Optimasi dengan RSM dan Rancangan Percobaan: Aplikasi dengan SPSS dan SAS

(1)

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/320628187

Optimasi dengan RSM dan Rancangan Percobaan

Book · September 2016

CITATIONS

5

READS

6,474

1 author:

Hasan Oramahi Tanjungpura University 39PUBLICATIONS 425CITATIONS

SEE PROFILE

All content following this page was uploaded by Hasan Oramahi on 27 October 2017.

The user has requested enhancement of the downloaded file.

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

OPTIMASI DENGAN RSM DAN RANCANGAN PERCOBAAN

(Aplikasi dengan SPSS dan SAS)

(14)

Sanksi Pelanggaran Pasal 72 Undang-Undang Nomor 19 Tahun 2002

Tentang Hak Cipta

1. Barangsiapa dengan sengaja melanggar dan tanpa hak melakukan perbuatan sebagaimana dimaksud dalam Pasal 2 Ayat (1) atau Pasal 49 Ayat (1) dan Ayat (2) dipidana dengan pidana penjara masing- masing paling singkat 1 (satu) bulan dan/atau denda paling sedikit Rp 1.000.000,00 (satu juta rupiah), atau pidana penjara paling lama 7 (tujuh) tahun dan/atau denda paling banyak Rp 5.000.000.000,00 (lima miliar

(15)

H.A. ORAMAHI

OPTIMASI DENGAN RSM DAN RANCANGAN PERCOBAAN (Aplikasi dengan SPSS dan SAS)

PENERBIT GAVA MEDIA

(16)

OPTIMASI DENGAN RSM DAN RANCANGAN PERCOBAAN (APLIKASI DENGAN SPSS DAN SAS)

Penulis:

H.A. Oramahi Desain cover:

Haji Ari Darisman Layout:

Haji Ari Darisman Ukuran buku:

16 x 23 cm Halaman:

ISBN:

Cetakan I, 2016 Diterbitkan oleh:

PENERBIT GAVA MEDIA Klitren Lor GK III / 15 Yogyakarta

Telp./Fax. (0274) 558502 HP. 08122597214

e-mail: [email protected] website: www.gavamedia.net

(17)

H.A. Oramahi v

KATA PENGANTAR

Puji syukur penulis panjatkan ke hadirat Allah S.W.T. karena atas berkat dan anugerah-Nya penulis dapat menyelesaikan penulisan buku dengan judul Optimasi dengan RSM dan Rancangan Percobaan (Aplikasi dengan SPSS dan SAS).

Buku ini menjelaskan optimasi dengan Response Surface Methodology (RSM) menggunakan program Statistica, Matlab, dan SAS untuk analisis datanya. Desain yang digunakan dalam penelitian RSM adalah desain Box–Behnken dan desain komposit sentral (Central Composite Design, CCD). Selain itu, dalam buku ini dijelaskan rancangan percobaan dengan aplikasi menggunakan SPSS.

Pada kesempatan ini penulis menyampaikan ucapan terima kasih kepada Ayahanda H. Junaidi H. Hamsin dan Ibunda Hj. Megawati Ismail sekeluarga besar, Bapak dan Ibu Mertua sekeluarga besar atas doa dan dukungannya yang tiada henti. Khusus kepada istri tercinta Rini Purnama, SP dan ananda Meigilda Faizah Oramahi, Emelyn Azkia Mumtazah Oramahi, dan Deanita Fathonah Oramahi terima kasih telah memberikan semangat untuk berkarya.

Tidak ada suatu karya yang sempurna, kesempurnaan hanya milik Allah. Begitu juga dengan karya kecil ini. Oleh karena itu, kritik dan saran yang membangun sangat diharapkan (ke alamat email: oramahi_stp@

yahoo.com) untuk perbaikan di masa yang akan datang.

(18)

Akhirnya penulis ucapkan terima kasih kepada penerbit yang bersedia menerbitkan buku ini. Semoga karya kecil ini bisa bermanfaat, amin.

Pontianak, September 2016 Penulis H.A. Oramahi

(19)

H.A. Oramahi vii

DAFTAR ISI

Kata Pengantar ... v

Datar Isi ...vii

BAB 1 Optimasi dengan Response Surface Methodology (RSM) ... 1

A. Pendahuluan ... 1

B. Desain Komposit Sentral (Central Composite Design, CCD) ... 3

1. Aplikasi dengan Program Statistica, Matlab, dan Excel ... 5

2. Aplikasi dengan program SAS ... 20

C. Desain Box–Behnken ... 26

1. Aplikasi dengan Program Statistica, Matlab, dan Excel ... 28

2. Aplikasi dengan program SAS ... 52

BAB 2 Rancangan Acak Lengkap ... 59

BAB 3 Rancangan Acak Kelompok ... 85

BAB 4 Rancangan Faktorial Pola RAL ... 121

BAB 5 Rancangan Faktorial Pola RAK ... 155

BAB 6

Regresi Sederhana dan Korelasi ... 189

(20)

BAB 7 Regresi Berganda dan Korelasi ... 203 Datar Pustaka... 211 Proil penulis ... 212

(21)

H.A. Oramahi 1

BAB 1

OPTIMASI DENGAN

RESPONSE SURFACE METHODOLOGY (RSM)

A. Pendahuluan

RSM adalah kumpulan teknik matematis dan statistik yang digunakan untuk pemodelan dan analisis masalah dalam suatu respon yang dipengaruhi oleh beberapa variabel dan tujuannya adalah untuk mengoptimasi respon tersebut (Montgomery, 1991).

Bila ingin menemukan level suhu (x₁), waktu (x₂) dan tekanan (x₃) yang menghasilkan hasil (Y) yang optimum, maka hasil proses (Y) adalah fungsi dari level suhu, waktu dan tekanan. Persamaan matematika dari pernyataan tersebut adalah:

Y= f(x₁,x_2,x₃) + e

dimana e merepresentasikan gangguan atau error dalam proses. Jika kita menunjukkan perkiraan bahwa E(Y)= f(x1,x2,x3) = h , dimana h adalah respon permukaan, dan dipresentasikan sebagai:

h = f(x1,x2,x3)

Untuk menyelesaikan masalah metodelogi respon permukaan biasanya digunakan model matematika polinomial orde satu atau orde dua. Persamaan umum untuk model matematika polinomial adalah sebagai berikut:

0 1 1 2 2

Y = β + β x + β x . +… + β

_k

x

_k

+ e

(orde pertama) (1.1)

(22)

∑ ∑∑

∑

=

+ +

k

i i j

j i ij i

ii k

i i

ix x x x

1 2 1

0 β β β ε

β

(orde kedua) (1.2)

Persamaan (1.2) merupakan model matematika yang umum digunakan untuk metode respon permukaan. Persamaan (1.2) dibuat dalam persamaan matrik sebagai berikut:

(1.3) dimana:

X x₁ x₂ . . x_k

. . x x

b β₁ β₂ . . β_k

B β₁₁

. . . sym

β₁₂ 2 β₂₂

. . .

