You are on page 1of 36

1

Diktat Kuliah

PERANCANGAN PERCOBAAN

Untuk Kalangan Terbatas Pada


Mahasiswa Fakultas Biologi
Universitas Medan Area

Oleh:
Drs. Riyanto, Msc

Medan
2016
2

I.Pendahuluan
1. Ranc percob sbg bagian dari statistika
2. Ranc Percob dan penelitian
3. Replikasi
4. Randomosasi
5. ANOVA

II.RAL & Uji LSD


1. Pengertian RAL
2. Menghitung dan menanalisa variance dengan RAL
3. Menganalisa hasil rata-rata dengan uji BNT (LSD)
4. Menarik kesimpulan
III.Uji Rata-Rata : HSD , DMRT
1. Pengertian uji BNT (LSD)
2. Menghitung dan menganalisa rata-rata dengan BNT
3. Penggunaan table t
IV.RAK
1. Pengertian RAK
2. Menghitung dan menanalisa variance dengan RAK
3. Menganalisa hasil rata-rata dengan uji BNT (LSD)
4. Menarik kesimpulan
V.Latin square
1. Pengertian latin square
2. Menghitung dan menanalisa variance dengan latin square
3. Menganalisa hasil rata-rata dengan uji BNT (LSD)
4. Menarik kesimpulan
VI.RAL Faktorial
1. Definisi RAL Faktorial
2. Dua variable yang saling berinteraksi
3. Dua variable yang tidak berinteraksi
VII.Split-plot
1. Main plot
2. Sub plot
3. Analisa jika tidak terjadi interaksi
4. Analisa jika terjadi interaksi
VIII.Korelasi dan regresi linier (Pearsons)
IX. Regresi Kwadratik (non linier)
X. Korelasi Spearman
XI. Statistik Non Parametrik : Uji Cochran’s
XII.Statistik Non Parametrik Uji Wilcoxon
XIII.Statistik Non Parametrik : Uji Kruskal - Wallis
XIV.Statistik Non Parametrik : Uji Freadman
3

Perancangan Percobaan (Design of Experiment)

Perancangan percobaan adalah aturan yang digunakan untuk mendapatkan data di dalam suatu percobaan. Metode
ini digunakan sebagai suatu aturan untuk menempatkan perlakuan ke dalam satuan-satuan percobaan. Tujuannya
adalah mengukur pengaruh perlakuan, misal: pemberian pupuk dengan kadar berbeda2 terhadap suatu jenis varietas
tertentu, … dll. Bidang ini merupakan salah satu cabang penting dalam statistika inferensial dan diajarkan di banyak
cabang ilmu pengetahuan di perguruan tinggi karena berkaitan erat dengan pelaksanaan percobaan (eksperimen).
Perancangan percobaan dapat dikatakan sebagai "jembatan" bagi peneliti untuk bergerak dari hipotesis menuju pada
eksperimen agar memberikan hasil yang valid secara ilmiah. Dengan demikian, perancangan percobaan dapat
dikatakan sebagai salah satu instrumen dalam metode ilmiah.

Ada 3 Prinsip Dasar Perancangan Percobaan yang harus selalu ditaati.

1. Adanya Pengulangan (Replikasi)


Tanpa Pengulangan tidak akan didapatkan keragamannya sehingga tidak bisa dilakukan uji hipotesisnya.

2. Adanya Pengacakan (Randomisasi)


Tanpa pengacakan, hasil analisanya akan bias.. (Semuan Peneliti pasti ingin penelitiannya 'sukses' )

3. Kontrol Lingkungan (dengan bloking)


Kontrol Lingkungan tentu saja supaya hanya perlakuan dalam perancangan percobaanlah yang
berpengaruh, bukan faktor lain di luar itu.

RANCANGAN ACAK LENGKAP (RAL)

Rancangan Acak Lengkap (RAL) disebut juga (Completely Randomized Design = CRD) merupakan ranncangan
dasar. Semua rancangan random berpangkal pada RAL dengan menempatkan pembatasan-pembatasan dalam
alokasi perlakuan dalam lapangan percobaan. Apabila unit percobaan terlalu heterogen, salah satu cara untuk
mengontrol variabilitasnya adalah dengan mengadakan stratifikasi kedalam kelompok -kelompok yang lebih
homogen (Ini cocoknya dengan RAK). RAL dapat didefinisikan sebagai rancangan dengan beberapa perlakuan yang
disusun secara random untuk seluruh unit percobaan.

Kelebihan RAL :

1. Rancangannya mudah disusun.


2. Analisis statistik nya sangat sederhana.
3. Banyaknya unit percobaan untuk tiap perlakuan tidak harus sama.

Adapun kelemahan RAL hanya cocok digunakan pada beberapa perlakuan (tidak banyak) serta untuk unit
percobaan yang relative homogen.

Menyusun Rancangan

yang dimaksud dengan menyusun rancangan adalah menempatkan perlakuan pada unit percobaan. Suatu contoh
susunan Acak lengkap dengan lima perlakuan A, B, C, D, E masing-masing dengan empat replikasi (berarti ada 20
data) misalnya sbb:

E E C B E
(1) (8) (9) (16) (17)

A D D B A
(2) (7) (10) (15) (15)

B C A C B
(3) (6) (11) (14) (19)

E D A D C
(4) (5) (12) (13) (20)

Contoh Soal RAL (1)

Percobaan tanaman rami (rosella) di Temanggung dengan menncoba 4 varietas yaitu :

HC48 = A
HC33 = B
HCG1 = C
HCG4 = D

Masing-masing dengan 3 ulangan dimana tiap perlakuan menggunakan luas yang sama yaitu 1 hektar dengan
kerapatan tanaman yang juga sama pada areal yang relatip homogen. Hasil percobaan tersebut adalah sebagai
berikut:
4

Data percobaan produksi rami (ton/ha/panen)


I II III IV V
B C A B D
3.44 3.00 3.54 3.30 2.97
D B A C D
2.89 3.21 3.25 3.10 2.91
A C D B C
3.15 2.85 3.15 3.25 2.95
D A B C A
3.08 3.50 3.05 3.12 3.43

Pertanyaan :

1. Apakah ada beda nyata pada hasil dari keempat varietas tersebut.
2. Jika ada beda nyata, perlakuan yang mana yang memberikan hasil terbaik? Ujilah dengan LSD (List
Significant Deferences = BNT : “Beda Nyata Terkecil) dengan tingkat keyakinan 95% atau ά = 0.05

Untuk menjawap pertanyaan point 1 dilakukan langkah-langkah sbb.

Langkah pertama : Data diatas dipindah dalam bentuk tabel sbb

Ulangan
Perlakuan Total Rata2
I II III IV V
A 3.54 3.25 3.15 3.50 3.43 16.87 3.37
B 3.44 3.30 3.21 3.25 3.05 16.25 3.25
C 3.00 3.10 2.85 2.95 3.12 15.02 3.00
D 2.97 2.89 2.91` 3.15 3.08 15.00 3.00

Grand total 63.14

(tujuannya agar diketahui nilai rata-ratanya dan nilai totalnya : yang akan dipakai pada perhitungan selanjutnya.

Langkah kedua menghitung FK dan JK

Rumus Keterangan

FK FK = Faktor koreksi
( grandtotal ) 2 (Correction factor = CF)
=
Jumlahdata
JK Total JK = Jumlah Kwadrat
(Sum of square = SS)
JK Perlakuan Perlakuan = treatments

JK Galat Galat = Error

( grandtotal ) 2 (63.14) 2
FK = = = 199.33
Jumlahdata 20
n
JK Total = ∑Y
i =1
i
2
− FK = (3.54)2 + (3.44)2+………….+ (3.08)2 - FK = 200.14 – 199.33 = 0.81

n 2

JK Perlakuan =
∑T i =1
i − FK
=
(17.87)2 + (16.25)2 + (15.00)2 + (15.00)2
– FK = 199.85-199.33 = 0.52
5
Ulangan

.JK Galat = JK total- JK Perlakuan = 0,81 - 0.52 = 0.29

Langkah ketiga dibuat analisa varian


5

ANOVA
Sumber Derajat Jumlah Kuadrat Fhitung F tabel
Keragaman Bebas Kuadrat (JK) Tengah (KT) F0.05 F0.01
(SK) (db)
4 Perlakuan 3 0.52 0.17
9.49 ** 3.24 5.29
Galat 16 0.29 0.018

20 Total 19 1797,750

Note : ANOVA = Analysis of varians = analisa sidik ragam

F hitung> F tabel pada taraf signifikansi 0,01 ( artinya sangat beda nyata)
Kesimpulannya : Ada beda sangat nyata pada ke4 varietas rami yang ditanam pada percobaan tsb.

Note.
Sumber Derajat Bebas Jumlah Kuadrat Fhitung F tabel
Keragaman (db) Kuadrat Tengah (KT) 0,05 0,01
(SK) (JK)
Perlakuan db perlakuan = JKP JKP/db P
(t-1)
KT P / KT G 3.24 5.29

Galat (n-1)-(t-1) JKG JKG / db G

Total n-1

Note.
Db = drajat bebas = df = degree of freedom
‘t = jumlah perlakuan
‘n = jumlah data (= r x t dimana r adalag jumlah ulangan dan t adalah jumlah perlakuan)
KT = Kwadrat tengah = JK/db (KT = MS = Mean of Square)

F table = F α (db galat) (db perlakuan)


Untuk α = 0.05 maka F 0.05 (16)(3) lihat di table F pada baris ke 16 dan kolom ke3 = 3.24 (atas)
Untuk α = 0.01 maka F 0.01 (16)(3) lihat di table F pada baris ke 16 dan kolom ke3 = 5.29 (bawah)

• Jadi Pertanyaan 1. Apakah ada beda nyata pada hasil dari keempat varietas tersebut sudah terjawab : ada
• Untuk menjawab pertanyaan 2. Jika ada beda nyata, perlakuan yang mana yang memberikan hasil terbaik?
Maka perlu diuji dengan LSD (List Significant Deferences atau bahasa Indonesianya adalah BNT : “Beda
Nyata Terkecil) dengan tingkat keyakinan 95% atau ά = 0.05. caranya sbb.

