APLIKASI RANCANGAN ACAK LENGKAP 1 FAKTOR - Balai Penelitian...
Transcript of APLIKASI RANCANGAN ACAK LENGKAP 1 FAKTOR - Balai Penelitian...
1
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:
2
1 D
2 C
3 E
4 A
5 F
6 C
7 E
8 A
9 E
10 B
11 A
12 D
13
D
14
B
15
F
16
E
17
B
18
D
19 C
20 E
21 B
22 A
23 C
24 F
25 A
26 F
27 C
28 F
29 D
30 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)
Hasil jagung (ku/ha)
Ulangan I Ulangan II Ulangan III Ulangan IV Ulangan V
0
50 100 150
200 250
31,3
38,8 40,9 40,9
39,7 40,6
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
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
3
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.
4
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.
5
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
6
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:
7
Post Hoc Tests Homogeneous Subset
Duncan Hasil
perlakuan N
Subset for alpha = 0.05
1 2 3
1 5 32.00
2 5 37.58
3 5 39.60
5 5 40.02
4 5 40.42
6 5 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
Perlakuan N
Subset for alpha = 0.05
1 2 3
1 5 32.00 c
2 5 37.58 b
3 5 39.60 a
5 5 40.02 a
4 5 40.42 a
6 5 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 Dosis Pupuk (kg/ha) Hasil (ku/ha)
1 0 32,00 c
2 50 37,58 b
3 100 39,60 a
4 150 40,02 a
5 200 40,42 a
6 250 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).
8
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
Alat
Karbohidrat (%) Lemak (%) Protein (%)
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
9
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
10
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
11
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.
12
OUTPUT MODEL
ANOVA
Sum of Squares df Mean Square F Sig.
Protein Between Groups 112.691 2 56.345 40.743 .000
Within Groups 8.298 6 1.383
Total 120.988 8
Karbohidrat Between Groups 9.479 2 4.740 42.888 .000
Within Groups .663 6 .111
Total 10.142 8
Lemak Between Groups 16.577 2 8.288 6.109E4 .000
Within Groups .001 6 .000
Total 16.578 8
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
per N
Subset for alpha = 0.05
1 2
3 3 5.70 b
2 3 6.06 b
1 3 8.04 a
Sig. .231 1.000
13
Protein
Duncan
per N
Subset for alpha = 0.05
1 2 3
1 3 5.56 c
2 3 10.54 b
3 3 14.19 a
Sig. 1.000 1.000 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 8,04 a 4,52 a 5,56 c
700 6,06 b 2,34 b 10,54 b
800 5,70 b 1,25 c 14,19 a
Lemak
Duncan
per N
Subset for alpha = 0.05
1 2 3
3 3 1.25 c
2 3 2.34 b
1 3 4.52 a
Sig. 1.000 1.000 1.000
14
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%.
15
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
16
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 Ulangan Hasil
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
17
2. Pengetikan listing SAS
Buka software SAS, kemudian klik windows Editor untuk melakukan pengetikan listing SAS
OPTION PS=100;
TITLE'RANCANGAN ACAK LENGKAP_ satu faktor';
Data RAL;
input Perlakuan$ Ulangan Hasil;
cards;
;
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
Pengimputan listing SAS
Windows Editor telah aktif
Copy data dari MS. Excel dan paste di sini
18
proc anova = analisis varian;
class = input nama faktor percobaan “perlakuan”
Model Hasil = Perlakuan = model analisis anova
MEAN Perlakuan/DUNCAN = 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
;
19
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
20
RANCANGAN ACAK LENGKAP 14:20 Friday, February 19, 2015 1
The ANOVA Procedure
Class Level Information
Class Levels Values
Perlakuan 6 A B C D E F
Number of observations 30
RANCANGAN ACAK LENGKAP 14:20 Friday, February 19, 2015 2
The ANOVA Procedure
Dependent Variable: Hasil
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 5 277.6856667 55.5371333 39.85 <.0001
Error 24 33.4440000 1.3935000
Corrected Total 29 311.1296667
R-Square Coeff Var Root MSE Hasil Mean
0.892508 3.073863 1.180466 38.40333
Source DF Anova SS Mean Square F Value Pr > F
Perlakuan 5 277.6856667 55.5371333 39.85 <.0001
Galat
Koefesien keragaman
21
RANCANGAN ACAK LENGKAP 14:20 Friday, February 19, 2015 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 0.05
Error Degrees of Freedom 24
Error Mean Square 1.3935
Number of Means 2 3 4 5 6
Critical Range 1.541 1.618 1.668 1.703 1.730
Means with the same letter are not significantly different.