.

. . . .

.

. . . .

β_{1 k} 2 β_{2 k}

2 . . β_kk .

. .

. . .

.

. . . .

.

. . . .

. . β

Kondisi optimum yang diinginkan dicari dengan cara mencari nilai turunan pertama dari model matematika yang didapat, dengan syarat turunan model matematika tersebut sama dengan nol. Persamaan matematika yang mengekspresikan hal ini adalah:

ˆ 2 0

Y b BX X

δ

δ ^{= +} ⁼

(1.4)

(23)

H.A. Oramahi 3

Nilai respon yang optimum atau Y₀, dapat dicari dengan cara mensubsitusi persamaan (1.5) ke persamaan (1.3) sehingga didapat:

b X Y₀ ₀ ₀^'

2 ˆ =β +1

(1.6)

Untuk mengetahui apakah nilai X₀ merupakan variabel optimum dalam bentuk nilai maksimum, minimum atau saddle, perlu dilakukan analisis kanonik. Analisis kanonik adalah mencari nilai eigen dari matrik B. Persamaan untuk mencari nilai eigen matrik B adalah:

Y = Yo + l₁ W₁² + l₂ W₂²+ … + l_k W_k2 (1.7)

Bila semua nilai l adalah positip semua maka graik yang dihasilkan adalah minimum, jika l semua negatip maka graiknya adalah maksimum, jika nilai l ada yang positip dan negatip maka graiknya berupa saddle.

B. Desain Komposit Sentral (Central Composite Design, CCD)

Perlakuan X1 X2

1 -1.000 -1.000

2 -1.000 1.000

3 1.000 -1.000

4 1.000 1.000

5 0.000 0.000

6 0.000 0.000

7 0.000 0.000

8 0.000 0.000

9 0.000 0.000

10 1.414 0.000

11 -1.414 0.000

12 0.000 1.414

13 0.000 -1.414

Sumber: Montgomery (1991)

Keterangan:

X1 dan X2: -1: nilai terendah, 0: nilai tengah/medium, 1: Nilai tertinggi

(24)

Contoh Kasus 1.1

Seorang Insinyur melakukan percobaan untuk memaksimalkan hasil suatu proses kimiawi. Variabel yang mempengaruhinya adalah waktu dan suhu proses.

Percobaan terdiri atas 2 faktor (variabel) yaitu:

Faktor I: Waktu (menit) terdiri atas 5 level (aras) yaitu 77,93, 80, 85, 90, dan 99,07.

Faktor I: Suhu (°F) terdiri atas 5 level (aras) yaitu 167,93, 170, 175, 180, dan 182,07.

Penelitian ini menggunakan 2 faktor dan 5 level seperti terlihat pada Tabel .

Tabel Faktor dan level penelitian

Faktor Level

-1.414 -1 0 1 1.414 Waktu (menit) 77,93 80 85 90 92,07 Suhu (^oF) 167,93 170 175 180 182,07

Kombinasi perlakuan sebanyak 13 seperti pada Tabel. Desain RSM yang digunakan adalah Central Composite Design (CCD).

Tabel Desain CCD dan hasil pengamatan

Perlakuan X1= Waktu X2= ^oF Y (Response)

1 -1.000 -1.000 76,5

2 -1.000 1.000 77,0

3 1.000 -1.000 78,0

4 1.000 1.000 79,5

(25)

H.A. Oramahi 5

12 0.000 1.414 78,5

13 0.000 -1.414 77,0

Sumber: Montgomery (1991)

1. Aplikasi dengan Program Statistica, Matlab, dan Excel Prosedur Analisis Data:

1. Buka program Statistica, lalu klik Nonlinier estimation, kemudian switch to seperti Gambar berikut

2. Buka File, pilih new data, ile name diisi (misal coba), kemudian save

(26)

3. Pilih Cases, kemudian add cases diisi 3 untuk menambah 3 baris seperti Gambar berikut

4. Klik 2 kali pada VAR 1, kemudian diisi name: dengan X1, VAR 2:

X2, dan VAR 3: Y

5. Data diisi sesuai dengan desain dan hasil pengujian

(27)

H.A. Oramahi 7

6. Pilih Analysis, kemudian User-speciied regresssion, pilih Fuction to be estimated

& loss fuction, ok

7. Klik sampai muncul Fuction to be estimated & loss fuction, seperti pada Gambar berikut:

(28)

8. Setelah muncul Fuction to be estimated & loss fuction, diisi dengan persamaan Y=a0+a1*x1+a2*x2+a3*x1*x1+a4*x2*x2+a5*x1*x2

seperti pada Gambar berikut:

9. Setelah itu klik ok beberapa kali sampai muncul nilai A0 sampai A5, seperti Gambar berikut

10. Data diatas di copy ke layar excel, seperti terlihat pada Gambar berikut

(29)

H.A. Oramahi 9

11. Ketik nilai b dan B pada excel.

Nilai b adalah nilai dari a1 atau b₁ dan a2 atau b₁ Nilai B

Pada kolom E baris 15 diisi dengan nilai A3 yaitu -1,376, kolom F baris 16 diisi dengan nilai A4 yaitu -1,001, kolom E baris 16 diketik dengan formula =0.5*G8 atau 0.5* nilai A5 yaitu 0,249, seperti Gambar

12. Tekan enter lalu Kolom E baris 16 hasilnya di copy ke kolom F baris 15, seperti Gambar berikut:

(30)

Mencari nilai X, Y dan eigen pada menu Matlab 1. Buka program Matlab, seperti pada Gambar berikut:

2. Copy nilai b dari excel secara satu persatu atau per baris dengan cara b=[0,995;0,515] kemudian enter, seperti pada Gambar berikut:

(31)

H.A. Oramahi 11

3. Copy nilai B dari excel per baris dengan cara

B=[-1,376 0,125;0,125 -1,001] , kemudian enter, seperti pada Gambar berikut:

Mencari nilai X

Ketik pada layar Matlab, formula:

X=-0.5*inv(B)*b seperti pada Gambar berikut:

(32)

Lalu klik enter, hasilnya seperti pada Gambar berikut:

Mencari nilai Y Ketik pada Matlab:

Y= 79,939+0.5*X’*b kemudian enter, seperti pada Gambar berikut

(33)

H.A. Oramahi 13

Mencari nilai eigen Ketik pada matlab:

eig(B) seperti Gambar berikut:

Lalu klik enter, hasilnya seperti Gambar berikut:

(34)

Mencari nilai konversi atau prediksi nilai hasil proses, pada excel 1. Buka excel

Copy nilai a0 sampai a5 dan ketik kode x1 dan x2, 13 perlakuan dari statistica sesuai dengan desain yang digunakan

Ketik persamaan

Y=a0+a1*x1+a2*x2+a3*x1*x1+a4*x2*x2+a5*x1*x2 pada kolom D baris 7 seperti pada Gambar berikut:

(35)

H.A. Oramahi 15

Lalu di enter

Copy nilai pada kolom D baris 7 ke kolom D baris 19 atau dengan cara sorot kolom D baris 7, tempatkan cursor pada sudut kanan bawah sampai muncul tanda + berwarna hitam, kemudian Click and Drag, tarik sampai kolom D baris 19, dan lepaskan, seperti pada Gambar berikut:

(36)

Membuat Gambar Graik

1. Buka program statistica, kemudian copy X1, X2 dan nilai PREDIKSI dari menu excel ke statistica, seperti pada Gambar:

2. Pilih Graphs 3D XYZ Grafphs, Contour Plots, seperti pada Gambar berikut:

(37)

H.A. Oramahi 17

3. Setelah muncul Select Variables for 3D Graph, klik/aktikan cursor pada kolom pertama X1, kolom kedua X2 dan pada kolom ketiga KV seperti pada Gambar berikut:

4. Kemudian klik ok, akan muncul seperti pada Gambar berikut

(38)

= Kondisi optimum hasil proses kimia adalah 80,21, pada kondisi waktu (X1): 0,38 dan suhu (X2): 0,30

5. Pilih Graphs 3D XYZ Grafphs, Surface Plots, seperti pada Gambar berikut:

6. Setelah muncul Select Variables for 3D Graph, klik pada kolom pertama X1, kolom kedua X2 dan pada kolom ketiga PREDIKSI seperti pada Gambar berikut:

(39)

H.A. Oramahi 19

7. Kemudian klik ok, akan muncul seperti pada Gambar berikut:

Keterangan: = Prediksi (KV) hasil proses kimia optimum.

INTERPRETASI HASIL

Hasil perhitungan menunjukkan bahwa prediksi nilai hasil proses kimia optimum adalah 80,21, pada kondisi:

1. Waktu (X1): 0,389, diinterpolasi menjadi 86,945 atau 87 menit 2. Suhu (X2): 0,305 diinterpolasi menjadi 176,528 atau 176 ^oC

Model matematika yang menggambarkan kondisi optimum adalah:

Y= 79,939 + 0,995 x₁ + 0,515 x₂– 1,376 x₁² – 1,0001 x₂² + 0,250 x₁x₂ Sedangkan persamaan kanonik (nilai eigen) dari matlab adalah_:

2 2

1 2

80, 21 –0,964 Y = W – 1, 415 W

(40)

Nilai persamaan diatas bertanda negatif semua sehingga graik yang dihasilkan berbentuk maksimum, seperti Gambar diatas.

2. Aplikasi dengan program SAS Prosedur Analisis Data:

1. Buka SAS 6.12, seperti pada Gambar berikut:

2. Pada layar Program Editor ketik:

data hasil;

(41)

H.A. Oramahi 21

0.000 0.000 79.9 0.000 0.000 80.3 0.000 0.000 80.0 0.000 0.000 79.7 0.000 0.000 79.8 1.414 0.000 78.4 -1.414 0.000 75.6 0.000 1.414 78.5 0.000 -1.414 77.0

;

proc print; run;

proc sort; by x1 x2;

proc rsreg;

model HSL=x1 x2/lackit nocode; run;

seperti terlihat pada Gambar berikut:

(42)

3. Tekan run, kemudian akan keluar output seperti pada Gambar berikut:

4. Simpan output dengan cara save as

(43)

H.A. Oramahi 23

5. File name diberi nama: misal CCD-sas-output, Save as type diberi nama RTF File, seperti terlihat pada Gambar berikut:

6. Tekan save, kemudian akan muncul outputnya seperti terlihat pada Gambar berikut:

(44)

Output selengkapnya

OBS X1 X2 HSL 1 -1.000 -1.000 76.5 2 -1.000 1.000 77.0 3 1.000 -1.000 78.0 4 1.000 1.000 79.5 5 0.000 0.000 79.9 6 0.000 0.000 80.3 7 0.000 0.000 80.0 8 0.000 0.000 79.7 9 0.000 0.000 79.8 10 1.414 0.000 78.4 11 -1.414 0.000 75.6 12 0.000 1.414 78.5 13 0.000 -1.414 77.0 Response Surface for Variable HSL

Response Mean 78.476923 Root MSE 0.266290 R-Square 0.9827 Coef. of Variation 0.3393 Degrees

of Type I Sum

Regression Freedom of Squares R-Square F-Ratio Prob > F Linear 2 10.042955 0.3494 70.814 0.0000 Quadratic 2 17.953749 0.6246 126.6 0.0000 Crossproduct 1 0.250000 0.0087 3.526 0.1025

(45)

H.A. Oramahi 25 Degrees

of Parameter Standard T for H0:

Parameter Freedom Estimate Error Parameter=0 Prob > |T|

INTERCEPT 1 79.939955 0.119089 671.3 0.0000 X1 1 0.995050 0.094155 10.568 0.0000 X2 1 0.515203 0.094155 5.472 0.0009 X1*X1 1 -1.376449 0.100984 -13.630 0.0000 X2*X1 1 0.250000 0.133145 1.878 0.1025 X2*X2 1 -1.001336 0.100984 -9.916 0.0000 Degrees

of Sum of

Factor Freedom Squares Mean Square F-Ratio Prob > F X1 3 21.344008 7.114669 100.3 0.0000 X2 3 9.345251 3.115084 43.930 0.0001 he SAS System 08:42 Monday, June 15, 1998 3

Canonical Analysis of Response Surface Critical Factor Value X1 0.389230 X2 0.305847 Predicted value at stationary point 80.212393

Eigenvectors Eigenvalues X1 X2 -0.963499 0.289717 0.957112 -1.414287 0.957112 -0.289717

Stationary point is a maximum.