Langkah pertama : Dihitung nilai BNT dengan formula

2 KTGalat
BNT α = t α (db galat) x
Ulangan

2x0.018
Untuk α=0.05 maka BNT 0.05 = t 0.05 (16) x
5
= 2.12 x 0.085 = 0.18

Note. t α (db galat) = t 0.05 (16) = 2.12 adalah dicari dari tabel t (pada kolom 0.05 pada baris 16)

Langkah kedua,
• nilai rata-ratanya diurutkan mulai yang terkecil
• Buat Tabel Matriks selisih antara rata-rata perlakuan
• Bandingkan selisih rata-rata dengan nilai HSD

Perlakuan Jarak antara perlakuan disbanding nilai BNT (=0.18) Notasi


Varietas Simbul rata- C=3.00 D=3.00 B=3.25 A=3.37
rata
HCG1 C 3.00 0.00 a
HCG4 D 3.00 0.00< 0.18ns 0.00 a
HC33 B 3.25 0.25>0.18* 0.25>0.18* 0.00 b
HC48 A 3.37 0.37>0.18* 0.37>0.18* 0.12<0.18ns 0.00 b
6

Bisa ditulis

HCG1 a
HCG4 a
HC33 b
HC48 b

Atau bisa juga ditulis dengan pakai notasi garis

HCG1
HCG4
HC33
HC48

Jadi cultivar yang terbaik adalah tanaman rami varietas HC48 atapun HC33
7

RANCANGAN ACAK KELOMPOK (RAK)

Percobaan dalam RAL sebagaimana yang telah kita bicarakan pada topic sebelumnya kita berasumsi bahwa kondisi
lingkungannya adalah homogin (seragam). Pada kenyataannya hal ini sangat sulit ditemukan, yang ada biasanya
antara tempat yang satu dengan yang lain berbeda, misal pada lahan akan ditemui berbeda topografinya, jenis
tanahnya,..dll. Untuk itu , diperlukan metode lain yang bisa menguraikan keragaman tersebut.

Apabila kita melakukan percobaan pada sebidang tanah yang mempunyai tingkat kesuburan berbeda, maka
pengaruh perlakuan yang kita anggap berasal dari perlakuan yang kita cobakan bisa saja tidak benar, sehingga
membuat Kesalahan Tipe I. Untuk itu kita perlu melakukan bloking berdasarkan tingkat kesuburannya. Rancangan
dengan bloking inilah yang disebut Rancangan Acak Kelompok (RAK) atau dalam buku bahasa Inggris disebut
Completely Randomized Block Design (RCBD).

Jadi RAK pada prinsipnya adalah suatu rancangan acak yang dilakukan dengan mengelompokkan satuan percobaan
ke dalam grup-grup yang homogen yang dinamakan kelompok (blok) dan kemudian menentukan perlakuan secara
acak di dalam masing-masing blok tersebut. Jadi replikat atau ulangan disini disebut juga blok.

Keuntungan rancangan acak kelompok adalah:

a. Lebih akurat dibanding dengan RAL. Pengelompokan yang efektif akan menurunkan JK Galat, sehingga
akan meningkatkan nilai F hitung yang pada gilirannya akan meningkatkan signifikasi.
b. Lebih Fleksibel dalam nenentukan banyaknya perlakuan dan banyaknya ulangan / kelompok (karena tidak
semua kelompok memerlukan satuan percobaan yang sama)
c. Penarikan kesimpulan akan menjadi lebih luas, karena kita bisa juga melihat perbedaan antar kelompok

Kerugiannya adalah:

a. Memerlukan asumsi tambahan untuk beberapa uji hipotesis


b. Menjadi semakin rumit jika terjadi Interaksi antara Kelompok*Perlakuan
c. Derajat bebas kelompok akan menurunkan derajat bebas galat, sehingga sensitifitasnya akan menurun
terutama apabila jumlah perlakuannya sedikit atau keragaman dalam satuan percobaan kecil (homogen).
d. Memerlukan pemahaman tambahan tentang keragaman satuan percobaan untuk suksesnya pengelompokan.
e. jika ada data yang hilang memerlukan perhitungan yang lebih rumit.

Keberhasilan pengelompokan dalam RAK memerlukan pemahaman tambahan tentang keragaman satuan percobaan.
Kita harus bisa mengidentifikasi arah keragaman tersebut, sehingga Variabel Pengganggu (Nuisance factor
/disturbing factor) bisa diminimalisir. Nuisance factor adalah setiap faktor/variabel diluar perlakuan yang akan
berpengaruh terhadap respons.

Contoh Soal RAK (1)


Percobaan varietas tanaman singkong sebagai berikut :
A = Varietas Adira 1
B = Varietas Malang 4
C = Varietas UJ 5
D = Varietas Kinanti

Percobaan dengan 3 blok, design percobaannya menggunakan Rancangan Acak Kelompok (RAK = RCBD ”
Randomized Complete Block Design”). Tiap perlakuan menggunakan luas yang sama yaitu 1 hektar dengan
kerapatan tanaman yang juga sama yaitu dua belas ribu batang per hektar. Hasil percobaan tersebut adalah sebagai
berikut:

Data produksi ubi kayu (Singkong) hasil percobaan 4 varietas berbeda dalam ton/ha/panen

Blok
I II III
Perlakuan
(Tanah datar) (Tanah miring tidak (Tanah miring
diteras) diteras)
A 22 16 19
B 30 24 28
C 38 30 37
D 21 15 20

Pertanyaan :

1. Apakah “bloking” pada percobaan tersebut efektip (beda nyata).


2. Apakah ada beda nyata pada hasil dari keempat perlakuan tersebut.
3. Jika ada beda nyata, perlakuan yang mana yang memberikan hasil terbaik? Ujilah dengan BNT (= Beda
Nyata Terkecil) dengan tingkat keyakinan 95% atau ά = 0.05
8

Jawab pertanyaan point.1.

Langkah pertama dicari rata-rata blok, rata-rata perlakuan dan grand totalnya

Blok Total Rata2


I II III ΣX X
Perlakuan
A 22 16 19
57 19.0
B 30 24 28 82 27.3
C 38 30 37 105 35.0
D 21 15 20
56 18.7
Total
111 85 104 300

( grandtotal ) 2 (300) 2
FK = = = 7500
Jumlahdata 12
n
JK Total = ∑Y
i =1
i
2
− FK = (22)2 + (16)2+………….+ (20)2 - FK = 640

n 2

JK Blok = ∑ Yj
i =1
− FK
=
(111) 2 + (85) 2 + (104) 2
– FK = 90.5
4
Perlakuan

n 2

JK Perlakuan =
∑ Ti − FK
i =1 =
(57) 2 + (82) 2 + (105) 2 + (56) 2
– FK = 544.7
3
Ulangan

.JK Galat = JK total- JK Blok - JK Perlakuan = 640 – 90.5 – 544.7 = 4.8

ANOVA
Sumber Derajat Jumlah Kuadrat Fhitung F tabel
Keragaman Bebas Kuadrat Tengah
(SK) (db) (JK) KT) F0.05 F0.01

3 Blok 2 90.5 45.25 56.17 ** 5.14 10.92


4 Perlakuan 3 544.7 181.55 225.38 ** 4.76 9.78
Galat 6 4.8 0.81
12 Total 11 640.0

Kesimpulan

F hitung blok (= 56.17) lebih besar dari F table 0.05 bahkan mesih lebih besar disbanding F table 0.01 jadi bloking
sangat beda nyata atau dengan kata lain pengelompokannya sangat efektip.

F hitung perlakuan (= 225.38) jauh lebih besar dari F table 0.05 maupun F table 0.01 jadi perlakuannya sangat beda
nyata. Artinya diantara 4 varietas ubi yang dicoba terdapat perbedaan yang sangat nyata antara satu sama lain.

Untuk selanjutnya kita akan menjawab pertanyaan point 3, varietas mana yang terbaik. Maka kita akan gunakan uji
BNT 0.05.

2 KTGalat
BNT α = t α (db galat) x
Ulangan
2x0.81
Untuk α = 0.05 maka BNT 0.05 = t 0.05 (6) x
3
= 2.447 x 0.73 = 1.79

D = 18.7 a
A = 19.0 a
B = 27.3 b
C = 35.0 c
Jadi cultivar yang terbaik adalah C yaitu tanaman ubi kayu Varietas UJ 5
9

Contoh Soal RAK (2) Tugas untuk Mahasiswa.

Percobaan pemupukan pada tanaman Cabe merah sebagai berikut :


Percobaan A : Dipupuk dengan pupuk kandang sebanyak 10 ton/ha
Percobaan B : Dipupuk dengan pupuk NPK 15.15.6.4 sebanyak 300 kg/ha
Percobaan C : Dipupuk dg NPK 15.15.6.4 sebanyak 200 kg/ha ditambah 50 kg Urea/ha
Percobaan D : Tidak dipupuk sama sekali.

