APLIKASI RANCANGAN ACAK LENGKAP 1 FAKTOR

BAB 2. APLIKASI RANCANGAN ACAK LENGKAP 1 FAKTOR Rancangan Acak Lengkap (RAL) merupakan rancangan yang paling sederhana dibanding rancangan lainnya. Penggunaan RAL di berbagai bidang penelitian telah banyak dilaporkan. RAL digunakan jika kondisi unit percobaan yang digunakan relatif homogen. Percobaan ini umumnya dilakukan di laboratorium atau rumah kaca dengan melibatkan sedikit unit percobaan. Kelebihan penggunaan metode RAL diantaranya 

Pembuatan layout percobaan lebih mudah dilakukan



Analisis sidik ragam relatif lebih sederhana



Fleksibel dalam penggunaan jumlah perlakuan dan jumlah ulangan

Adapun contoh percobaan yang menggunakan RAL 1 faktor adalah: 

Analisis pertumbuhan jagung manis pada percobaan pot di rumah kaca



Pengaruh konsentrasi nira terhadap kandungan etanol jagung di laboratorium



Analisis daya hasil varietas unggul padi terhadap varietas lokal



Pengaruh penambahan pupuk kandang terhadap hasil jagung Peletakan tiap perlakuan perlu dilakukan secara acak pada seluruh tempat

percobaan. Pada rancangan ini, pengelompokan tidak diperlukan. CONTOH KASUS: Analisis Pengaruh Pupuk Urea Terhadap Hasil Jagung Menggunakan RAL 1 Faktor Sebuah penelitian dilakukan untuk mengetahui pengaruh dosis pupuk urea terhadap hasil jagung komposit. Percobaan dilakukan dengan menggunakan pot di rumah kaca. Percobaan terdiri atas 6 dosis pupuk dengan 5 ulangan. Penyelesaian Jumlah perlakuan = 6 dengan 5 ulangan sehingga diperlukan 30 petakan/pot. Setelah diadakan pengacakan diperoleh hasil sebagai berikut: 1

1

7

D

E

13

2

8

25

A

14 D

19

C

C

A

3

E

9

E

15 B

20

26

E

F

4

10

27

11

B

16 F

21

5

A

B

C

28

A

17 E

22

F

6

12

23

29

F

D

18 B

A

C

C

D

D

24

30

F

B

Perlakuan: A= dosis 0 Kg/ha; B = 50 Kg/ha; C = 100 kg/ha; D = 200 Kg/ha; E = 250 Kg/ha

Data pengamatan hasil jagung yang diperoleh adalah: dosis pupuk (kg/ha) 0 50 100 150 200 250

Ulangan I 31,3 38,8 40,9 40,9 39,7 40,6

Hasil jagung (ku/ha) Ulangan II Ulangan III Ulangan IV 33,4 37,5 39,2 41,7 40,6 41,0

29,2 37,4 39,5 39,4 39,2 41,5

32,2 35,8 38,6 40,1 38,7 41,1

Ulangan V 33,9 38,4 39,8 40,0 41,9 39,8

Penyelesaian Model yang akan digunakan untuk analisis sidik ragam adalah one way anova dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel dan lakukan tabulasi seperti Gambar 1. Simpan dengan nama

ral1faktor.xls

2

Gambar 1. Tampilan data entri di Excel 2. Buka program SPSS pada Komputer, selanjutnya akan muncul data view. Impor data dari Excel dengan klik File > Open > Data

Gambar 2. Tampilan open data di SPSS 3. Selanjutnya pada dialog File Type pilih Excel dan File nama pilih ral1faktor.xls dilanjutkan dengan klik Open. Kotak dialog opening excel data source ditampilkan.

3

Gambar 3. Kotak dialog open data 4. klik Continue maka data akan ditampilkan di data view spss seperti berikut.

Gambar 4. Data view Perlakuan dan hasil 5. Selanjutnya kita akan melakukan analisis varians, klik Analyze > Compare means

> one way anova.

4

Gambar 5 Tampilan menu one way anova 6. Selanjutnya kotak dialog One way Anova ditampilkan. Pilih variabel Hasil dan klik ke Dependent List, variabel Hasil akan berpindah ke kanan (lihat gambar 6). Selanjutnya pada Faktor pilih Perlakuan dan klik tanda panah ke kanan, variabel perlakuan akan berpindah ke kanan (Lihat gambar 6).