(46)

C. Desain Box–Behnken

Tabel Desain Box–Behnken

Perlakuan X1 X2 X3 Y

1 -1.000 -1.000 0.000

2 -1.000 1.000 0.000

3 1.000 -1.000 0.000

4 1.000 1.000 0.000

5 -1.000 0.000 -1.000

6 -1.000 0.000 1.000

7 1.000 0.000 -1.000

8 1.000 0.000 1.000

9 0.000 -1.000 -1.000

10 0.000 -1.000 1.000

11 0.000 1.000 -1.000

12 0.000 1.000 1.000

13 0.000 0.000 0.000

14 0.000 0.000 0.000

15 0.000 0.000 0.000

Penelitian dilakukan untuk mengetahui kelarutan optimum obat berbentuk kapsul. Desain yang digunakan adalah Box–Behnken (Palamakula et al. 2004).

Perlakuan sebanyak 3 faktor, terdiri atas:

a. Faktor I: Limonene, terdiri dari 3 aras yaitu:

(47)

H.A. Oramahi 27

Faktor dan level terlihat pada Tabel Faktor ^Level

-1 0 1

Limonene (mg) 18 49,5 81 Cremophor EL

(mg)

7,2 32,4 57,6

C a p m u l e GMO50 (mg)

1,8 7,2 12,6

Sumber: Palamakula et al. (2004)

Data kelarutan obat berbentuk kapsul selama 5 menit dapat dilihat pada Tabel

No X1 X2 X3 Y

1 -1.000 -1.000 0.000 44.40

2 -1.000 1.000 0.000 6.00

3 1.000 -1.000 0.000 3.75

4 1.000 1.000 0.000 1.82

5 -1.000 0.000 -1.000 18.20

6 -1.000 0.000 1.000 57.80

7 1.000 0.000 -1.000 68.40

8 1.000 0.000 1.000 3.95

9 0.000 -1.000 -1.000 58.40

10 0.000 -1.000 1.000 24.80

11 0.000 1.000 -1.000 1.60

12 0.000 1.000 1.000 12.10

13 0.000 0.000 0.000 81.20

14 0.000 0.000 0.000 72.10

15 0.000 0.000 0.000 82.06

(48)

1. Aplikasi dengan Program Statistica, Matlab, dan Excel Prosedur Analisis Data:

1. Buka program statistica, seperti Gambar berikut

2. Pilih Cases, kemudian add cases diisi 5 untuk menambah 5 baris seperti Gambar berikut

(49)

H.A. Oramahi 29

3. Klik 2 kali pada VAR 1, kemudian diisi name: dengan X1, seperti Gambar

(50)

4. Klik 2 kali pada VAR 2, kemudian diisi name: dengan X2, VAR 3:

X3, dan VAR 4: Y

5. Data diisi sesuai dengan desain dan hasil pengujian

(51)

H.A. Oramahi 31

6. Pilih Analysis, kemudian Resume Analysis

7. Klik Nonlinear Estimation

(52)

8. Klik User-speciied regresssion

9. Klik Fuction to be estimated

& loss fuction, ok

(53)

H.A. Oramahi 33

10. Setelah muncul Fuction to be estimated & loss fuction, diisi dengan persamaan Y=a0+a1*x1+a2*x2+a3*x3+a4*x1*x1 +a5*x2*x2+a6*x3*x3+a7*x1*x2+a8*x1*x3+a9*x2*x3

seperti pada Gambar berikut:

11. Setelah itu klik ok beberapa kali sampai muncul nilai A0 sampai A9, seperti Gambar berikut:

(54)

Faktor Jenis dan konsentrasi =Nyata karena angka Sig. (< dari 0,05%

pada taraf uji 5 %)

Interaksi antara Jenis*konsentrasi: tidak nyata (ns) karena angka Sig.

0,060 (> dari 0,05% pada taraf uji 5 %)

Uji Beda Nyata Jujur (Tukey HSD) dan Duncan

Tabel Pengaruh inokulasi jenis bakteri antagonis terhadap intensitas penyakit layu Fusarium

Perlakuan Jenis Mean (rerata) Notasi J_1

J_3 J_2

6,649 6,650 6,863

a a b

Keterangan: Angka-angka yang diikuti huruf yang sama berarti berbeda tidak nyata (5%)

Tabel Pengaruh konsentrasi bakteri antagonis terhadap intensitas penyakit layu Fusarium

Perlakuan Konsentrasi Bakteri Antagonis

Mean (rerata) Notasi

K_3 K_2 K_1

6,654 6,674 6,834

a a b

Keterangan: Angka-angka yang diikuti huruf yang sama berarti berbeda

(55)

140 Optimasi dengan RSM dan Rancangan Percobaan (Aplikasi dengan SPSS dan SAS)

Suatu percobaan ingin mengetahui pengaruh tipe material dan suhu terhadap waktu nyala (hidup) baterai (jam). Rancangan yang digunakan dalah rancangan faktorial dengan 2 faktor yaitu:

Faktor tipe material terdiri atas 3 level (tipe 1, 2, dan 3) Faktor suhu terdiri atas 3 level (15, 70, dan 125^oF).

Data pengamatan disajikan pada Tabel berikut:

Tabel Pengamatan pengaruh tipe material dan suhu terhadap waktu nyala baterai (jam)

Tipe material Suhu

15 70 125

Tipe 1

Tipe 2

Tipe 3

130 155 74 180 150 188 159 126 138 110 168 160

34 40 80 75 136 122 106 115 174 120 150 139

20 70 82 58 25 70 58 45 96 104

82 60

Sumber: Montgomery, 1991

(56)

Kode Value dan Value Label pada Variabel View dalam SPSS, terlihat pada Tabel

Variabel

Value Value Label

Tipe 1

2 3

Tipe_1 Tipe_2 Tipe_3

Suhu 1

2 3

15 70 125

Mengisi data:

1. Buka program SPSS, seperti pada Gambar berikut:

2. Aktikan/klik Variable View, ketik Tipe pada kolom Name baris 1, seperti terlihat pada Gambar

(57)

4. Isikan kolom Value dengan angka 1 dan kolom Value Label dengan Tipe_1, seperti terlihat pada Gambar

5. Klik add, lalu isikan kolom Value dengan angka 2 dan kolom Value Label dengan Tipe_2, seperti terlihat pada Gambar

(58)

6. Klik add, lalu isikan kolom Value dengan angka 3 dan kolom Value Label dengan Tipe_3, seperti terlihat pada Gambar

7. Klik Add, muncul seperti Gambar:

8. Klik OK, seperti pada Gambar

(59)