Percobaan dengan 3 blok, design percobaannya menggunakan Rancangan Acak Kelompok (RAK).
Tiap perlakuan menggunakan luas yang sama yaitu 1 hektar dengan kerapatan tanaman yang juga sama. Hasil
percobaan tersebut adalah sebagai berikut:

Data percobaan sbb: produksi cabe ton/ha/panen


Blok
Perlakuan
I II III
A 6.2 5.7 7.6
B 5.4 4.6 7.2
C 6.7 5.8 8.0
D 3.3 2.5 4.2

Pertanyaan :

1. Apakah “bloking” pada percobaan tersebut efektip (ada beda nyata).


2. Apakah ada beda nyata pada hasil dari keempat perlakuan tersebut.
3. Jika ada beda nyata, perlakuan yang mana yang memberikan hasil terbaik? Ujilah dengan LSD (List
Significant Deferences = BNT : “Beda Nyata Terkecil) dengan tingkat keyakinan 95% atau ά = 0.05

Cara Pengacakan dan Denah Percobaan Rancangan Acak Kelompok

Langkah-langkah pengacakan dalam RAKL sama seperti pada RAL dengan kelompok sebagai ulangan. Perhatikan
Gambar di bawah ini. Pengelompokan dilakukan tergak lurus terhadap arah keragaman sehingga keragaman pada
masing-masing kelompok yang sama relatif lebih kecil. Daerah percobaan di dalam setiap kelompok dibagi ke
dalam jumlah yang sesuai dengan jumlah perlakuan yang akan dicobakan.
10

Berbagai Macam Uji Rata - Rata

1. Uji LSD (= List Significan Defferensis) atau BNT (= Beda Nyata Terkecil)

• LSD adalah salah satu cara membedakan (uji) rata-rata perlakuan diantara cara-cara yang
lain misal HSD, Tokey, SNK dan DMRT

• LSD Sangat simpel dan bagus untuk membandingkan 2 treatmen

• Namun jika treatmen >2 maka kurang cocok (meskipun hal ini masih tetap sering
dipakai)

• Rumus

2. Uji HSD (= Honestly Significan Defferensis) atau BNJ (= Beda Nyata Jujur)

• Uji HSD dikembangkan oleh Tokey sehingga sering disebut juga Uji Tokey

• HSD cukup simpel dan bagus untuk membandingkan treatmen yang jumlahnya > 2 misal
t = 3, 4, 5, ..dst.

• HSD ini yang pertama memperkenalkan garis non significant yang menghubungkan nilai
- nilai yang tidak beda nyata

• Rumus

HSD α = Ɠ α ( tα , dfE) *

4. Uji DMRT (= Duncant Multiple Range Test) atau Uji Duncant

• Duncant membuat teory bahwa " Jika pakai α = 5% maka diproses statistiknya α yang
terjadi adalah 1-(1-α) t-1
Contoh untuk t = 5 maka dengan α = 0.05 yang terjadi α = 1-(1-α) t-1 = 1-α = 0.05
……… Jadi LSD dan HSD itu benar untul t = 2
Duncant kemudian membuat tabel sendiri------ ini yang membuat jadi populer
• Rumus

Rp = rp x S Ȳ dan S Ȳ =
11

Latin Square Design = Rancangan Bujur Sangkar Latin (RBSL)


Kelebihan dari RBSL yaitu dapat menangani 2 sumber keragaman secara serempak di antara satuan percobaan.
Design ini jarang digunakan karean ada persyaratannya yaitu :

1) Jumlah baris = Jumlah kolom = Jumlah perlakuan.


Idealnya digunakan jika jumlah perlakuan 5 sampai 8. Jika jumlah perlakuan terlalu sedikit, maka ulangan juga
sedikit, akibatnya galat percobaan semakin besar. Tapi jika perlakuan terlalu banyak, maka ulangan juga akan
banyak sehingga memberatkan dalam hal biaya.

2) Tidak ada interaksi antara baris dan lajur dengan perlakuan yang diteliti. Jika ada interaksi, maka RBSL tidak
dapat dipergunakan. Jika tetap digunakan, maka kesimpulan/hasil percobaan akan menjadi samar.

Beberapa contoh kasus penggunaan RBSL yang pernah dilakukan misalnya:

1)Pengujian lapangan di mana areal percobaan mempunyai dua arah penurunan kesuburan yang tegak lurus satu
sama lain, atau mempunyai kesuburan satu arah penurunan tetapi juga mempunyai pengaruh sisa dari percobaan
terdahulu.

2)Dua arah silang waktu/cara/tenaga/alat kerja, misalnya meneliti hasil 4 Varietas Jagung terhadap berbagai dosis
pemupukan Nitrogen di mana menggunakan pengelompokan 4cara pemupukan pupuk Nitrogen dan 4 orang tenaga
kerja (pengamat).

Pengacakan Dan Tata Letak

Proses pengacakan dan penataan untuk RBSL untuk percobaan dengan empat perlakuan A, B, C, dan D. Prosedur
pengacakan dan tata letak adalah sebagai berikut :

a) Pilih salah satu contoh rencana RBSL dengan empat perlakuan dari bagan kuadrat latin terpilih Untuk contoh soal
ini rencana RBSL 4x4, yaitu :

b) Pengacakan terhadap baris (baris pertama)


c) Pengacakan terhadap kolom (Kolom pertama)
d) Pengacakan terhadap isis diantara baris I dan kolom I

Jadi setelah pengacakan didapat denah sbb:

Contoh Soal Latin Square:

Percobaan 6 varietas tanaman padi masing-masing dengan 6 ulangan sebagai berikut :

1. Padi Varietas Cisadane 4. Padi Varietas Rojolelei


2. Padi Varietas Ramos 5. Padi Varietas Solok
3. Padi Varietas Cianjur 6. Padi Varietas Kukubalam

Total luas percobaan adalah 36 ha dengan areal yang relatip homogen. Percobaan menggunakan Latin Square
Design dengan luas tiap perlakuan yang sama yaitu 1 hektar. Kerapatan tanaman juga sama. Hasil percobaan
tersebut adalah sebagai berikut:
12

Data produksi ton gabah kering / ha / sekali panen

Colom
Row Total
I II III IV V VI
Kukubalam Rojolele Cisadane Ramos Solok Cianjur
I
2.8 2.9 3.5 3.8 3.1 3.2 19.3
Solok Ramos Cianjur Kukubalam Rojolele Cisadane
II
3.1 3.7 2.9 2.5 3.3 3.6 19.1
Rojolele Solok Kukubalam Cianjur Cisadane Ramos
III
3.0 2.8 2.2 3.1 3.5 4.4 19.0
Cianjur Cisadane Ramos Rojolele Kukubalam Solok
IV
3.3 3.6 3.6 3.1 2.7 3.2 19.5
Ramos Kukubalam Solok Cisadane Cianjur Rojolele
V
3.9 2.6 3.3 3.7 3.4 3.2 20.1
Cisadane Cianjur Rojolele Solok Ramos Kukubalam
VI
3.5 2.9 2.7 2.9 3.9 2.1 18.0

Total 19.6 18.5 18.2 19.1 19.9 19.7 115.0

Pertanyaan :
1. Apakah ada beda nyata pada produksi keenam varietas padi tersebut?
2. Jika ada beda nyata, Varietas mana yang memberikan hasil tertinggi? Ujilah dengan BNT 0.05

Jawab.
Menghitung nilai rata-rata dan total dari perlakuannya (menggunakan table bantuan) sbb.

A B C D E F
Perlakuan Cisadane Ramos Cianjur Rojolele Solok Kukubalam

Total 21.4 23.3 18.8 18.2 18.4 14.9


Rata-rata 3.6 3.9 3.1 3.0 3.1 2.5

( grandtotal ) 2 (115) 2
FK = = = 367.36
Jumlahdata 36
n
JK Total = ∑Y
i =1
i
2
− FK = (2.8)2 + (2.9)2+………….+ (2.1)2 - FK = 8.42

n 2

JK Kolom = ∑
Yj − FK (19.6) 2 + (18.5) 2 + ......... + (19.7) 2
i =1
= – FK = 0.40
6
baris

n 2

JK Baris = ∑ Ti − FK
i =1
=
(19.3) 2 + (19.1) 2 + ......... + (18.0) 2
– FK = 0.40
6
kolom

n 2

JK Perlakuan =
∑T i =1
i − FK
=
(21.4) 2 + (23.3) 2 + ......... + (14.9) 2
– FK = 6.99
6
perlakuan

.JK Galat = JK total- JK kolom - JK baris – JK perlakuan = 8.42 – 0.40 – 0.40 – 6.99 = 0.63
13

ANOVA
Suber Variasi db JK KT F hitung F 0.05 F 0.01

6 Baris 5 0.40 0.08 2.52 ns 2.71 4.10


6 Kolom 5 0.40 0.08 2.52 ns 2.71 4.10
6 Perlakuan 5 6.99 1.40 44.22 ** 2.71 4.10
Galat 20 0.63 0.03

36 Total 35 8.42

Kesimpulan

F hitung baris (= 2.52) lebih kecil dari F table 0.05 bahkan (=2.71), jadi tidak ada beda nyata.
F hitung kolom (= 2.52) lebih kecil dari F table 0.05 bahkan (=2.71), jadi tidak ada beda nyata.

F hitung perlakuan (= 44.22) jauh lebih besar dari F table 0.05 (=2,71) maupun F table 0.01 (4.10) jadi
perlakuannya sangat beda nyata. Artinya diantara 6 varietas padi yang dicoba terdapat perbedaan yang sangat nyata
antara satu sama lain.

Untuk selanjutnya kita akan menjawab pertanyaan point 2, varietas mana yang terbaik. Maka kita akan gunakan uji
BNT 0.05.

2 KTGalat
BNT α = t α (db galat) x
Ulangan
2x0.03
Untuk α=0.05 maka BNT 0.05 = t 0.05 (20) x
6

= 2.086 x 0.1 = 0.21

Note. t α (db galat) = t 0.05 (20) = 2.086 adalah dicari dari tabel t

1 Kukubalam 2.5 a
2 Rojolele 3.0 b
3 Cianjur 3.1 b
4 Solok 3.1 b
5 Cisadane 3.6 c
6 Ramos 3.9 d

Jadi varietas padi dengan hasil tertinggi adalah varietas Ramos


14

Rancangan Faktorial

Pada pembahasan sebelumnya kita hanya mendiskusikan mengenai pengaruh perlakuan tunggal terhadap
respons tertentu. Perlakuan tunggal tersebut dinamakan faktor, dan taraf atau level dari faktor tersebut
dinamakan taraf. Faktor disimbolkan dengan huruf kapital sedangkan taraf dari faktor tersebut
disimbolkan dengan huruf kecil. Apabila secara serempak kita mengamati pengaruh beberapa faktor
dalam suatu penelitian yang sama, maka percobaan tersebut dinamakan dengan percobaan faktorial.

Percobaan faktorial adalah suatu percobaan yang perlakuannya terdiri atas semua kemungkinan
kombinasi taraf dari beberapa faktor. Percobaan dengan menggunakan f faktor dengan t taraf untuk setiap
faktornya disimbolkan dengan percobaan faktorial ft. Misalnya, percobaan faktorial 22 artinya kita
menggunakan 2 faktor dan taraf masing-masing faktornya terdiri dari 2 taraf.