Gambar 6. Memasukkan variabel

5

7. Masih pada kotak dialog One way anova, kali ini kita akan melakukan uji Duncan. Klik menu Post Hoc yang terletak di sebelah kanan, pilih uji Duncan

dan Klik

Continue. Apabila semua data sudah lengkap maka SPSS siap memproses data, klik OK, maka Output Model akan ditampilkan.

Gambar 7. One way anova: post Hoc multiple comparison OUTPUT MODEL ANOVA Hasil Sum of Squares

df

Mean Square

F

Sig.

Between Groups

277.686

5

55.537

39.854

.000

Within Groups

33.444

24

1.393

Total

311.130

29

Berdasarkan hasil ANOVA, pada kolom Sig diperoleh nilai P (P-value) = 0.000. Dengan demikian, pada taraf alpha = 0.05 kita menolak Ho sehingga dapat disimpulkan bahwa terdapat perbedaan yang sangat nyata antara dosis pemupukan dengan hasil jagung. Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan uji lanjut (post Hoc) untuk melihat pengaruh antar perlakuan. Hasil uji Duncan adalah: 6

Post Hoc Tests Homogeneous Subset Duncan

Hasil Subset for alpha = 0.05

perlaku an

N

1

1 2 3

5 5 5

32.00

5 4 6

5 5 5

2

3

37.58 39.60 40.02 40.42 40.80

Untuk memudahkan interpretasi maka tabel diatas dapat diberi kode huruf, dimulai dengan huruf “ a “ pada kolom dengan nilai tertinggi. Selain itu perlu diingat bahwa kolom yang sama mempunyai kode huruf yang sama. Duncan

 

Hasil Subset for alpha = 0.05

Perlaku an

N

1

1 2 3

5 5 5

32.00 c

5 4 6

5 5 5

2

3

37.58 b 39.60 a 40.02 a 40.42 a 40.80 a

Catatan: Kolom yang sama mempunyai kode huruf yang sama Pemberian kode huruf diurutkan dari nilai yang paling tinggi (symbol “a”)

Penyajian akhir dari data adalah: Perlakuan 1 2 3 4 5 6

Dosis Pupuk (kg/ha) 0 50 100 150 200 250

Hasil (ku/ha) 32,00 c 37,58 b 39,60 a 40,02 a 40,42 a 40,80 a

Kesimpulan: Pemberian pupuk dengan dosis 100 kg/ha menghasilkan produksi 39,60 ku/ha dan tidak berbeda nyata dengan dosis 250 kg/ha yang menghasilkan 40,80 ku/ha sehingga dosis pupuk 100 kg/ha yang direkomendasikan (Perlakuan 3). 7

Dalam analisis Anova, seringkali kita bekerja dengan lebih dari satu parameter yang harus di uji secara bersamaan. Contoh Kasus: Analisis Pengaruh Putaran Alat Pencampur Pakan Terhadap Kandungan Nutrisi Pakan Sebuah

penelitian

dilakukan

untuk

mengetahui

pengaruh

putaran

alat

pencampur pakan terhadap komposisi karbohidrat, lemak dan protein dari ransum yang dihasilkan. Penelitian dilakukan di laboratorium dengan menggunakan bahan pakan serta alat pencampur skala lab. Penelitian disusun dengan RAL. Tabulasi data adalah: RPM

Karbohidrat (%)

Lemak (%)

Protein (%)

Alat

Ulangan

Ulangan

Ulangan

I

II

III

I

II

III

I

II

III

600

8,037

8,035

8,037

4,504

4,540

4,510

5,680

4,750

6,250

700

6,064

6,063

6,061

2,350

2,340

2,342

11,54

10,20

9,89

800

5,036

6,034

6,034

1,254

1,255

1,250

14,04

15,94

12,60

Penyelesaian Model yang akan digunakan untuk analisis sidik ragam adalah one way anova dengan post test uji Duncan. Tahapan analisisnya adalah: 1. Buka program Excel Microsoft Office dan lakukan tabulasi seperti beriku. Simpan dengan nama ral3parameter.xls

8

Gambar 8. Tampilan data entri di Excel 2. Buka program SPSS pada komputer, selanjutnya akan muncul data view pada komputer. Impor data dari Excel dengan klik File > Open > Data

Gambar 9.Tampilan open data 3. Selanjutnya pada dialog File Type pilih Excel dan File name pilih ral3parameter.xls dilanjutkan dengan klik Open. 4. Klik Continue maka data akan ditampilkan di data view spss seperti berikut.