9. Ketik Suhu pada kolom Name, baris kedua, seperti terlihat pada Gambar

10. Isikan Value dengan cara, cursor ditempatkan pada kolom Value, klik tanda titik tiga yang berwarna abu-abu dan akan muncul seperti terlihat pada Gambar

11. Isi kolom Value dengan angka 1 dan Value Label dengan dengan 15, seperti pada Gambar

(60)

12. Klik add, lalu isi kolom Value dengan angka 2 dan Value Label dengan 70, seperti pada Gambar

13. Klik add, lalu isi kolom Value dengan angka 3 dan Value Label dengan 125, seperti pada Gambar

(61)

14. Klik add, akan muncul seperti Gambar

15. Klik OK, akan muncul seperti Gambar

16. Ketik Nyala pada kolom Name baris ke 3, seperti terlihat pada Gambar

17. Pindahkan cursor melewati kolom Type, Width, Decimals, Label, Value, dan seterusnya, seperti terlihat pada Gambar

(62)

18. Aktikan Data View, seperti Gambar

19. Isikan kolom Tipe dengan angka 1 pada baris 1 sampai 12, angka 2 pada baris 13 sampai 24, angka 3 pada baris 25 sampai 36.

Isikan kolom Suhu dengan angka 1 pada baris 1 sampai 4, angka 2 pada baris 5 sampai 8, dan angka 3 pada baris 9 sampai 12 seterusnya sampai baris ke 36.

Isikan data Nyala Baterai sesuai hasil pengamatan, seperti pada Gambar

(63)

Lanjutan

(64)

Prosedur Analisis Data

1. Select Analyze, General Linier Model, Univariate, seperti terlihat pada Gambar

2. Kemudian klik, lalu sorot Nyala dan pindahkan ke kolom Dependent Variable dengan cara klik tanda panah, seperti Gambar

(65)

3. Sorot Tipe dan Suhu, seperti Gambar

4. Pindahkan Tipe dan Suhu ke kolom Fixed Factor(s), dengan cara Klik tanda panah, seperti terlihat pada Gambar

(66)

5. Klik Model, seperti terlihat pada Gambar

6. Select “Full Factorial”, lalu klik continue akan muncul seperti terlihat pada Gambar

(67)

7. Klik Post Hoc, seperti pada Gambar

8. Sorot Tipe dan Suhu, lalu pindahkan ke kolom Post Hoc Tests for dengan cara klik tanda panah, lalu select Duncan, seperti pada Gambar

(68)

9. Klik Continue dan Ok, akan muncul output seperti pada Gambar

(69)

Tabel Analisis Sidik Ragam (ANOVA) pengaruh tipe material dan suhu terhadap waktu nyala baterai (jam)

SK DB JK KT F. Hit Sig.

Tipe 2 10.683,72 5.341,86 7,91 0,002

Suhu 2 39.118,72 19.559,36 28,97 0,000 Tipe*Suhu 4 9.613,78 2.403,44 3,56 0,019 Galat/Error 27 18.230,75 675,21

Perlakuan Interaksi antara tipe dengan Suhu= Nyata karena angka Sig.

0,019 (< dari 0,05% pada taraf uji 5 %)

Uji Lanjut: Pembahasannya sama dengan cara sebelumnya.

(70)

BAB 5

PERCOBAAN FAKTORIAL DENGAN POLA RAK

Pengaruh dosis pupuk N dan pemberian fungisida terhadap intensitas penyakit layu bawang merah (%). Percobaan menggunakan rancangan acak kelompok faktorial, teridiri atas:

1. Faktor I : dosis pupuk N (P), terdiri dari 4 level:

P0 : tanpa pupuk N P1 : dosis 75 kg/ha P2 : dosis 100 kg/ha P3 : dosis 150 kg/ha

2. Faktor II : Jenis fungisida (F), terdiri dari 4 level:

F0 : tanpa fungisida

F1 : jenis fungisida merk dagang ’A’

F2 : jenis fungisida merk dagang ’B’

F3 : jenis fungisida merk dagang ’C’

Data pengamatan produksi tanaman disajikan pada Tabel berikut:

(71)

P1

F0 F1 F2 F3

7,85 7,9 8,1 8,2

8,0 8,15

8,2 8,3

8,25 8,4 8,45

8,5

P2

F0 F1 F2 F3

7,9 8,1 8,2 8,35

7,98 8,24 8,5 8,45

7,85 8,25 8,4 8,55

P3

F0 F1 F2 F3

7,8 8,1 8,35

8,2

8,0 8,6 8,75

8,5

7,95 8,25 8,15 8,42

Kode Value dan Value Label pada Variabel View dalam SPSS, terlihat pada Tabel

Value Value Label

Variabel

Pupuk

1 2 3 4

P0 P1 P2 P3

Fungisida

1 2 3 4

F0 F1 F2 F3 Blok

1 2 3

Blok1 Blok2 Blok3

(72)

Prosedur analisis data dengan SPSS, sebagai berikut:

A. Mengisi data:

1. Buka program SPSS, seperti pada Gambar berikut:

2. Aktikan/klik Variabel View, ketik Pupuk pada kolom Name baris 1, seperti terlihat pada Ganbar

(73)

4. Isikan Value dengan cara, cursor ditempatkan pada kolom Value, klik tanda titik tiga yang berwarna abu-abu dan akan muncul seperti terlihat pada Gambar

(74)

5. Isikan kolom Value dengan angka 1 dan kolom Value Label P0, seperti terlihat pada Gambar

6. Klik add, Isikan kolom Value dengan angka 2 dan kolom Value Label P1, seperti terlihat pada Gambar

(75)

7. Klik add, Isikan kolom Value dengan angka 3 dan kolom Value Label P2, seperti terlihat pada Gambar

8. Klik add, isikan kolom Value dengan angka 4 dan kolom Value Label P3, seperti terlihat pada Gambar

(76)

9. Klik add, akan muncul seperti Gambar:

10. Klik OK, akan muncul seperti Gambar:

11. Ketik Fungisida pada kolom Name baris ke 2, seperti terlihat pada Gambar

(77)

13. Klik tanda titik 3 warna abu-abu pada kolom value, dan isi kolom Value dengan angka 1 dan Value Label dengan F0, seperti pada Gambar

(78)

14. Klik add, isi kolom value dengan angka 2 dan Value label dengan F1, seperti Gambar

15. Klik add, isi kolom value dengan angka 3 dan Value label dengan F2,

(79)

16. Klik add, isi kolom value dengan angka 4 dan Value label dengan F3, seperti terlihat pada Gambar

17. Klik add, akan muncul seperti Gambar

(80)