Percobaan faktorial 22 juga sering ditulis dalam bentuk percobaan faktorial 2×2. Penyimbolan yang
terakhir sering digunakan untuk percobaan faktorial dimana taraf dari masing-masing faktornya berbeda,
misalnya 2 taraf untuk faktor A dan 3 taraf untuk faktor B, maka percobaannya disebut percobaan
faktorial 2×3. Percobaan faktorial 2x2x3 maksudnya percobaan faktorial yang terdiri dari 3 faktor dengan
taraf untuk masing-masing faktornya berturut-turut 2, 2, dan 3.

Tujuan dari percobaan faktorial adalah untuk melihat interaksi antara faktor yang kita cobakan.
Adakalanya kedua faktor saling sinergi terhadap respons (positif), namun adakalanya juga keberadaan
salah satu faktor justru menghambat kinerja dari faktor lain (negatif). Adanya kedua mekanisme tersebut
cenderung meningkatkan pengaruh interaksi antar ke dua faktor.

Pengembangan dari Rancangan Faktorial, bisa macam-macam misalnya :

(1) RAL Faktorial


(2) Rancangan Petak Terbagi-Terbagi (Split-Split Plot Design),
(3) Rancangan Petak Terbagi- Teralur (Strip-Split Plot Design)

Pengacakan dilakukan dalam dua tahap:

Pertama, pengacakan pada petak utama yang akan menghasilkan galat petak utama.
Kedua, pengacakan pada anak petak yang akan menghasilkan gala anak-petak.

RAL FAKTORIAL

Contoh kasus penggunaan RAL Faktorial

Percobaan pengaruh inokulasi mikoriza dan pemupukan terhadap produksi rumput gajah.

Latar belakang penelitian ini adalah adanya data awal bahwa di NTT yang tanahnya berjenis podsolik dapat
memproduksi rumput gajah yang optimum bila diberikan 50 kg N/ ha dan 100 kg Zeolit/ ha (note. Zeolit =
Endomikoriza Glomus sp). NTT adalah salah satu daerah peternakan yang berhasil di Indonesia.

Pemerintah Daerah Sumatra Selatan juga sedang giat untuk memajukan sector peternakan sapi. Lalu muncul
pertanyaan apakah data dari NTT tersebut juga cocok untuk Sumatra Selatan berhubung kondisi tanahnya agak
berbeda.

Untuk menjawab pertanyaan tersebut maka dilakukan percobaan dengan 3 replikate, 3 takaran N dan 4 takaran
Zeolit dengan local control adalah perbedaan vegetasi sebelum percobaan. Jadi ada 3x4 perlakuan = 12 perlakuan
dengan kombinasi sbb :

N0 Z0 N1 Z0 N2 Z0
N0 Z1 N1 Z1 N2 Z1
N0 Z2 N1 Z2 N2 Z2
N0 Z3 N1 Z3 N2 Z3

N0 = Tanpa pupuk N
N1 = 50 kg pupuk N / ha
N2 = 100 kg pupuk N / ha

Z0 = Tanpa Zeolit
Z1 = Diberi Zeolit 50 kg / ha
Z2= Diberi Zeolit 100 kg / ha
Z3= Diberi Zeolit 150 kg/ ha
15

Denah Percobaan dan data produksi kwintal per petak adalah sbb:

N0 Z01 1.2 N0 Z12 1.8 N1 Z012 3.4 N0 Z23 2.8 N1 Z03 2.9 N1 Z23 6.8

N1 Z01 2.4 N1 Z02 2.6 N0 Z02 1.5 N1 Z32 5.4 N1 Z22 6.7 N0 Z03 1.1

N0 Z11 1.5 N1 Z11 3.2 N1 Z21 6.5 N2 Z02 3.0 N1 Z13 3.6 N0 Z33 4.3

N2 Z31 4.1 N2 Z11 4.8 N0 Z22 2.8 N2 Z12 4.9 N2 Z13 4.8 N2 Z33 4.3

N0 Z21 2.6 N0 Z31 4.2 N2 Z22 3.5 N0 Z32 4.4 N1 Z33 5.5 N2 Z23 3.7

N2 Z21 3.2 N2 Z01 2.8 N1 Z31 5.4 N2 Z32 4.1 N2 Z03 3.2 N0 Z13 2.5

Denah dan hasil diatas kemudian datanya dipindah dalam table berikut (Untuk memudahkan dalam menganalisa)

Treatment Ulangan
Total Rata-rata
N Z NZ 1 2 3
Z0
N0 Z0 1.2 1.5 1.1 3.8 1.27
Z1
N0 Z1 1.5 1.8 2.5 5.8 1.93
N0
Z2
N0 Z2 2.6 2.8 2.8 8.2 2.73
Z3
N0 Z3 4.2 4.4 4.3 12.9 4.30
Z0
N1 Z0 2.4 2.6 2.9 7.9 2.63
Z1
N1 Z1 3.2 3.4 3.6 10.2 3.40
N1
Z2
N1 Z2 6.5 6.7 6.8 20.0 6.67
Z3
N1 Z3 5.4 5.4 5.5 16.3 5.43
Z0
N2 Z0 2.8 3.0 3.2 9.0 3.00
Z1
N2 Z1 4.8 4.9 4.8 14.5 4.83
N2
Z2
N2 Z2 3.2 3.3 3.7 10.2 3.47
Z3
N2 Z3 4.1 4.1 4.3 12.5 4.17

Grand Total 131.5

( grandtotal ) 2 (131.5) 2
FK = = = 480.34
Jumlahdata 3 x3 x 4
n
JK Total = ∑Yi =1
i
2
− FK = (1.2)2 + (1.5)2+………….+ (4.3)2 - FK = 77.33
n 2

JK Kombinasi NZ =
∑T
i =1
i − FK
=
(3.8) 2 + (5.8) 2 + ........... + (12.5) 2
– FK = 76.17
3
Ulangan

.JK Galat = JK total - JK kombinasi NZ = 77.33 – 76.17 = 1.16

Tabel pembantu : Memecah kombinasi N*Z menjadi JK N, JK Z dan JK Interaksi N&Z

No N1 N2 Total …Yz Rata-rata ..Ȳ


Zo 3.8 7.9 9.0 20.7 1.725
Z1 5.8 10.2 14.5 30.5 2.542
Z2 8.2 20.0 10.2 38.6 3.217
Z3 12.9 16.3 12.5 41.7 3.473
Total Yn 30.7 54.4 46.4 131.5
Rata-rata Ȳ 3.411 6.044 5.156 3.65
16

n 2

JK Zeolit =
∑T
i =1
i − FK
=
(20.7) 2 + (30.5) 2 + (38.6) 2 + (41.7) 2
– FK = 29.39
3 x3
Ulangan.x.N

n 2

JK N =
∑T
i =1
i − FK
=
(30.7) 2 + (54.4) 2 + (46.4) 2
– FK = 24.23
3x4
Ulangan.x.Z

.JK Interaksi N*Z = JK Kombinasi - JK Zeolit - JKN = 76.17 – 29.39 - 24.23 = 22.55

ANOVA
Sumber Variasi db JK KT F hit F 0.05 F 0.01
6.92 131.3
3x4 Kombinasi 11 76.17 ** 2.26 3.18
9.80 185.8
4Z 3 29.39 ** 3.44 5.72
12.12 229.8
3N 2 24.23 ** 3.05 4.82
3.76 71.3
2x3 Interaksi N*Z 6 22.55 ** 2.55 3.76
0.05
Error 24 1.16
3x3x4 Total 35 61.68

Dari ANOVA table terlihat bahwa perlakuan N dan Z sangat beda nyata.
Begitu juga interaksi antara N dan Z juga terdapat beda nyata. Untuk itu maka kita akan mencari kombinasi
perlakuan NZ yang punya produksi tertinggi dengan uji BNT 0.05 sbb:

2 KTGalat
BNT α = t α (db galat) x
Ulangan
2x0.05
BNT 0.05 = t 0.05 (24) x
3
= 2.064 x 0.316

= 0.65

BNT 0.05 = 0.65

No Perlakuan Produksi Notasi

1 N0 Z0 1.27 ‘a
2 N0 Z1 1.93 ‘a
3 N1 Z0 2.63 ‘b c
4 N0 Z2 2.73 ‘b c d
5 N2 Z0 3.00 ‘c d e
6 N1 Z1 3.40 ‘d e f g
7 N2 Z2 3.47 ‘e f g
8 N2 Z3 4.17 ‘f g h
9 N0 Z3 4.30 ‘g h
10 N2 Z1 4.83 ‘h i
11 N1 Z3 5.43 ‘i
12 N1 Z2 6.67 ‘j

Kombinasi perlakuan tertinggi adalah pada N1 Z2 yaitu penambahan pupuk N 50 kg/ ha dikombinasi
dengan pemberian Zeolit 100 kg/ha.
17

SPIT- PLOT DESIGN

Disebut juga Rancangan Petak Terbagi (RPT) atau Rancangan petak terpisah  bentuk khusus dari
rancangan faktorial, dimana kombinasi perlakuan diacak secara bertahap.

Beberapa pertimbangan penerapan RPT, yaitu:

1) Perbedaan kepentingan pengaruh


2) Pengembangan dari percobaan yang telah berjalan
3) Kendala teknis pengacakan dilapangan

Split-plot diterapkan karena:

(1) adanya tingkat kepentingan yang berbeda dalam meneliti faktor yang digunakan;
(2) pengembangan dari percobaan yang telah berjalan;
(3) kendala pengacakan dilapangan.

Rancangan Petak Terbagi-Terbagi dapat juga diterapkan pada percobaan yang menggunakan tiga faktor
atau lebih. Rancangan Petak Terbagi-Teralur lebih ditekankan pada interaksi dari kedua faktor.

Contoh kasus (1).

Percobaan 4 macam varietas kedelai : Willis-1 (V1), Willis-2 (V2), Lokon (V3) dan Orba (V4). Keempat
varietas tersebut dicoba pada 4 jenis pengolahan tanah (Tillage) yaitu tanpa olah tanah (T0), Tanah
dibajak dengan sapi (T1) dan tanah dibajak dengan traktor (T2).

