Kelompok pindahkan dengan tanda ►ke Random Factor(s) Klik Options, maka muncul Gambar 5.14.

Gambar 5.14. Univariate Options Klik K*L, pindahkan dengan tanda ►ke kotak Displey Means for Klik Cotinue, maka kembali ke Gambar 4.14 Klik Post Hoc, maka muncul Gambar 6.14 Klik K, pindahkan dengan tanda ►ke Post Hoc Test for Klik L, pindahkan dengan tanda ►ke Post Hoc Test for Berikan tanda V pada kotak Duncan, lalu Klik Continue, mak kembali ke Gambar 4.14


Gamabar 6.14. Univariate Post Hoc Klik Continue, maka layer kembali ke Gambar 4.13, kemudian Klik Paste, maka muncul Gambar 7.14.

Gambar 7.14. Kotak Dialog Syntax Perhatikan /DESIGN = Kelompok K K*Kelompok L K*L. Pada layar komputer anda tentu designnya tidak sama dengan yang tampak pada Gambar 6.13. harus disamakan, jika tidak hasil analisisnya akan berbeda. Untuk menjalanklan Syntax Klik tanda►maka diperoleh hasil analisis sebagai berikut :


Univariate Analysis of Variance Tests of Between-Subjects Effects Dependent Variable: Log Jumlah koliform Source Type III Sum of Squares Intercept Hypothesis 3434.884 Error .190 Kelompok Hypothesis .190 Error 1.792 K Hypothesis 86.117 Error 1.792 K * Kelompok Hypothesis 1.792 Error 1.876 L Hypothesis 6.131 Error 1.876 K*L Hypothesis 27.948 Error 1.876 a MS(Kelompok)) b MS(K * Kelompok) c MS(Error)

df 1 2 2 6 3 6 6 24 3 24 9 24

Mean Square 3434.884 9.514E-02 9.514E-02 .299 28.706 .299 .299 7.817E-02 2.044 7.817E-02 3.105 7.817E-02

F

Sig.

36103.450 .000 .319

.739

96.119

.000

3.820

.008

26.143

.000

39.724

.000

Kesimpulan : Ulangan tidak berpengaruh nyata (P>0,05) terhadap jumlah Koliform Air Limbah RPH Pesanggaran Denpasar atau tidak ada variasi harian yang nyata (P<0,05) jumlah Koliform Air Limbah RPH Pesanggaran Denpasar selama penelitian. Lihat ULANGAN Sig 0,739>0,05. Pemberian Kaporit berpengaruh sangat nyata (P<0,01) terhadap jumlah Koliform Air Limbah RPH Pesanggaran Denpasar. Lihat K sig 0,00<0,01. Lama Klorinasi

Kaporit berpengaruh sangat nyata (P<0,01) terhadap jumlah

Koliform Air Limbah RPH Pesanggaran Denpasar. Lihat L sig 0,00<0,01. Terjadi interaksi yang sangat nyata (P<0,01) antara pemberian kaporit dengan lama klorinasi Kaporit

terhadap jumlah Koliform Air Limbah RPH Pesanggaran Denpasar.

Lihat K*L sig 0,00<0,01.