19. Ketik Blok pada kolom Name, baris ke 3, seperti terlihat pada Gambar

(81)

21. Klik tanda titik 3 warna abu-abu pada kolom value, dan isi kolom Value dengan angka 1 dan Value Label dengan Blok1, seperti pada Gambar

22. Klik add, isi kolom Value dengan angka 2 dan Value Label dengan Blok2

(82)

23. Klik add, isi kolom Value dengan angka 3 dan Value Label dengan Blok3

24. Klik add, akan muncul seperti pada Gambar

(83)

26. Ketik IP pada kolom Name baris ke 4, seperti terlihat pada Gambar

(84)

28. Aktikan Data View

(85)

29. Isikan data pengamatan IP (intensitas penyakit), seperti terlihat pada Gambar

Lanjutan:

(86)

Lanjutan

1. Select Analyze, General Linier Model, Univariate, seperti terlihat pada Gambar

(87)

2. Kemudian klik, akan muncul seperti Gambar

3. Sorot IP, akan muncul seperti Gambar

(88)

4. Pindahkan IP ke kolom Dependent Variables, dengan cara Klik tanda panah, seperti terlihat pada Gambar

5. Sorot Pupuk, seperti terlihat pada Gambar

(89)

6. Pindahkan Pupuk ke kolom Fixed Factor, dengan cara klik tanda panah, seperti terlihat pada Gambar

7. Sorot Fungisida, seperti terlihat pada Gambar

(90)

8. Pindahkan Fungisida ke kolom Fixed Factor dengan cara klik panah, seperti terlihat pada Gambar:

9. Sorot Blok, seperti terlihat pada Gambar

(91)

10. Pindahkan Blok ke kolom Random Factor dengan cara klik tanda panah, seperti terlihat pada Gambar

11. Klik Model, sperti terlihat pada Gambar

(92)

12. Aktikan Custom, select “main efects” dan “Type III”, akan muncul seperti terlihat pada Gambar

(93)

13. Sorot Pupuk, Fungisida, dan Blok secara bersama-sama di kotak Factors & Covariate, lalu pindahkan ke kolom Model dengan cara Klik tanda panah, seperti terlihat pada Gambar

14. Select interaction, lalu sorot Pupuk dan Fungisida bersama-sama di kotak Factors & Covariate, lalu pindahkan ke kolom Model dengan cara Klik tanda panah, seperti terlihat pada Gambar

(94)

15. Non aktikan Include Intercept in model, seperti terlihat pada Gambar

16. Lalu klik Continue, seperti terlihat pada Gambar

(95)

17. Klik Post Hoc, seperti terlihat pada Gambar

18. Sorot Pupuk dan Fungisda secara bersama-sama dari kolom Factor(s) ke kolom Post Hoc Test for, lalu select Duncan, seperti Gambar

(96)

19. Klik Continue, seperti terlihat pada Gambar

20. Klik Options, select Descriptive statistics, lalu isikan kolom Signiicance level dengan angka 0,05. Biasanya kolom ini sudah terisi otomatis dengan angka 0,05 seperti terlihat pada Gambar

(97)

21. Klik Continue, seperti terlihat pada Gambar

22. Klik OK, akan muncul output sebagai berikut:

Descriptive Statistics Dependent Variable:IP

Pupuk Fungisida Blok Mean Std.

Deviation N

P0 F0 blok1 7.8000 . 1

blok2 7.2000 . 1

blok3 7.0000 . 1

Total 7.3333 .41633 3

F1 blok1 7.9000 . 1

blok2 7.3400 . 1

blok3 7.1500 . 1

Total 7.4633 .38991 3

F2 blok1 7.9500 . 1

blok2 7.4200 . 1

blok3 7.2200 . 1

Total 7.5300 .37723 3

(98)

P1 F0 blok1 7.8500 . 1

blok2 8.0000 . 1

blok3 8.2500 . 1

Total 8.0333 .20207 3

F1 blok1 7.9000 . 1

blok2 8.1500 . 1

blok3 8.4000 . 1

Total 8.1500 .25000 3

F2 blok1 8.1000 . 1

blok2 8.2000 . 1

blok3 8.4500 . 1

Total 8.2500 .18028 3

F3 blok1 8.2000 . 1

blok2 8.3000 . 1

blok3 8.5000 . 1

Total 8.3333 .15275 3

Total blok1 8.0125 .16520 4

blok2 8.1625 .12500 4

blok3 8.4000 .10801 4

Total 8.1917 .20652 12

P2 F0 blok1 7.9000 . 1

blok2 7.9800 . 1

blok3 7.8500 . 1

Total 7.9100 .06557 3

F1 blok1 8.1000 . 1

blok2 8.2400 . 1

blok3 8.2500 . 1

(99)

F3 blok1 8.3500 . 1

blok2 8.4500 . 1

blok3 8.5500 . 1

Total 8.4500 .10000 3

Total blok1 8.1375 .18875 4

blok2 8.2925 .23684 4

blok3 8.2625 .30104 4

Total 8.2308 .23376 12

P3 F0 blok1 7.8000 . 1

blok2 8.0000 . 1

blok3 7.9500 . 1

Total 7.9167 .10408 3

F1 blok1 8.1000 . 1

blok2 8.6000 . 1

blok3 8.2500 . 1

Total 8.3167 .25658 3

F2 blok1 8.3500 . 1

blok2 8.7500 . 1

blok3 8.1500 . 1

Total 8.4167 .30551 3

F3 blok1 8.2000 . 1

blok2 8.5000 . 1

blok3 8.4200 . 1

Total 8.3733 .15535 3

Total blok1 8.1125 .23229 4

blok2 8.4625 .32500 4

blok3 8.1925 .19636 4

Total 8.2558 .28018 12

Total F0 blok1 7.8375 .04787 4

blok2 7.7950 .39678 4

blok3 7.7625 .53600 4

Total 7.7983 .35063 12

(100)

F1 blok1 8.0000 .11547 4

blok2 8.0825 .53181 4

blok3 8.0125 .57933 4

Total 8.0317 .41682 12

F2 blok1 8.1500 .16833 4

blok2 8.2175 .57726 4

blok3 8.0550 .57193 4

Total 8.1408 .43893 12

F3 blok1 8.1500 .21213 4

blok2 8.2225 .39752 4

blok3 8.2575 .46807 4

Total 8.2100 .34250 12

Total blok1 8.0344 .18861 16

blok2 8.0794 .46735 16

blok3 8.0219 .51661 16

Total 8.0452 .40848 48

Tests of Between-Subjects Efects Dependent Variable:IP

Source

Type III Sum of

Squares df

Mean

Square F Sig.