Percobaan tersebut menggunakan rancangan petak terbagi atau Split-Plot Design dimana faktor olah tanah
sebagau main plot dan varietas sebagai sub-plot. Ukuran setiap petak sama, yitu satu rante (400m2).
Kerapatan tanam kedelai juga sama yaitu 25X25 m2 dengan sistem tanam 2 benih per lobang.

Denah dan data produksi ton/ha biji kedelai hasil percobaan tersebut adalah sbb:

T2 T0 T1
V2 V1 V4 V3 V4 V2 V3 V1 V3 V4 V2 V1
Blok I
1.52 1.49 1.70 1.59 1.24 1.25 1.16 1.10 1.60 1.65 1.48 1.50

T2 T1 T0
V4 V3 V2 V1 V2 V4 V3 V1 V4 V1 V2 V3
Blok II
1.75 1.60 1.57 1.51 1.59 1.70 1.61 1.60 1.24 1.15 1.27 1.17

T1 T0 T2
V2 V1 V4 V3 V2 V1 V4 V3 V2 V1 V4 V3
Blok III
1.62 1.79 1.53 1.58 1.18 1.17 1.25 1.28 1.75 1.63 1.65 1.62

Pertanyaan :

1. Apakah pengelompokan (Blocking) pada percobaan tersebut sudah effektip?


2. Apakah ada perbedaan hasil dari ketiga jenis pengolahan tanah dan keempat varietas yang dicoba.
3. Apakah terdapat interaksi antara pengolahan tanah (Tillage) dengan varietas ?
4. Dengan asumsi tidak ada interaksi, maka uji dengan LSD 0.05 perlakuan olah tanah (Tillage) mana
dan juga varietas mana yang memberikan hasil terbaik.
5. Jika terdapat interaksi antara Tillage dan Varietas, maka carilah kombinasi T&V yang
memberikan hasil tertinggi (dengan LSD 0.05).

Untuk latihan kali ini kita akan coba memakai istilah-istilah dalam bahasa Inggris yang biasa terdapat
pada buku-buku referensi asing misalnya

 Istilah CF untuk Correction Factor yang maksudnya sama dengan FK (Faktor Koreksi)
 Istilah SS untuk Sum of Square yang maksudnya sama dengan JK (Jumlah Kwadrad)
 Istilah MS untuk Mean of Square yang maksudnya sama dengan KT (Kwadrad Tengah)
 Istilah Error maksudnya sama dengan Galad
 Istilah LSD (Least Significant Deferences) maksudnya sama dengan BNT (Beda Nyata Terkecil)
 Istilah Treatment yang maksudnya sama dengan Perlakuan
 Dan istilah-istilah lainnya.
18

Untuk menjawab pertanyaan diatas, maka berikut adalah langkah-langkah yang harus dilakukan :

I. Data dari lapangan disusun sbb:

Mean Treat Sub Treat Replicate (Block) Average


Total
(Tillage) (Varietas) I II III (Rata2)
V1 1.10 1.15 1.17 3.42 1.14
T0 V2 1.25 1.27 1.28 3.80 1.27
V3 1.16 1.17 1.18 3.51 1.17
V4 1.24 1.24 1.25 3.73 1.24
ΣT0 4.75 4.83 4.88 14.46
V1 1.50 1.60 1.65 4.75 1.58
T1 V2 1.48 1.59 1.63 4.70 1.57
V3 1.60 1.61 1.62 4.83 1.61
V4 1.65 1.70 1.75 5.10 1.70
ΣT1 6.23 6.50 6.65 19.38
V1 1.49 1.51 1.53 4.53 1.51
T2 V2 1.52 1.57 1.58 4.67 1.56
V3 1.59 1.60 1.62 4.81 1.60
V4 1.70 1.75 1.79 5.24 1.75
ΣT2 6.30 6.43 6.52 19.25
Total = ΣT0 + ΣT1 + ΣT2 17.28 17.76 18.05 53.09

II. Menyusun ANOVA yang akan diisi sbb:

ANOVA
F observation F Table
Source of Variance df SS MS
(F Hitung) 0.05 0.01

3 Blok 2
3 Main plot (Tillage) 2
Error (a) 4

4 Sub-Plot (Varietas) 3
Interaksi T * V 6
Error (b) 18

Total 35

Keterangan:

 Jumlah blok (b) ada 3 : I. II dan III, maka df blok = (b-1)= 3-1 = 2
 Jumlah main plot (Tillage) ada 3 yaitu T0, T1 dan T2 maka df tellage = (t-1) = 3-1 = 2
 Error (a) adalah error main plot. Df error(a) = (b-1)(t-1) = (3-1)(3-1) = 2x2 = 4
 Jumlah Sub-plot (Varietas) ada 4 : V1, V2, V3 dan V4 maka df Var =( v-1) = 4-1 = 3
 Interkasi Tillage dan Varietas simbol T*V. Df T*V = (t-1)(v-1) = (3-1)(4-1)= 2x3= 6.
 Error (b) = Error sub-plot = (df sup plot)(df interaksi) = (3)(6) = 18
 df Total = n-1 = Jumlah seluruh data-1= bxtxv-1 = 3x3x4-1 = 36-1 = 35

III. Selanjutnya kita hitung masing-masing SS dan MS sbb.

(Σ X ij)2 = (53.09)2 = 78.293


CF =
n 36

(17.28)2 + (17.76)2 + (18.05)2 939.8185


SS Blok = - CF = - CF = 0.025
12 12
19

Untuk mencari SS main plot (=SS tillage) dan SS error (a), maka data main plot tersebut (Tillage vs blok)
dibuat table sbb :

Main Plot data


Peng Tanah Ulangan Total
(Tillage) I II III
ΣT0 4.75 4.83 4.88 14.46
ΣT1 6.23 6.5 6.65 19.38
ΣT2 6.3 6.43 6.52 19.25
Total 17.28 17.76 18.05 53.09

(4.75)2 + (4.83)2 + (4.88)2 + ------+ (6.52)2


SS Main Plot Total = 4
- CF = 1.34113

(14.46)2 + (19.38)2 + (19.25)2


SS Tillage = Blok x Var = 3x4 = 12
- CF = 1.31021

SS Error(a) = SS main plot total – SS Blok – SS Tillage = 134113 – 0.02521 – 131021 = 0.00571

Untuk menghitung SS sub-plot (= SS Varietas), maka perlu dibuat daftar Varietas vs Tillage sbb :

Sub Plot data


Peng Tanah Varietas Total
(Tillage) V1 V2 V3 V4
ΣT0 3.42 3.80 3.51 3.73 14.46
ΣT1 4.75 4.70 4.83 5.10 19.38
ΣT2 4.53 4.67 4.81 5.24 19.25
Total 12.7 13.17 13.15 14.07

(12.70)2 + (13.17)2 + (13.15)2 + (14.07)2 7056263


SS Sub plot (Var) = - CF = - CF = 0.10992
Blok x Tillage = 3 x 3 9

(3.42)2 + (3.80)2 + ----------+ (5.24)2


SS Interaksi T*V = - CF = 1.46843
3

SS Total Percobaan = (1.10)2 + (1.15)2 + -------- + (1.79)2 – CF = 1.50810

SS error (b)=SStotal Percob–SS blok –SSmain plot (Tillage) –SSerror(a)–SSsub-plot (=Var)–SS Interaksi T*V=
1.5081 - 0.02521 – 1.31021 – 0.00571 – 0.10992 – 0.0483 = 0.00875

Setelah semua SS dihitung, dimasukkan ke dalam ANOVA table kemudian dihitung MS, F Hit dan dicari
nilai F Tabel sbb:

ANOVA
F observation F Table
Source of Variance df SS MS
(F Hitung) 0.05 0.01

3 Blok 2 0.02521 0.01261 25.72 ** 6.94 18.00


3 Main plot (Tillage) 2 1.31021 0.65511 1336.95 ** 6.94 18.00
Error (a) 4 0.00571 0.00143

4 Sub-Plot (Varietas) 3 0.10992 0.03664 74.78 ** 3.16 5.09


Interaksi T * V 6 0.04830 0.00805 16.43 ** 2.66 4.07
Error (b) 18 0.00875 0.00049

Total 35 1.50810
20

Keterangan :
• MS = SS / df contoh MS blok = SS blok/df blok = 0.02521 /2 = 1.01261
• Semua F Hitung = MS../ MS error(b)
• F table = t 0.05 (df error (b))
• Atau : F table = t 0.01 (df error (b))

Hasi ANOVA

1. Bloking sangat effektip


2. Baik pengolahan tanah (Tillage) sebagai main plot maupun Varietas sebagai sub plot memberikan
pengaruh yang nyata terhadap produksi
3. Terdapat interaksi antara Pengolahan tanah dengan varietas kedelai

IV. Selanjutnya kita hitung T dan V terbaik dengan LSD 0.05 jika tidak ada interaksi

Dengan assumsi tidak ada interaksi antara T dan V, maka kita dapat mencari masing-masing T dan V
yang memberikan respon hasil tertinggi sbb :

2MSE ( a)
LSD α = t α (df Eb) x
BlokxLevelT

2 x0.00143
LSD 0.05 = t 0.05 (18) x
3 x3
= 2.101 x 0.0178
= 0.04

Treatment T Total Rata-rata (ton/ha) Notasi


Peng. tanah
T0 14.46 14.46 / (3x4) = 1.21 a
T1 19.38 19.38 / (3x4) = 1.61 b
T2 19.25 19.25 / (3x4) = 1.60 b

Kesimpulan T1 (dibajak dengan sapi) dan T2 (dibajak dengan traktor) sama baiknya meningkatkan
produksi.