Estimated Marginal Means 1. Konsentrasi

Kaporit (ppm) * Lama Klorinasi (Jam) Dependent Variable: Log Jumlah koliform Konsentrasi Lama Klorinasi Mean Std. Error 95% Confidence Interval Kaporit (ppm) (Jam) Lower Bound Upper Bound 0 0 9.572 .161 9.238 9.905 2 10.144 .161 9.811 10.477 4 11.061 .161 10.728 11.394 6 12.198 .161 11.865 12.531 100 0 8.987 .161 8.654 9.320 2 8.457 .161 8.124 8.790 4 7.538 .161 7.205 7.871 6 7.179 .161 6.846 7.512 200 0 8.792 .161 8.459 9.126 2 7.978 .161 7.644 8.311 4 7.105 .161 6.772 7.438 6 6.828 .161 6.495 7.162 300 0 8.645 .161 8.312 8.978 2 7.677 .161 7.344 8.010 4 6.743 .161 6.410 7.076 6 6.447 .161 6.113 6.780 Kesimpulan : Jumlah Koliform air limbah RPH Sanggaran Denpasar yang tidak diberikan Kaporit (K = 0 ppm) makin lama Klorinasi terjadi peningkatan yang nyata (P<0,05) mulai jam ke-4 sampai dengan jam ke-6, sedangkan antara jam ke-0 dengan jam ke-2 peningkatannya tidak nyata (P>0,05). Jumlah Koliform air limbah RPH Sanggaran Denpasar yang diberikan Kaporit 100 ppm makin lama Klorinasi terjadi penurunan yang nyata (P<0,05) mulai jam ke-0 sampai dengan jam ke-4, sedangkan antara jam ke-4 dengan jam ke-6 peningkatannya tidak nyata (P>0,05). Jumlah Koliform air limbah RPH Sanggaran Denpasar yang diberikan Kaporit 200 ppm makin lama Klorinasi terjadi penurunan yang nyata (P<0,05) mulai jam ke-0 sampai dengan jam ke-4, sedangkan antara jam ke-4 dengan jam ke-6 peningkatannya tidak nyata (P>0,05). Jumlah Koliform air limbah RPH Sanggaran Denpasar yang diberikan Kaporit 300 ppm makin lama Klorinasi terjadi penurunan yang nyata (P<0,05) mulai jam ke-0 sampai dengan jam ke-4, sedangkan antara jam ke-4 dengan jam ke-6 peningkatannya tidak nyata (P>0,05). Lihat batas bawah dan batas atas 95% Confidence Interval. Penuntum Praktikum Rancangan Percobaan dengan SPS-149

Post Hoc Tests

Konsentrasi Kaporit (ppm) Homogeneous Subsets Log Jumlah koliform Duncan Konsentrasi Kaporit (ppm) 300 200

N 12 12

Subset 1 7,377792

2

3

4

7,675850

100 12 8,040192 0 12 10,743442 Sig. 1,000 1,000 1,000 1,000 Means for groups in homogeneous subsets are displayed. Based on Type III Sum of Squares The error term is Mean Square(Error) = 7,817E-02. a Uses Harmonic Mean Sample Size = 12,000. b Alpha = ,05. Kesimpulan : Rata-rata jumlah Koliform air limbah RPH Pesanggaran Denpasar nyata (P<0,05) semakin menurun dengan meningkatnya konsentrasi Kaporit yang diberikan. Lihat tabel diatas semua rata-rata berada pada Subset yang berbeda dengan Alpha 0,05.

Lama Klorinasi (Jam) Homogeneous Subsets (k) Log Jumlah koliform Duncan Lama Klorinasi (Jam)

N

Subset

1 2 3 4 12 8.111625 6 12 8.162883 2 12 8.563800 0 12 8.998967 Sig. .657 1.000 1.000 Means for groups in homogeneous subsets are displayed. Based on Type III Sum of Squares The error term is Mean Square(Error) = 7.817E-02. a Uses Harmonic Mean Sample Size = 12.000. b Alpha = .05. Kesimpulan : Rata-rata jumlah Koliform air limbah RPH Pesanggaran Denpasar nyata (P<0,05) semakin menurun dari Klorinasi 0 jam sampai 4 jam, sedangan antara Lama Klorinasi 4 jam dengan 6 jam tidak terdapat perbedaan yang nyata (P>0,05). Lihat tabel diatas ratarata lama Klorinasi 4 dan 6 berada pada Subset yang sama yaitu Subset I, sedangkan lama Klorinasi 0 dan 2 berda pada Subset berbeda pada Alpha 0,05.. Penuntum Praktikum Rancangan Percobaan dengan SPS-150

14.3. Analisis Regresi Oleh karena kedua faktor yaitu faktor Utama dan faktor Tambahan bersifat kuantitatif, maka perlu dicari persamaan garis Regresi antara Dosis Kaporit (K) dan Lama Klorinasi (L) dengan jumlah Log Koliform (Y) dengan melakukan analisis Regresi-Korelasi dengan persamaan penduga sebagai berikut : Y = o + 1K + 2K2 + 3K3 + 4L +5L2 + 6L3 + 7K L + 8K L2+ 9K L3 + 102 L+ 11K2 L3 + 12 K 2 L3 + 13 K 3 L+ 14 K 3 L2+ 15 K 3 L3 Klik Tranform pada Gambar 2.14. , lalu Klik Compute, maka muncul Gambnar 8.14.