Gambar 10. Data view di spss 9

5. Selanjutnya kita akan melakukan analisis anova secara bersamaan terhadap ketiga parameter. Klik Data > Split File sebagai berikut.

Gambar 11. Tampilan menu split file 6. Selanjutnya akan muncul kotak dialog split file. Pilih Analyze all cases do not

create groups diikuti dengan klik OK

Gambar 12. Kotak dialog menu split file

10

7. Untuk analisis varians, klik Analyze > Compare means > one way anova sebagai berikut.

Gambar 13. Tampilan menu one way anova 8. Pilih variabel Protein dan klik ke Dependent List. Lakukan hal yang sama pada variabel Karbohidrat dan Lemak. Selanjutnya pada Faktor pilih Perlakuan dan klik tanda panah kekanan (Lihat gambar 14).

Gambar 14. Memasukkan variabel 9. Masih pada kotak dialog One way anova, kali ini kita akan melakukan uji Duncan. Caranya Klik menu Post Hoc dan pilih uji Duncan > Continue. Apabila semua data sudah lengkap maka SPSS siap memproses data, klik OK. 11

OUTPUT MODEL ANOVA Sum of Squares Protein

Between Groups

Mean Square

112.691

2

56.345

8.298

6

1.383

120.988

8

9.479

2

4.740

.663

6

.111

Total

10.142

8

Between Groups

16.577

2

.001

6

16.578

8

Within Groups Total Karbohidrat Between Groups Within Groups Lemak

df

Within Groups Total

F

Sig.

40.743

.000

42.888

.000

8.288 6.109E4

.000

.000

Berdasarkan hasil ANOVA, pada kolom Sig diperoleh nilai P (P-value) = 0.000 (< 0,05) pada parameter karbohidrat, protein dan lemak. Dengan demikian, pada taraf alpha = 0.05 kita menolak Ho sehingga dapat disimpulkan bahwa terdapat perbedaan yang sangat nyata antara RPM alat dengan kadar karbohidrat, protein dan lemak ransum. Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan uji lanjut (post Hoc) untuk melihat pengaruh antar perlakuan. Hasil uji Duncan adalah: Karbohidrat Duncan Subset for alpha = 0.05 per

N

1

3 2 1 Sig.

3 3 3

5.70 b 6.06 b .231

2

8.04 a 1.000

12

Lemak Duncan Subset for alpha = 0.05 per 3 2 1 Sig.

N

1

3 3 3

1.25 c

2

3

2.34 b 1.000

1.000

4.52 a 1.000

Protein Duncan Subset for alpha = 0.05 per 1 2 3 Sig.

N

1

3 3 3

5.56 c

2

3

10.54 b 1.000

1.000

14.19 a 1.000



Catatan: Kolom yang sama mempunyai kode huruf yang sama



Pemberian kode huruf diurutkan dari nilai yang paling tinggi (symbol “a”)

Hasil yang diperoleh selanjutnya dapat di tabulasi untuk memudahkan interpretasi sebagai berikut : Tabel pengaruh RPM alat pencampur terhadap kompisisi nutrisi ransum RPM

Karbohidrat

Lemak

Protein

600 700 800

8,04 a 6,06 b 5,70 b

4,52 a 2,34 b 1,25 c

5,56 c 10,54 b 14,19 a

13

Kesimpulan : 1. kecepatan putaran alat pencampur pakan mempengaruhi secara nyata komposisi nutirsi karbohidrat, protein, dan lemak pada pakan ternak yang dihasilkan. 2. Kecapatan putaran alat 600 RPM merupakan kecepatan putaran yang terbaik untuk pencampuran pakan dengan hasil kadar karbohidrat dan lemak yang nyata paling tinggi, masing-masing sebesar 8,04% dan 4,52%. 3. Kecapatan putaran alat 800 RPM merupakan kecepatan putaran yang terbaik untuk pencampuran pakan dengan hasil kadar protein nyata paling tinggi yaitu 14,19%.