LSD Untuk Varietas dihitung sbb :

2MSE (b)
LSD α var = t α (df Eb) x
BlokxLevelV

2 x0.00049
LSD 0.05 = t 0.05 (18) x
3x4
= 2.101 x 0.009
= 0.02

Treatment V Total Rata-rata (ton/ha) Notasi


Jenis Varietas
V1 12.70 12.70 / (3x3) = 1.41 a
V2 13.17 13.17 / (3x3) = 1.46 b
V3 13.15 13.15 / (3x3) = 1.46 b
V4 14.07 14.07 / (3x3) = 1.56 c

Varietas V4 (=Orba) memberikan respon yang tertinggi.

V. Selanjutnya kita hitung kombinasi T dan V terbaik dengan LSD 0.05 karena
ada interaksi antara T dan V

Karena dari ANOVA ternyata ada interaksi antara T&V, maka kedua perlakuan tesebut dianalisa secara
terpisah, sehingga ada 2 perbandingan sbb :

LSD untuk membandingkan Varietas pada tiap jenis pengolahan tanah (=Tillage) :
21

2MSE ( b)
LSD α Interaksi T*V = t α (df Eb) x
Blok

2x0.00049
LSD 0.05 = t 0.05 (18) x
3
= 2.101 x 0.018
= 0.04

Treatment V T0 T1 T2
Jenis Varietas
V1 3.42/3= 1.14 a 4.75/3 = 1.58 ab 4.53/3 = 1.51 a
V2 3.80/3 = 1.27 b 4.70/3 = 1.57 a 4.67/3 = 1.56 b
V3 3.51/3 = 1.17 a 4.83/3 = 1.61 ab 4.81/3 = 1.60 b
V4 3.73/3 = 1.24 b 5.10/3 = 1.70 b 5.24/3 = 1.75 c

Kesimpulan :
• V4 dan V2 lebih baik dibanding dua varietas yang lain pada T0
• V4 dan V3 lebih baik dari V1 dan V2 pada pengolahan tanah T1
• Pada pengolahan tanah dengan traktor (T2) varietas V4 adalah yang tertinggi

Untuk mencari kombinasi pengolahan tanah dan varietas yang tertinggi, maka kita harus menggunakan
LSD gabungan dari error (a) dan error (b).

t a = t 0.05 (df E(a)) = t 0.05 (4) = 2.776


t b = t 0.05 (df E(b)) = t 0.05 (18) = 2.101

2 * [(b − 1) MSE ( b ) + MSE ( a ) ]


LSD0.05 = t ab *
t *v
(b-1)(MSEa)(tb) + MSEa ta
t ab = (b-1)(MSEb) + MSEa

(4-1) (0.00049) (2.101) + (0.00143) (2.776) 0.00706


=
(4-1) (0.00059) + 0.00143 0.0029

= 2.43

2 * [(4 − 1)(0.00049) + (0.00143)]


LSD0.05 = t ab *
3* 4

LSD0.05 = 0.05 ton / ha

Kombinasi T*V diurutkan mulai dari yang terkecil

Kombinasi Rata-rata Notasi


T0 V1 1.14 a
T0 V3 1.17 a
T0 V4 1.24 b
T0 V2 1.27 b
T2 V1 1.51 c
T2 V2 1.56 cd
T1 V2 1.57 d
T1 V1 1.58 d
T2 V3 1.6 d
T1 V3 1.61 d
T1 V4 1.7 e
T2 V4 1.75 e

Kesimpulan : Kombinasi varietas 4 (Var Orba) pada tanah yang dibajak baik dengan sapi maupun dengan
traktor memberikan hasil yang terbaik.
22

KORELASI DAN REGRESI LINIER


Tujuan analsisi korelasi adalah ingin mengetahui APAKAH ADA HUBUNGAN antara dua variabel atau
lebih. Sedangkan tujuan analisis regresi adalah untuk MEMPREDIKSI SEBERAPA JAUH pengaruh yang
ada tersebut.

Contoh Soal.
Hasil pengukuran berat badan dan tinggi badan terhadap 5 orang pemuda didapat data sebagai berikut.

X Y
No Berat badan Tinggi badan
(kg) (cm)

1 62 167
2 68 173
3 71 176
4 72 177
5 75 180

Pertanyaan :
1. Hitunglah nilai korelasi antara kedua set data ( X dan Y ) tersebut.
2. Jika nilai korelasinya > 0.6 maka buatlah persamaan regresinya.

Korelasi dinyatakan dalam huruf R kecil atau ” r ”


Nilai r dinyatakan dalam - 1 ≤ 0 ≤ 1 Jadi nilai r selalu pecahan dan tidak pernak lebih dari satu.
R bisa positip contoh makin cepat makin baik. Tapi r bisa juga negatip misal makin gemuk makin lambat

Rumus untuk korelasi adalah :

2
(∑ XY )
Rumus I r = dimana “χ “ dan “ y” adalah deviasi dar X dan Y
2 2
∑ X *∑Y

Rumus II r =
[( x − x)( y − y)]2

dimana Ȳ adalah rata-rata Y dan Ẍ adalah rata-rata X


∑ ( x − x) * ∑ ( y − y )
2 2

∑ X * ∑ Y 
2

∑ XY −
 n 
Rumus III r =
 (∑ X ) 2   (∑ Y ) 2 
∑  ∑
2 2
X − Y − 
 n   n 

Rumus yang paling umum dipakai adalah rumus yang ke III ini, dan untuk bisa memasukkan angka-angka
dalm rumus itu maka dibuat daftar bantuan sbb:

Berat Tinggi
Badan kg badan cm
2 2
No. (x) (Y) X Y XY
1 62 167 3,844 27,889 10,354
2 68 173 4,624 29,929 11,764
3 71 176 5,041 30,976 12,496
4 72 177 5,184 31,329 12,744
5 75 180 5,625 32,400 13,500
Σ 348 873 24,318 152,523 60,858
Average 70 175
23

∑ X * ∑ Y 
2

∑ XY −
 n 
Masuk ke rumus III r =
 (∑ X ) 2   (∑ Y ) 2 
∑  ∑
2 2
X − Y − 
 n   n 

2
 348 * 873 
60858 − 5 
rumus III r = = 0.9
 (348) 2   (873) 2 
24318 −  152533 − 
 5  5 

Nilai korelasi r = 0.9 artinya hubungan antara data berat badan dengan tinggi badan sabgat kuat.

Karena hubungannya kuat, maka kita akan cari persamaan regresinya.

Rumus persamaan regreasi Y = a + bX

Dari rumus diatas maka nilai a adalah a = Ȳ - b Ẍ


 ∑ XY −
∑ X * ∑ Y 
b=
∑ XY =  n 
=
97.2
=1
∑X 2
 (∑ X ) 2  97.2
∑ X
2
− 
 n 

a=Ȳ-bẌ
a = 175 – (b) 70 = 175 – (1)70 = 105

Jadi persamaan regresi Y = a + bX

Y = 105 + X atau bisa juga ditulis Y = X + 105

Soal (2) Tugas untuk mahasiswa.

Hasil pengamatan kadar Nitrogen (% N) dari berat kering daun kelapa sawit terhadap produksi Tandan Buah Segar
(TBS) ton/ha/tahun tertera pada data sebagai berikut.

X Y
% N Daun TBS ton/ha/th
2.61 20
2.63 23
2.69 24
2.70 26
2.74 31
2.75 33
2.79 35
2.83 36

Pertanyaan :
1. Hitunglah nilai korelasi antara kedua set data tersebut.
2. Jika nilai korelasinya > 0.5, buatlah persamaan regresinya.
24

REGRESI KWADRATIK (NON LINIER)

Contoh : Pengaruh pemberian pupuk NPK (X) pada produksi TBS tanaman kelapa sawit Y.

Data sbb
Keterangan :
X Y
No NPK kg/ha TBS ton/Ha Tanaman Sawit umur 8 tahun setelah tanam.
Kerapatan tanaman 136 pokok/ ha
1 1.5 6 Pupuk yang digunakan adalah NPK 15.15.6.4 dengan cara ditabur
2 2.0 8 merata di piringan dan gawangan.
3 2.5 9 Aplikasi dilakukan 2 kali yaitu bulan september (awal musim hujan)
dan bulan Februari
4 3.0 15 Pengamatan mulai dilakukan 2 tahun setelah aplikasi pupuk tsb.
5 3.5 12
6 4.0 13 Pertanyaan :

7 4.5 13 1. Hitung berapa nilai korelasi ( r ) antara dosis pupuk dengan


8 5.0 23 produksi TBS
2. Jika r > 0.5 maka buatlah persamaan regresi kwadrati
9 5.5 23
10 6.0 20 Y = a + bX + cX²
11 6.5 25
12 7.0 25
Rumus
13 7.5 24
14 8.0 27 ΣY = n a + b Σ X + c ΣX² ….. rumus I
15 8.5 28
16 9.0 26 ΣXY = a ΣX + b ΣX² + cΣX³ ……rumus II
17 9.5 25
ΣX²Y = a ΣX² + b ΣX³ + cΣX4 ……rumus III
18 10.0 26
19 10.5 27
20 11.0 28
21 11.5 27
22 12.0 26
23 12.5 24
24 13.0 23
25 13.5 22

Perhitungan :

Korelasi

Kor : r2 = [ Σ XY - (Σ X.ΣY) / n ]2 = 232324 = 232324 = 0.624863


[Σ X2 -(Σ X)2)/n]*[ ΣY2 - (ΣY)2/n)] 325 1144.0 371800.0
25

Persamaan Regresi :

4
No X Y X² X³ X XY X²Y
1 1.5 6 2 3 5 9 14 ' Y = - 4 + 6 X - 0.3 X²

2 2.0 8 4 8 16 16 32
3 2.5 9 6 16 39 23 56
4 3.0 15 9 27 81 45 135
5 3.5 12 12 43 150 42 147
6 4.0 13 16 64 256 52 208
7 4.5 13 20 91 410 59 263
8 5.0 23 25 125 625 115 575
9 5.5 23 30 166 915 127 696
10 6.0 20 36 216 1,296 120 720
11 6.5 25 42 275 1,785 163 1,056
12 7.0 25 49 343 2,401 175 1,225
13 7.5 24 56 422 3,164 180 1,350
14 8.0 27 64 512 4,096 216 1,728
15 8.5 28 72 614 5,220 238 2,023
16 9.0 26 81 729 6,561 234 2,106
17 9.5 25 90 857 8,145 238 2,256
18 10.0 26 100 1,000 10,000 260 2,600
19 10.5 27 110 1,158 12,155 284 2,977
20 11.0 28 121 1,331 14,641 308 3,388
21 11.5 27 132 1,521 17,490 311 3,571
22 12.0 26 144 1,728 20,736 312 3,744
23 12.5 24 156 1,953 24,414 300 3,750
24 13.0 23 169 2,197 28,561 299 3,887
25 13.5 22 182 2,460 33,215 297 4,010
Σ 188 525 1,731 17,859 196,378 4,420 42,516