Gambar 8.14. Kotak Dialog Compute Variable Ketik KK pada Target Varible, Ketik K*K pada Numeric Expression, Klik OK Ketik KKK pada Target Varible, Ketik K*K*K pada Numeric Expression, Klik OK Ketik LL pada Target Varible, Ketik L*L pada Numeric Expression, Klik OK Ketik LLL pada Target Varible, Ketik L*L*L pada Numeric Expression, Klik OK Ketik KL pada Target Varible, Ketik K*L pada Numeric Expression, Klik OK Ketik KLL pada Target Varible, Ketik K*L*L pada Numeric Expression, Klik OK Ketik KLLL pada Target Varible, Ketik K*L*L*L pada Numeric Expression, Klik OK Ketik KKL pada Target Varible, Ketik K* K*L* pada Numeric Expression, Klik OK Ketik KKL L pada Target Varible, Ketik K* K*L*L pada Numeric Expression, Klik OK Ketik KKLL pada Target Varible, Ketik K* K*L*L*L pada Numeric Expression, Klik OK Ketik KKKL pada Target Varible, Ketik K* K*K*K*L pada Numeric Expression, Klik OK Ketik KKLLL pada Target Varible, Ketik K* K*K*L*L pada Numeric Expression, Klik OK Ketik KKKLLL pada Target Varible, Ketik K* K*K*L*L*L pada Numeric Expression, Klik OK, maka diperoleh hasil pada Gambar 9.14. Penuntum Praktikum Rancangan Percobaan dengan SPS-151



Kelompoknya karena tidak diperlukan boleh di delete atau dibiarkan saja, karena tidak mempengaruhi analisis data selanjutnya. Klik Analyze, pilih Regression, lalu Klik Linear, maka muncul Gambar 10.14.

Gambar 10.14. Linear Regresision Klik Log Jumlah Koliform, pindahkan dengan tanda ►ke kotak Dependent Klik K, L, KK, KKK, LL, LLL, KL, Kll,KLLL, KKl,KKLL,KKLLL, KKKL, KKKLL, KKKLLL, pindahkan dengan tanda ►ke kotak Independent(s) Pilih atau Klik Stepwise pada kotak Method, lalu Klik OK, maka diperoleh hasil analisisnya

Regression Moel Summary Model R R Square Adjusted R Square 1 .763(a) .582 .573 2 .840(b) .706 .693 3 .946(c) .895 .887 4 .964(d) .930 .923 5 .978(e) .956 .950 6 .983(f) .965 .960 a Predictors: (Constant), KL b Predictors: (Constant), KL, LL c Predictors: (Constant), KL, LL, KKL d Predictors: (Constant), KL, LL, KKL, KKKL e Predictors: (Constant), KL, LL, KKL, KKKL, K f Predictors: (Constant), KL, LL, KKL, KKKL, K, L

Std. Error of the Estimate 1.0615924 .9003323 .5450397 .4507578 .3619974 .3233932


ANOVA(g) Sum of Mean Model Squares df Square 1 Regression 72.213 1 72.213 Residual 51.841 46 1.127 Total 124.054 47 2 Regression 87.577 2 43.788 Residual 36.477 45 .811 Total 124.054 47 3 Regression 110.983 3 36.994 Residual 13.071 44 .297 Total 124.054 47 4 Regression 115.317 4 28.829 Residual 8.737 43 .203 Total 124.054 47 5 Regression 118.550 5 23.710 Residual 5.504 42 .131 Total 124.054 47 6 Regression 119.766 6 19.961 Residual 4.288 41 .105 Total 124.054 47 a Predictors: (Constant), KL b Predictors: (Constant), KL, LL c Predictors: (Constant), KL, LL, KKL d Predictors: (Constant), KL, LL, KKL, KKKL e Predictors: (Constant), KL, LL, KKL, KKKL, K f Predictors: (Constant), KL, LL, KKL, KKKL, K, L g Dependent Variable: Log Jumlah Koliform

F 64.076

Sig. .000(a)

54.020

.000(b)

124.531

.000(c)

141.888

.000(d)

180.934

.000(e)

190.862

.000(f)


Coefficients(a) Model

Unstandardized Coefficients B

1

Std. Error

(Constant) 9.489 KL -.002 2 (Constant) 9.137 KL -.003 LL .050 3 (Constant) 9.287 KL -.009 LL .077 KKL 1.84E-005 4 (Constant) 9.316 KL -.014 LL .082 KKL 7.20E-005 KKKL -1.19E-007 5 (Constant) 9.780 KL -.014 LL .065 KKL 7.33E-005 KKKL -1.22E-007 K -.004 6 (Constant) 9.483 KL -.014 LL .030 KKL 7.60E-005 KKKL -1.26E-007 K -.003 L .271 a Dependent Variable: Log Jumlah Koliform