14

ANALISIS DATA MENGGUNAKAN SOFWARE SAS Sistem SAS (Statistical Analysis System) merupakan sistem paket program untuk analisis data dan pelaporan. Pemrograman SAS dibuat pada suatu sistem manajer, yaitu Display Manager System yang terdiri dari tiga window yaitu: 1) Window editor program, berfungsi untuk menulis program. Perintah-perintah SAS ditulis pada window editor program. Suatu perintah dimulai dengan kata kunci dan diakhiri dengan tanda titik koma. Satu program lengkap diakhiri dengan pernyataan run; 2) Wndow Log berguna untuk menampilkan pesan apakah suatu perintah telah berhasil dikerjakan atau terdapat kesalahan; 3) Window Output berfungsi untuk menampilkan hasil proses dari suatu program

Window Output

Window Log

Window Editor

15

Analsis Data 1. Penyusunan data. Sebelum melakukan anlasis data, data yang telah dikumpulkan di input di MS Excel untuk memudahkan pengaturan dan pengeditan data. Setiap faktor dan varibel yang akan dianalisi disusun secara verikal. Contoh Penyusunan data di MS Excel Perlakuan 0 0 0 0 0 50 50 50 50 50 100 100 100 100 100 150 150 150 150 150 200 200 200 200 200 250 250 250 250 250

Ulangan 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5

Hasil 31.3 33.4 29.2 32.2 33.9 38.8 37.5 37.4 35.8 38.4 40.9 39.2 39.5 38.6 39.8 40.9 41.7 39.4 40.1 40.0 39.7 40.6 39.2 38.7 41.9 40.6 41.0 41.5 41.1 39.8

16

2. Pengetikan listing SAS Buka software SAS, kemudian klik windows Editor untuk melakukan pengetikan listing SAS

Pengimputan listing SAS

Windows Editor telah aktif

OPTION PS=100; TITLE'RANCANGAN ACAK LENGKAP_ satu faktor'; Data RAL; input Perlakuan$ Ulangan Hasil; cards;

Copy data dari MS. Excel dan paste di sini ; proc anova; class Perlakuan; Model Hasil=Perlakuan; MEAN Perlakuan/DUNCAN; RUN;

Keterangan: Title

= ketik nama judul percobaan disetai dengan tanda ‘...’

Input

= merupakan nama faktor dan variabel yang akan dianalisis

17

proc anova class Model Hasil MEAN Perlakuan/DUNCAN

= = = =

analisis varian; input nama faktor percobaan “perlakuan” Perlakuan = model analisis anova Mean Perlakuan/Duncan = rata-rata setiap perlakuan dan uji lanjut dengan menggunakan uji Duncan. Uji lanjut yang lain dapat digunakan sebagai berikut: Uji BON, DUNCAN, DUNNETT, DUNNETTL, DUNNETTU, GABRIEL GT2, LSD, REGWQ, SCHEFFE, SIDAK, SMM, SNK, TUKEY, WALLER

RUN = menjalankan analisis

3. Copy data dari MS Excel di baris bagian cards; (data yang di copy tidak termasuk nama “factor” dan “variabel”

OPTION PS=60; TITLE'RANCANGAN ACAK LENGKAP_ satu faktor'; Data RAL; input Perlakuan$ Ulangan Hasil; cards; 0 1 31.3 0 2 33.4 0 3 29.2 0 4 32.2 0 5 33.9 50 1 38.8 50 2 37.5 50 3 37.4 50 4 35.8 50 5 38.4 100 1 40.9 100 2 39.2 100 3 39.5 100 4 38.6 100 5 39.8 150 1 40.9 150 2 41.7 150 3 39.4 150 4 40.1 150 5 40.0 200 1 39.7 200 2 40.6 200 3 39.2 200 4 38.7 200 5 41.9 250 1 40.6 250 2 41.0 250 3 41.5 250 4 41.1 250 5 39.8 ;