Duncan Grouping Mean N Perlakuan
A 40.8000 5 250
A
A 40.4200 5 150
A
A 40.0200 5 200
A
A 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 Dosis Pupuk (kg/ha) Hasil (ku/ha)
1 0 32,00 c
2 50 37,58 b
3 100 39,60 a
4 150 40,02 a
5 200 40,42 a
6 250 40,80 a
22
Pada kasus RAL 1 faktor dengan tiga parameter, penyelesaian di SAS adalah:
Penyusunan data dalam MS Excel
RPM ulangan Karbohidrat Lemak Protein
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
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 Levels Values
RPM 3 600 700 800
23
ulangan 3 1 2 3
Number of observations 9
RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 2
19:34 Thursday, February 25, 2015
The ANOVA Procedure
Dependent Variable: Krbohdrt
Sum of
Source DF 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
R-Square Coeff Var Root MSE Krbohdrt Mean
0.934530 5.040347 0.332669 6.600111
Source DF Anova SS Mean Square F Value Pr > F
RPM 2 9.47814689 4.73907344 42.82 0.0003
RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 3
19:34 Thursday, February 25, 2015
The ANOVA Procedure
Dependent Variable: Lemak
Sum of
Source DF 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
R-Square Coeff Var Root MSE Lemak Mean
0.999951 0.430595 0.011648 2.705000
Source DF Anova SS Mean Square F Value Pr > F
RPM 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
Sum of
Source DF 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
R-Square Coeff Var Root MSE Protein Mean
0.931417 11.64476 1.175991 10.09889
Source DF Anova SS Mean Square F Value Pr > F
Anova variabel lemak
Anova variabel karbohidrat
Anova variabel protein
24
RPM 2 112.6905556 56.3452778 40.74 0.0003
RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 5
19:34 Thursday, February 25, 2015
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 2 3
Critical Range .6646 .6888
Means with the same letter are not significantly different.
Duncan Grouping Mean N RPM
A 8.0363 3 600
B 6.0627 3 700
B
B 5.7013 3 800
RANCANGAN ACAK LENGKAP_ satu faktor_3 variabel 6
19:34 Thursday, February 25, 2015
The ANOVA Procedure
Duncan's Multiple Range Test for Lemak
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 0.000136
Number of Means 2 3
Critical Range .02327 .02412
Means with the same letter are not significantly different.
Duncan Grouping 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
The ANOVA Procedure
Duncan's Multiple Range Test for Protein
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 1.382956
Number of Means 2 3
Critical Range 2.350 2.435
Uji lanjut Duncan pada variabel karbohidrat
Uji lanjut Duncan pada variabel lemak
Uji lanjut Duncan pada variabel protein
25
Means with the same letter are not significantly different.
Duncan Grouping 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 sb
jumlah kuadrat
Kuadrat tengah F Value Pr > F
RPM 2 9.47814689 4.73907344 42.82 0.0003 **
Galat 6 0.66401 0.11066833
Corrected Total 8 10.14215689
KK = 5.040347 %
Penyusunan Tabel Anova variabel lemak
Sumber
keragaman sb
jumlah
kuadrat
Kuadrat
tengah F Value Pr > F
RPM 2 16.576782 8.288391 61093.8 <.0001 **
Galat 6 0.000814 0.00013567 Corrected Total 8 16.577596
KK = 0.430595 %
Penyusunan Tabel Anova variabel protein
Sumber
keragaman sb
jumlah
kuadrat
Kuadrat
tengah F Value Pr > F
RPM 2 112.69000 1.3829556 40.74 0.0003 **
galat 6 8.279000
Corrected Total 8
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 8,04 a 4,52 a 5,56 c
700 6,06 b 2,34 b 10,54 b
800 5,70 b 1,25 c 14,19 a