.200 .000 .188 .000 .012 .115 .001 .008 .000 .095 .001 .006 .000 .000 .121 .001 .006 .000 .000 .001 .139 .001 .012 .000 .000 .001 .079

Standardized Coefficients Beta -.763 -1.027 .440 -2.848 .673 1.747 -4.706 .717 6.837 -3.363 -4.519 .570 6.959 -3.423 -.259 -4.730 .265 7.212 -3.548 -.212 .377

t

47.434 -8.005 48.640 10.164 4.354 80.780 13.301 10.111 8.876 97.770 10.707 12.836 6.137 -4.619 80.943 12.727 10.615 7.776 -5.853 -4.967 68.329 14.636 2.605 8.982 -6.775 -4.369 3.410

Sig.

.000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .013 .000 .000 .000 .001

Madel terbaik adalah Model 6 karena R cukup besar dan koefesien garis Regresinya semuanya nyata (P<0.05) Persamaan Garis Regresinya : Y = 9.483 – 0.003K + 0.271L + 0.030L2 – 0.01418KL + 0.00007K2L - 0.000000126K3L Kita buat Data View seperti Tampak pada Gambar 11.14, lengkapi Kolom K dan L, seperti tampak pada gambar tersebut , kemudian Klik Tansform, Klik Compute, maka muncul Gambar 12.14.




Gambar 12.14. Compute Variable Ketik Y pada kotak Target Varible Ketik 9.483 – 0.003*K + 0.271*L + 0.030*L*L – 0.014*K*L + 0.00007*K*K*L 0.000000126*K*K*K*L pada kotak Numeric Expression Klik OK, maka Gambar kembali ke Gambar 11.14, dimana Kolom Y telah dilengkapi datanya. Ingat definisikan masing-masing variable, pada Variable View Klik Graphs, Klik Line, lalu Klik Multiple, kemudian Klik Define, maka muncul Gambar 13.14


Gambar 13.14. Kotak dialog Define Multiple Line Klik Log Jumlah Koliform (Y), pindahkan dengan tanda ►ke kotak Variable Klik Lama Klorinasi (L), pindahkan dengan tanda ►ke kotak Catagori Axis Klik Log Konsentrasi Kaporit(K), pindahkan dengan tanda ►ke kotak define Line by Klik OK, maka diperoleh Grafik sebagai berikut :


Graph

..

Kesimpulan : Makin tinggi dosis Kaporit yang diberikan Log Jumlah Koliform semakin menurun, makin lama waktu Klorinasi terjadi peningkatan log jumlah Koliform pada air limbah RPH Pesanggaran Denpasar yang tidak diberikan Kaporit (K = 0 ppm), sedangkan yang diberikan kaporit makin lama waktu Klorinasi log jumlah Koliformnya semakin menurun.


DAFTAR PUSTAKA

Gaspersz, V. 1995. Teknik Analisis dalam Penelitian Percobaan. Jilid 1 Penerbit Tarsiko Bandung . Hicks, C.H. 1982. Fundamental Cuncepts in the Design of Experiment, Publ. SBS Collage. Musa, M.S dan A.H Nasoetion. 1989. Bahan Pengajaran Perancangan dan Analisis Percobaan Ilmiah. Pusat Antar Universitas Ilmu Hayat IPB. Rawlings, J.O. 1988 Applied Regression Analysis. A Research Tool. North Carolina State University Wadawart & Brooke. Pacific Grove, California. Richard, D.R. and M.A. Schort. 1985. Statistic with Application to the Biological and Health Science. Second edition. Pretice-Hall, Inc. Englewood Cliffs, New Jersey. Singgih, S. 2001. SPSS versi 10, Mengolah Data Statistik secara Professional. Penerbit PT Elex Media Komputindo.Ed.1, Gramedia, Jakarta. Steel, R G D and J.H. Torrie. 1984. Principles and Prosedures of Statistics. A Biometrical Approach. Acond Ed. , Mc. Grow Hill Tokyo.


Penuntum Praktikum Rancangan Percobaan dengan SPS- 0

Recommend Documents