18

proc anova; class Perlakuan; Model Hasil=Perlakuan; MEAN Perlakuan/DUNCAN; RUN;

setelah listing SAS telah selesai diketik, klik Submit

atau tekan F8

Klik windos Output untuk melihat hasil analsisi

19

RANCANGAN ACAK LENGKAP

14:20 Friday, February 19, 2015

1

The ANOVA Procedure Class Level Information Class

Levels

Perlakuan

Values

6

A B C D E F

Number of observations

30



2

The ANOVA Procedure Dependent Variable: Hasil DF

Sum of Squares

Mean Square

F Value

Pr > F

5

277.6856667

55.5371333

39.85

<.0001

Error

24

33.4440000

1.3935000

Corrected Total

29

311.1296667

Source Model

Galat

Koefesien keragaman

Source Perlakuan

R-Square

Coeff Var

Root MSE

Hasil Mean

0.892508

3.073863

1.180466

38.40333

DF

Anova SS

Mean Square

F Value

Pr > F

5

277.6856667

55.5371333

39.85

<.0001

20



3

The ANOVA Procedure Duncan's Multiple Range Test for Hasil NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha Error Degrees of Freedom Error Mean Square Number of Means Critical Range

2 1.541

3 1.618

0.05 24 1.3935 4 1.668

5 1.703

6 1.730

Means with the same letter are not significantly different. Duncan Grouping

Mean

N

Perlakuan

A A A A A A A

40.8000

5

250

40.4200

5

150

40.0200

5

200

39.6000

5

100

B

37.5800

5

50

C

32.0000

5

0

Hasil Output di buat dalam bentuk Tabel Anova adalah sebagai berikut: Sumber keragaman db Jumlah kuadrat Kuadrat tengah F hitung Pr > F Perlakuan 5 277.6856667 55.5371333 39.85 <.0001 ** Galat 24 33.444 1.3935 Total 29 311.1296667 Koefesien keragaman (KK) = 3.07% Berdasarkan hasil ANOVA, pada kolom Pr > F (Probality) tercantum nilai signifikan <.0001 yang menunjukkan perlakuan sangat nyata pada taraf α =0,05 sehingga dapat disimpulkan terdapat perbedaan yang sangat nyata antara dosis pemupukan dengan hasil jagung. Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan uji lanjut untuk melihat pengaruh antar perlakuan. Hasil uji Duncan pada output SAS adalah: Perlakuan 1 2 3 4 5 6

Dosis Pupuk (kg/ha) 0 50 100 150 200 250

Hasil (ku/ha) 32,00 c 37,58 b 39,60 a 40,02 a 40,42 a 40,80 a 21

Pada kasus RAL 1 faktor dengan tiga parameter, penyelesaian di SAS adalah: Penyusunan data dalam MS Excel RPM

ulangan Karbohidrat

600 700 800 600 700 800 600 700 800

1 1 1 2 2 2 3 3 3

8.037 6.064 5.036 8.035 6.063 6.034 8.037 6.061 6.034

Lemak

Protein

4.504 2.350 1.254 4.540 2.340 1.255 4.510 2.342 1.250

5.680 11.540 14.040 4.750 10.200 15.940 6.250 9.890 12.600

Ketik listing SAS dalam windos Editor OPTION PS=100; TITLE'RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel'; Data RAL; input RPM ulangan Krbohdrt Lemak Protein ; cards; 600 1 8.037 4.504 5.680 700 1 6.064 2.350 11.540 800 1 5.036 1.254 14.040 600 2 8.035 4.540 4.750 700 2 6.063 2.340 10.200 800 2 6.034 1.255 15.940 600 3 8.037 4.510 6.250 700 3 6.061 2.342 9.890 800 3 6.034 1.250 12.600 ; proc anova; class RPM Ulangan; Model Krbohdrt Lemak Protein = RPM; MEAN RPM/DUNCAN; RUN;

Jalankan perhitungan anlisis dengan mengklik Submit atau F8 Hasil analisis dapat dilihat pada Windows Output RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 1 19:34 Thursday, February 25, 2015 The ANOVA Procedure Class Level Information Class RPM

Levels 3

Values 600 700 800

22

ulangan

3

1 2 3

Number of observations

9

RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 2 19:34 Thursday, February 25, 2015

Anova variabel karbohidrat

The ANOVA Procedure Dependent Variable: Krbohdrt DF

Sum of Squares

Mean Square

F Value

Pr > F

Model

2

9.47814689

4.73907344

42.82

0.0003

Error

6

0.66401000

0.11066833

Corrected Total

8

10.14215689

Source

R-Square

Coeff Var

Root MSE

Krbohdrt Mean

0.934530

5.040347

0.332669

6.600111

Source RPM

DF

Anova SS

Mean Square

F Value

Pr > F

2

9.47814689

4.73907344

42.82

0.0003

RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 3 19:34 Thursday, February 25, 2015