4
ΣX ΣY ΣX² ΣX³ ΣX ΣXY ΣX²Y
26

STATISTIK NON PARAMETRIK


Perbandingan :

Uji Parametrik Uji Non Parametrik

Kaidah parametrik : Untuj uji data yg tidak memenuhi kaidah²


parametrik misal
1. Data bersifat kontinue a. Datanya bersifat diskret
2. Sebaran datanya normal, Anova b. Data berada pada skala nominal atau ordinal
3. Uji LSD, HSD, DMRT c. Sebaran data tidak normal
4. Korelasi Pearsons
5. Jika data tidak terdistribusi normal Analisa yg sering digunakan non parametrik a.l
maka harus dengan Statistik Non Uji Binomial
parametrik. Uji korelasi spearman
6. Di bidang pertanian dan biologi, uji Uji Wilsoxcon,..dll
normaliras tidak pernah dilakukan
karena diasumsikan data normal Misal kita analisa dg Anova, ternyata datanya skala
(berdasarkan penelitian2 sebelumnya) ordinal, maka harus dg uji non parametrik
7. Di bidang lain misal kedokteran, • RAL non parametrik : Uji Kruskal Wallish
farmasi, teknik dll sebelum dianalisa • RAK non parametrik : Uji Friedman
sebaran data harus diuji • Faktorial & Split plot non parametrik bisa
kenormalannya dg Kruskal ataupun Friedman.

Skala Data Pada Statistik

No. Skala Contoh Penjelasan


Data

1 Nominal Warna bunga, • Hanya dpt membedakan, tapi tak tahu mana yg lebih
jenis kelamin ..dll tinggi dan mana yg lebih rendah (tidak ada jarak)
(Variable Diskret) • Kita tak bisa menyatakan merah lebih besar drpd putih.
• Analisanya hrus dg Statistik Non Parametrik
• Uji yg dipakai adalah X² test ex Uji Mendel.
2 Ordinal Nilai Mhs A, B, C, • Sudah ada tingkatan (order) ex nilai A lebih baik dari
D, E B
(Var. Kontinew) • Letnan, Kapten, Mayor, Kolonel,..dst.
• Uji yg bisa dg non parametrik
• Biasa dg Korelasi Spearman ( Kor. Rangking).
3 Interval T , pH, • Bisa dibedakan, sudah ada order, ada jarak tapi aturan2
(Var. Kontinue) matematik belum bisa dimainkan ex 5 ᵒC + 10 ᵒC ǂ
15ᵒC
• Uji yg dipakai : ANOVA, LSD, HSD, DMRT, Kontras
4 Ratio Panjang, Tinggi, • Kaidah-kaidah matematik sudah lengkap.
Kecepatan, Dosis, • Bisa uji Anova, LSD, DMRT, korelasi, regresi
…dll Pearson,..dll
(Var. Kontinue)
27

KORELASI SPEARMAN

1. Contah analisa Korelasi spearman untuk data tunggal (tidak ada data yang sama)

No Juri A Juri B r A r B rA - rB = di di²


1 70 80 5 3 2 4
2 85 75 2 4 -2 4
3 65 55 6 8 -2 4
4 50 60 8 7 1 1
5 90 85 1 2 -1 1
6 80 70 3 5 -2 4
7 75 90 4 1 3 9
8 60 65 7 6 1 1
∑ d1² = 28
rs= 0.667
n= 8

Tabel spearman : r 0.05(8) = 0.643

Hepotesa:

Ho : r s ≤ r tabel : Tidak ada pengaruh antara Juri A dan Juri B


H1 : r s > r tabel : Ada saling pengaruh antara Juri A dan Juri B

6 ሺ ∑݀݅ ²ሻ
‫ݎ‬ᇍ = 1 −
݊ ሺ݊² − 1ሻ
Hasil analisa ternyata rs < t tabel jadi Ho diterima dan H1 ditolak.

'Kesimpulan Tidak ada hubungan antara Juri A dengan Juri B

2. Contah analisa Korelasi spearman untuk data ada yang ganda (ada data yang sama)

No Juri A Juri B r A r B rA - rB = di di²


1 96 150 1 1 0.0 0.00
2 82 95 6.5 6 0.5 0.25
3 63 75 9 9.5 -0.5 0.25
4 57 75 10 9.5 0.5 0.25
5 82 110 6.5 3 3.5 12.25
6 90 100 3 4.5 -1.5 2.25
7 90 140 3 2 1.0 1.00
8 74 83 8 8 0.0 0.00
9 87 100 5 4.5 0.5 0.25
10 90 92 3 7 -4.0 16.00
∑ d1² = 32.5
90 : no 2, 3, 4 = 3.0 rs= 0.803
Note. No 2 dan 4 tidak lagi dipakai n= 10

Tabel shearman r 0.05(10) = 0.564

Hepotesa:
Ho : r s ≤ r tabel : Tidak ada pengaruh antara Juri A dan Juri B
H1 : r s > r tabel : Ada saling pengaruh antara Juri A dan Juri B
6 ሺ ∑݀݅ ²ሻ
‫ݎ‬ᇍ = 1 −
݊ ሺ݊² − 1ሻ
Rumus :
Hasil analisa ternyata rs > t tabel jadi Ho ditolak dan H1 diterima.
'Kesimpulan ada hubungan (saling mempengaruhi) antara Juri A dengan Juri B
28

1. Uji Cochran’s
Judul Penelitian :“ Perbedaan 4 jenis obat A, B, C dan D yang dicobakan pada 10 pasien tsb”

Tujuan Penelitian
Untuk mengetahui ada tidaknya perbedaan dalam hal kesembuhan terhadap 10 pasen pada 4 jenis obat A,
B, C dan D yang dicobakan.

Parameter yang Diukur :


Pasien sembuh diberi skor 1
Pasien tidak sembuh diberi skor 0

Analisa Data :
Uji statistic non parametric dengan system binomial menggunakan metoda Cochran's Q test

Hepotesa
H0 : Tidak perbedaan (non significant) pada 4 jenis obat yang dicoba
H1 : Ada perbedaan diantara 4 jenis obat yang dicoba.

Kriteria Pengujian :
Ho diterima jika Q ≤ χ² : Non Significant
H1 diterima jika Q > χ² : Significant

Taraf signifikansi : Dengan α = 5% atau 0.05 menggunikan table χ²

Data Hasil Penelitian


No. Sampel Obat A Obat B Obat C Obat D Total Bj
1 Pasien I 0 0 0 0 0
2 Pasien II 0 1 0 0 1
3 Pasien III 0 0 0 0 0
4 Pasien IV 1 0 0 1 2
5 Pasien V 0 1 0 0 1
6 Pasien VI 1 0 0 0 1
7 Pasien VII 0 0 0 0 0
8 Pasien VIII 1 1 0 1 3
9 Pasien IX 0 0 1 0 1
10 Pasien X 0 0 0 0 0
Total Gi 3 3 1 2 9

k= 4 Σ Gi = X.j = 9
b= 10 Σ Gi ² = 23
Σ Bj = X i.
Q = 6.947 = 9
Σ Bj² = 17
Rumus :

Q = 1.737

Tabel χ² : db = a-1 = 4-1 = 3. Dari table χ² didapat nilai χ² 0.05 (3) = 7.815

Keputusan : Hasil Perhitungan Q < χ² : non significant. Jadi Ho diterima dan H1 ditolak.

Kesimpulan :
Dengan tingkat keyakinan 95% secara statistik dapat disimpulkan bahwa tidak ada perbedaan diantara ke
4 jenis obat yang dicobakan pada 10 pasien tsb
29

2. UJI WILCOXON
Digunakan untuk membandingkan dua Variabel pada sampel yang sama
Misal ada dua kelompok data X dan Y

Langkah-Langkah Pengujian
• Pasangkan Data
• Hitung harga mutlak selisih skor pasangan data │ di │
• Tentukan ranking tiap pasangan data
• Isi kolom positip dan negatip dengan ranking tiap pasangan sesuai dengan tanda selisih
pasangan data: jika selisihnya positip masukkan rankingnya ke kolom positip, jika selisihnya
negatip masukan rankingnya ke kolom negatip
• Jumlahkan ranking pada kolom positip dan negatip
• Ambil jumlah yang paling keci (W hitung)lalu bandingkan dengan tabel nilai kritis Wilcoxon (W
tabel)

Hipotesis:
Ho : Tidak ada perbedaan pengaruh diantara kedua perlakuan
H1 : Ada perbedaan pengaruh diantara kedua perlakuan

Kriteria Pengujian
Terima Ho jika W hitung ≤ W tabel
Tolak Hi jika H hitung > W tabel
30

Berdasarkan contoh Produksi Dua macam Kacang Tanah X dan Y pada di 20 lokasi maka pengisian
kolom-kolom selanjutnya adalah sbb :

