APLIKASI RANCANGAN ACAK LENGKAP 1 FAKTOR - Balai Penelitian...

25
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:

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