Pupuk Hypothesis 4.738 3 1.579 27.121 .000

Error 1.747 30 .058^a

Fungisida Hypothesis 1.169 3 .390 6.693 .001

Error 1.747 30 .058^a

Blok Hypothesis .029 2 .015 .251 .779

(101)

IP Duncan

Pupuk N

Subset

1 2

P0 12 7.5025

P1 12 8.1917

P2 ¹² 8.2308

P3 ¹² 8.2558

Sig. 1.000 .545

Means for groups in homogeneous subsets are displayed.

Based on observed means.

he error term is Mean Square(Error) = .058.

IP Duncan

Fungisida N

Subset

1 2

F0 12 7.7983

F1 12 8.0317

F2 12 8.1408

F3 12 8.2100

Sig. 1.000 .096

Means for groups in homogeneous subsets are displayed.

Based on observed means.

he error term is Mean Square(Error) = .058.

(102)

Tabel Hasil analisis sidik ragam Pengaruh dosis pupuk N dan pemberian fungisida terhadap intensitas penyakit layu (%) bawang putih

SK DB JK KT F. Hit Sig.

Blok/kelompok 2 0,029 0,015 0,251 0,779

Pupuk 3 4,738 1,579 27,121 0,000

Fungisida 3 1,169 0,390 6,693 0,001

Pupuk*Fungisida (Interaksi)

9 0,159 0,018 0,304 0,968

Galat/Error 30 1,747 0,058

Keterangan:

Faktor Pupuk: berbeda sangat nyata karena sig. 0,000 (<0,01% pada taraf uji 1%) atau nyata karena sig. 0,000 (<0,05% pada taraf uji 5%)

Faktor Fungisida: berbeda sangat nyata karena sig. 0,001 (<0,01% pada taraf uji 1%) atau nyata karena sig. 0,001 (<0,05% pada taraf uji 5%) Interaksi antara Pupuk*Fungisida: tidak nyata karena angka Sig. 0,968 (> 0,05% pada taraf uji 5 %)

Oleh karena faktor pupuk dan fungisida berbeda sangat nyata pada taraf uji 1% atau nyata pada taraf uji 5%, perlu dilakukan uji lanjut, salah satunya dengan uji Duncan.

(103)

Uji Lanjut:

Tabel Pengaruh dosis pupuk N terhadap intensitas penyakit layu (%) bawang putih

Perlakuan Pupuk N Mean (rerata) Notasi P0

P1 P2 P3

7,50 8,19 8,23 8,26

a b b b Keterangan:

Angka-angka yang diikuti huruf yang sama berarti berbeda tidak nyata (5%)

Tabel Pengaruh pemberian fungisida terhadap intensitas penyakit layu (%) bawang putih

Perlakuan Fungisida Mean (rerata) Notasi F0

F1 F2 F3

7,80 8,03 8,14 8,21

a b b b Keterangan:

Angka-angka yang diikuti huruf yang sama berarti berbeda tidak nyata (5%)

(104)

BA B 6

REGRESI SEDERHAN A DAN KORELASI

Hubungan antara X dengan Y

X Y

1.0 2.3

1.0 1.8

2.0 2.8

3.3 1.8

3.3 3.7

4.0 2.6

4.0 2.2

4.7 3.2

5.0 2.0

5.6 3.5

5.6 2.8

5.6 2.1

(105)

Mengisi Data:

1. Buka program SPSS, lalu aktikan/klik Variable View, seperti terlihat pada Gambar

2. Ketik X pada kolom Name baris 1, seperti terlihat pada Gambar

(106)

3. Ketik Y pada kolom Name baris kedua seperti terlihat pada Gambar

4. Pindahkan cursor melewati kolom Type, Width, Decimals, Label, Values, dan seterusnya.

(107)

5. Aktikan Data View, lalu isi kolom X dan Y sesuai dengan data yang ada seperti terlihat pada Gambar

1. Select Analyze, Regression, Linear, sepert Gambar

(108)

2. Sorot Y, seperti Gambar

3. Pindahkan Y ke kolom Dependent, seperti Gambar

(109)

4. Sorot X, seperti Gambar

5. Pindahkan X ke kolom Independent(s)

(110)

6. Klik Statistics, select Estimates, Model it, Descriptive, seperti pada Gambar

7. Klik Continue, seperti pada Gambar

(111)

8. Klik Plots, seperti pada Gambar

9. Sorot SDRESID, seperti Gambar

(112)

10. Pindahkan SDRESID ke kolom Y

11. Sorot ZPRED, seperti pada Gambar

(113)

12. Pindahkan ZPRED ke kolom X

13. Klik Continue, seperti Gambar

(114)

14. Sorot ZPRED, seperti pada Gambar

15. Pindahkan ZPRED ke kolom Y, seperti Gambar

(115)

16. Sorot Dependent, lalu pindahkan ke kolom X, seperti pada Gambar

17. Klik Continue, seperti Gambar

18. Klik OK, akan muncul output seperti Gambar Descriptive Statistics

Mean Std. Deviation N

Y 2.8471 .82774 17

X 4.3824 1.80840 17

(116)

Correlations

Y X

Pearson Correlation Y 1.000 .569

X .569 1.000

Sig. (1-tailed) Y . .009

X .009 .

N Y 17 17

X 17 17

Model Summary^b

Model R R Square Adjusted R Square Std. Error of the Estimate

1 .569^a .324 .279 .70309

a. Predictors: (Constant), X b. Dependent Variable: Y

ANOVA^b

Model Sum of Squares df Mean

Square F Sig.

1

Regression 3.547 1 3.547 7.176 .017^a

Residual 7.415 15 .494

Total 10.962 16

a. Predictors: (Constant), X b. Dependent Variable: Y Coeicients^a

Unstandardized Standardized

(117)

• Dari Tabel Descriptive Statistic diperoleh data:

• Rata-rata Y= 2,85 dengan Standar deviasi 0,83.

• Dari Tabel Correlations diperoleh data:

• Nilai korelasi 0,569 dan sig. 0,09. Artinya makin besar nilai X makin besar nilai Y

• Dari Tabel Model Summary diperoleh data: nilai R atau koeisien korelasi sebesar 0,569 bernilai positif.

• Nilai R square atau koeisien determinasi sebesar 0,324, artinya 32,40

% variasi yang terjadi terhadap besar kecilnya nilai Y disebabkan oleh X, sisanya 67,60% dipengaruhi oleh faktor lain (tidak dapat diterangkan).