Anova variabel lemak

The ANOVA Procedure Dependent Variable: Lemak DF

Sum of Squares

Mean Square

F Value

Pr > F

Model

2

16.57678200

8.28839100

61093.8

<.0001

Error

6

0.00081400

0.00013567

Corrected Total

8

16.57759600

Source

R-Square

Coeff Var

Root MSE

Lemak Mean

0.999951

0.430595

0.011648

2.705000

Source RPM

Anova variabel protein

DF

Anova SS

Mean Square

F Value

Pr > F

2

16.57678200

8.28839100

61093.8

<.0001

RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 4 19:34 Thursday, February 25, 2015 The ANOVA Procedure

Dependent Variable: Protein DF

Sum of Squares

Mean Square

F Value

Pr > F

Model

2

112.6905556

56.3452778

40.74

0.0003

Error

6

8.2977333

1.3829556

Corrected Total

8

120.9882889

Source

Source

R-Square

Coeff Var

Root MSE

Protein Mean

0.931417

11.64476

1.175991

10.09889

DF

Anova SS

Mean Square

F Value

Pr > F

23

RPM

2

112.6905556

56.3452778

40.74

0.0003

RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 5 19:34 Thursday, February 25, 2015 Uji lanjut Duncan pada variabel karbohidrat

The ANOVA Procedure Duncan's Multiple Range Test for Krbohdrt

NOTE: This test controls the Type I comparisonwise error rate, not the experimentwise error rate. Alpha 0.05 Error Degrees of Freedom 6 Error Mean Square 0.110668 Number of Means Critical Range

2 .6646

3 .6888


Mean

N

RPM

A

8.0363

3

600

B B B

6.0627

3

700

5.7013

3

800

RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 6 19:34 Thursday, February 25, 2015 Uji lanjut Duncan pada variabel lemak

The ANOVA Procedure Duncan's Multiple Range Test for Lemak


2 .02327

3 .02412


Mean

N

RPM

A

4.518000

3

600

B

2.344000

3

700

C

1.253000

3

800

RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 7 19:34 Thursday, February 25, 2015 Uji lanjut Duncan pada variabel protein

The ANOVA Procedure Duncan's Multiple Range Test for Protein


2 2.350

3 2.435

24


Mean

N

RPM

A

14.1933

3

800

B

10.5433

3

700

C

5.5600

3

600

Penyusunan Tabel Anova variabel karbohidrat Sumber keragaman RPM Galat Corrected Total

sb 2 6 8

jumlah Kuadrat kuadrat tengah F Value 9.47814689 4.73907344 42.82 0.66401 0.11066833 10.14215689 KK = 5.040347 %

Pr > F 0.0003 **

Penyusunan Tabel Anova variabel lemak Sumber keragaman RPM Galat Corrected Total

sb 2 6 8

jumlah Kuadrat kuadrat tengah 16.576782 8.288391 0.000814 0.00013567 16.577596 KK = 0.430595 %

F Value 61093.8

Pr > F <.0001 **

Penyusunan Tabel Anova variabel protein Sumber keragaman RPM galat Corrected Total

sb 2 6 8

jumlah kuadrat 112.69000 8.279000

Kuadrat tengah 1.3829556

F Value 40.74

Pr > F 0.0003 **

KK = 11.64476 %

Berdasarkan hasil ANOVA, pada kolom Sig diperoleh nilai P (P-probality) = 0.000 (< 0,001) pada parameter karbohidrat, protein dan lemak pada taraf nyata α = 0.05. Karena terdapat perbedaan yang sangat nyata antara perlakuan maka dilakukan uji lanjut untuk melihat pengaruh antar perlakuan. Hasil uji Duncan pada output SAS adalah RPM

Karbohidrat (%)

Lemak (%)

Protein (%)

600 700 800

8,04 a 6,06 b 5,70 b

4,52 a 2,34 b 1,25 c

5,56 c 10,54 b 14,19 a

25

APLIKASI RANCANGAN ACAK LENGKAP 1 FAKTOR

Recommend Documents