Selisih Tanda Rank


Lokasi X Y Rank
X-Y I X-Y I Positip Negatip
1 3.4 3.0 0.4 0.4 15.5 15.5
2 3.7 3.9 -0.2 0.2 6 -6
3 2.8 3.2 -0.4 0.4 15.5 -15.5
4 4.2 4.6 -0.4 0.4 15.5 -15.5
5 4.6 4.3 0.3 0.3 9.5 9.5
6 3.8 3.4 0.4 0.4 15.5 15.5
7 3.6 3.5 0.1 0.1 3 3
8 2.9 3.0 -0.1 0.1 3 -3
9 3.0 2.9 0.1 0.1 3 3
10 3.8 3.7 0.1 0.1 3 3
11 4.0 3.7 0.3 0.3 9.5 9.5
12 3.9 4.0 -0.1 0.1 3 -3
13 3.8 3.5 0.3 0.3 9.5 9.5
14 4.2 4.5 -0.3 0.3 9.5 -9.5
15 4.7 3.9 0.8 0.8 20 20
16 4.0 3.7 0.3 0.3 9.5 9.5
17 3.6 3.2 0.4 0.4 15.5 15.5
18 3.2 2.9 0.3 0.3 9.5 9.5
19 3.4 3.0 0.4 0.4 15.5 15.5
20 2.9 3.6 -0.7 0.7 19 -19
Jumlah 138.5 -71.5

W hitung = -71.5
W tabel 0.05(20) = - 52
Harga mutlak W hitung (= 71.5) > W Tabel (=52) jadi Ho ditolak dan Hi diterima
Kesimpulan : Untuk taraf nyata o,o5 ada perbedaan produksi kacang tanah X dan Y
31

3. UJI KRUSKAL - WALLIS


Uji Kruskal–Wallis : Analisa Non Parametrik untuk RAL
Contoh : Diperusahaan yang sedang menurun profitnya karena menurun mativasi pekerjanya.
Diduga demotinasi akibat sistem penggajan yang baru. Hasil angket dari 104 pegawai dari 4 divisi adalah
sbb :

Sistem Frekwensi Jawaban Pertanyaan dari Divisi Data digabung dan


Penggajian diranking
Pemasaran Produksi Gudang Personalia No Frekw Rangk
Sangat Baik 4 2 8 1 Urut ensi ing
1 4 7.0
Baik 4 6 5 3 2 4 7.0
Cukup baik 6 4 4 7 3 6 12.5
4 8 18.0
Kurang baik 8 6 7 9 5 4 7.0
Tidak Baik 4 8 2 6 6 2 2.5
7 6 12.5
Jumlah 26 26 26 26 8 4 7.0
9 6 12.5
Pertanyaannya : Apakah benar demotivasi akibat dari sistim penggajian 10 8 18.0
11 8 18.0
yang kurang baik ? Data diubah menjadi ranking
12 5 10.0
13 4 7.0
Hepotesa : 14 7 15.5
15 2 2.5
16 1 1.0
Ho : T hitung ≤ χ ² tabel : Demotivasi bukan arena 17 3 4.0
syste penggajian 18 7 15.5
19 9 20.0
20 6 12.5
H1 : T hitung > χ ² tabel : Demotivasi karena system penggajian yang
mengecewakan

Setelah data menjadi ranking


Sistem Frekwensi Jawaban Pertanyaan dari Divisi
Penggajian Pemasaran Produksi Gudang Personalia
Sangat Baik 7.0 2.5 18.0 1.0
Baik 7.0 12.5 10.0 4.0
Cukup baik 12.5 7.0 7.0 15.5
Kurang baik 18.0 12.5 15.5 20.0
Tidak Baik 7.0 18.0 2.5 12.5
Jumlah 51.5 52.5 53.0 53.0
(R1) (R2) (R3) (R4)

n 1, 2, 3, 4 = 5 5 5 5
N = 20
nj= 5 , 5 , 5 , 5
Rj= 51.5 , 52.5 , 53.0 , 53.0
Rumus
N= 20
n= 5
n(n+1)= 420
Σrj² = 11,027

T= 63.01

Tabel χ ² didapat dari 4 divisi , jadi k= 4 dan dk = k-1 = 4-1 – 3

'χ ²0.05 (3) = 7.81 ………… lihat daftar tabel χ ²

Hasil analisa ternyata T hitung > χ ²tabel jahi Ho ditolak dan H1 diterima
Kesimpulan : Demotivasi karyawan benar disebabkan oleh sistem penggajian yang kurang baik sehingga
mengecewakan karyawan.
32

4. UJI FRIEDMAN
Friedman test-Uji 2 arah setara pada RAK

Contoh : Pabrikan indistri mobil mengeluarkan 5 design mobil sport. 10 pengendara ahli diminta
mencoba dan memberikan rating dg skala antara 0 sangat tidak nyaman sampai 100 sangat nyaman

Hasilnya adalah

Pengendara Desain Mobil


ahli No. A B C D E
1 40 90 10 48 18
2 60 8 98 12 3
3 3 80 90 98 99
4 82 60 5 50 55
5 42 99 3 2 60
6 86 3 99 40 45
7 8 50 9 10 82
8 14 3 29 19 10
9 9 10 5 7 1
10 12 8 7 6 50

Rumus
χ² r = { Σ Ti² } - 3N(k+1)

Hepotesa :

Ho : χ ² freiedman ≤ χ ² tabel : Tidak ada perbedaan dalam rating

H1 : χ ² freiedman > χ ² tabel : Ada perbedaan dalam rating

Dengan taraf signifikansi 0.01 ujilah hipotesa nihil bahwa tidak ada perbedaan berarti dalam overall
rating

Data Asli di-rating horisontal dg skor 1 s/d 5 (sesuai jumlah blok)


Desain Mobil
Pengendara ahli No.
A B C D E
1 3 5 1 4 2
2 4 2 5 3 1
3 1 2 3 4 5
4 5 4 1 2 3
5 3 5 2 1 4
6 4 1 5 2 3
7 1 4 2 3 5
8 3 1 5 4 2
9 4 5 2 3 1
10 4 3 2 1 5
Total 32 32 28 27 31
(T1) (T2) (T3) (T4) (T5)
N = Jumlah sampel N= 10
k - Jumlah sampel yang
berkaitan k= 5
Ti = Jumlah jenjang sanpel (T1, T2, T3 ,T4 dan T5)

Nk(K+1)= 300
Σ Ti² = 4522
33

3N(k+1) = 180

12/Nk(k+1)= 0.04

χ² r = 0.88

db = 5 ........(Ada 5 design mobil)

χ ²tabel = χ ² α (5-1) = χ ² 0.01 (4) = 13.28

Hasil analisa χ² r < χ ² tabel jahi Ho diterima dan H1 ditolak

Kesimpulan : Tidak ada perbedaan yang significant pada overall rating

Tabel F 0.05
34

Tabel F 0.01
35

Tabel t.

df
α
0.10 0.05 0.02 0.01
1 6.314 12.706 31.821 63.657
2 2.92 4.303 6.965 9.925
3 2.353 3.182 4.541 5.841
4 2.132 2.776 3.747 4.604
5 2.015 2.571 3.365 4.032
6 1.943 2.447 3.143 3.707
7 1.895 2.365 2.998 3.499
8 1.86 2.306 2.896 3.355
9 1.833 2.262 2.821 3.25
10 1.812 2.228 2.764 3.169
11 1.796 2.201 2.718 3.106
12 1.782 2.179 2.681 3.055
13 1.771 2.16 2.65 3.012
14 1.761 2.145 2.624 2.977
15 1.753 2.131 2.602 2.947
16 1.746 2.12 2.583 2.921
17 1.74 2.11 2.567 2.898
18 1.734 2.101 2.552 2.878
19 1.729 2.093 2.539 2.861
20 1.725 2.086 2.528 2.845
21 1.721 2.08 2.518 2.831
22 1.717 2.074 2.508 2.819
23 1.714 2.069 2.5 2.807
24 1.711 2.064 2.492 2.797
25 1.708 2.06 2.485 2.787
26 1.706 2.056 2.479 2.779
27 1.703 2.052 2.473 2.771
28 1.701 2.048 2.467 2.763
29 1.699 2.045 2.462 2.756
30 1.697 2.042 2.457 2.75
31 1.696 2.04 2.453 2.744
32 1.694 2.037 2.449 2.738
33 1.692 2.035 2.445 2.733
34 1.691 2.032 2.441 2.728
35 1.69 2.03 2.438 2.724
36 1.688 2.028 2.434 2.719
37 1.687 2.026 2.431 2.715

99 1.66 1.984 2.365 2.626


100 1.66 1.984 2.364 2.626
10000 1.645 1.96 2.327 2.576
36

Tabel χ²- test

df 0.1 0.05 0.025 0.01 0.005


1 2.706 3.841 5.024 6.635 7.879
2 4.605 5.991 7.378 9.21 10.597
3 6.251 7.815 9.348 11.345 12.838
4 7.779 9.488 11.143 13.277 14.86
5 9.236 11.07 12.833 15.086 16.75
6 10.645 12.592 14.449 16.812 18.548
7 12.017 14.067 16.013 18.475 20.278
8 13.362 15.507 17.535 20.09 21.955
9 14.684 16.919 19.023 21.666 23.589
10 15.987 18.307 20.483 23.209 25.188
11 17.275 19.675 21.92 24.725 26.757
12 18.549 21.026 23.337 26.217 28.3
13 19.812 22.362 24.736 27.688 29.819
14 21.064 23.685 26.119 29.141 31.319
15 22.307 24.996 27.488 30.578 32.801
16 23.542 26.296 28.845 32 34.267
17 24.769 27.587 30.191 33.409 35.718
18 25.989 28.869 31.526 34.805 37.156
19 27.204 30.144 32.852 36.191 38.582
20 28.412 31.41 34.17 37.566 39.997
21 29.615 32.671 35.479 38.932 41.401
22 30.813 33.924 36.781 40.289 42.796
23 32.007 35.172 38.076 41.638 44.181
24 33.196 36.415 39.364 42.98 45.559
25 34.382 37.652 40.646 44.314 46.928
26 35.563 38.885 41.923 45.642 48.29
27 36.741 40.113 43.195 46.963 49.645
28 37.916 41.337 44.461 48.278 50.993
29 39.087 42.557 45.722 49.588 52.336
30 40.256 43.773 46.979 50.892 53.672
40 51.805 55.758 59.342 63.691 66.766
50 63.167 67.505 71.42 76.154 79.49
60 74.397 79.082 83.298 88.379 91.952
70 85.527 90.531 95.023 100.425 104.215
80 96.578 101.879 106.629 112.329 116.321
90 107.565 113.145 118.136 124.116 128.299
100 118.498 124.342 129.561 135.807 140.169