• Dari Tabel ANOVA diperoleh data: model regresi

• Nilai Sig. 0,017, artinya model yang digunakan sudah tepat.

• Dari Tabel Coeicients diperoleh data: persamaan regresi yaitu: Y=

1,706 + 0,260 X

• Nilai uji t:

• Dengan nilai sig. 0,00 (> 0,05), artinya nilai X berpengaruh nyata terhadap nilai Y.

(118)

BAB 7

REGRESI BERGANDA DAN KORELASI

Contoh Kasus 7.1 Data pengamatan dicantumkan pada Tabel

X1 X2 Y

10.0 30.0 24.0

15.0 25.0 27.0

10.0 40.0 29.0

20.0 18.0 31.0

25.0 22.0 25.0

18.0 31.0 33.0

12.0 26.0 26.0

14.0 34.0 28.0

16.0 29.0 31.0

22.0 37.0 39.0

24.0 20.0 33.0

17.0 25.0 30.0

13.0 27.0 25.0

30.0 23.0 42.0

(119)

Prosedur analisis data

Mengisi data, sama dengan cara sebelumnya

Setelah data diisi, tampilan data seperti pada Gambar

1. Buka program SPSS, aktikan/klik Variable View, lalu ketik X1 pada kolom Name baris 1, seperti terlihat pada Gambar

2. Lalu ketik X2 pada kolom Name baris 2, seperti terlihat pada Gambar

(120)

3. Ketik Y pada kolom Name baris 3, seperti terlihat pada Gambar

4. Aktikan Data View, lalu isi kolom X1, X2 dan Y seperti terlihat pada Gambar

(121)

1. Select, Analyze, Regression, Linear, seperti pada Gambar

2. Sorot Y, lalu pindahkan ke kolom Dependent, seperti Gambar seperti pada Gambar

(122)

3. Sorot X1 dan X2 secara bersama-sama, lalu pindahkan ke kolom Independent(s), seperti pada Gambar

4. Klik Statistics, lalu select, Estimates, Model it, Descriptive, Part and partial corelations, dan Collinearity diagnostics, seperti pada Gambar

(123)

5. Klik Continue, lalu select Bacward pada kolom Method, seperti pada Gambar

6. Klik OK, akan muncul putput sepert pada Gambar Descriptive Statistics

Mean Std. Deviation N

Y 30.8667 5.66779 15

X1 18.0000 6.00000 15

X2 28.0000 6.25643 15

Correlations

Y X1 X2

Pearson Correlation Y 1.000 .725 ^.127

X1 ^.725 ^1.000 ^-.405

X2 .127 -.405 1.000

Sig. (1-tailed) Y ^. ^.001 ^.326

X1 .001 . ^.067

X2 .326 .067 .

N Y ¹⁵ ¹⁵ ¹⁵

X1 ¹⁵ ¹⁵ ¹⁵

X2 ¹⁵ ¹⁵ ¹⁵

(124)

Model Summary Model R R Square Adjusted R Square

Std. Error of the Estimate

1 .858a .737 .693 3.14079

a. Predictors: (Constant), X2, X1 ANOVAb

Model Sum of

Squares df Mean Square F Sig.

1

Regression 331.359 2 165.679 16.795 .000a

Residual 118.375 12 9.865

Total 449.733 14

a. Predictors: (Constant), X2, X1 b. Dependent Variable: Y

Coeicientsa

Model

Unstandardized Coeicients

Standardized Coeicients

t Sig.

Correlations Collinearity Statistics

B Std.

Error Beta Zero-

order Partial Part Tolerance VIF

1 (Constant) 2.311 5.857 .395 .700

X1 .877 .153 .929 5.732 .000 .725 .856 .849 .836 1.197

X2 .456 .147 .503 3.107 .009 .127 .668 .460 .836 1.197

a. Dependent Variable: Y

Collinearity Diagnosticsa

Model Dimension Eigenvalue Condition Index Variance Proportions (Constant) X1 X2

(125)

Dari Tabel Descriptive Statistic diperoleh data:

Rata-rata Y= 30,867 dengan Standar deviasi 5,668.

• Dari Tabel Correlations diperoleh data:

• Nilai korelasi 0,987 dan sig. 0,000. Artinya makin tinggi nilai X1 dan X2 makin tinggi nilai Y.

• Dari Tabel Model Summary diperoleh data: nilai R atau koeisien korelasi sebesar 0,858 bernilai positif.

• Nilai R square atau koeisien determinasi sebesar 0,737, artinya 73,7

% variasi yang terjadi terhadap besar kecilnya pertambahan nilai Y disebabkan oleh faktor pengamatan, sisanya 26,3% dipengaruhi oleh faktor lain (tidak dapat diterangkan).

• Dari Tabel ANOVA diperoleh data: model regresi

• Nilai Sig. 0,000, artinya model yang digunakan sudah tepat.

• Dari Tabel Coeicients diperoleh data: persamaan regresi yaitu: Y=

2,311 + 0,877 X1 + 0,456 X2

(126)

DAFTAR PUSTAKA

Gomez, A. K. & A.A. Gomez, 1984. Statistical Procedurs for Agricultural Research. John Wiley & Sons, Inc. New York (Alih Bahasa oleh Endang Syamsuddin dan Justika S. Baharsjah, UII Press)

Montgomery, D.C, 1991. Design and Analysis of Experiments. hird Edition. John Wiley and sons. New York

Oramahi, H.A., 2008. Teori dan Aplikasi Response Surface Methodology (RSM), Penerbit Ardana Media

Palamakula, A., M.T.H. Nutan & M.A. Khan., 2004. Response Surface Methodology for Optimization and Characterization of Limonene- based Coenzime Q10 Self-Nanoemulsiied Capsule Dosage Form, APPS PharSciTech, 5(4) (http://aapspharmscitech.org).

Yi, Y., 2001. Statistical Application for Agricultural Research. Asian Institute of Technology, hailand

(127)

PROFIL PENULIS

Penulis lahir di Desa Penggage Kabupaten Musi Banyuasin Sumatera Selatan pada tanggal 18 Juli 1975.

Penulis pernah menjadi Dosen di Sekolah Tinggi Ilmu Pertanian (STIPER) Bangka (sekarang menjadi Universitas Bangka Belitung) pada tahun 2001. Pada tahun 2006 penulis di terima menjadi Dosen di Fakultas Kehutanan Universitas Tanjungpura (UNTAN) Pontianak Kalimantan Barat. Pada taggal 29 Oktober 2008, penulis mendapatkan gelar Doktor dari Univeraitas Gadjah Mada.

View publication stats