i
DR.IR. IK. SUKADA.MSI
STATISTIKA DAN RANCANGAN PERCOBAAN
PETERNAKAN
LABORATORIUM STATISTIKA FAKULTAS PETERNAKAN UNIVERSITAS UDAYANA
2018
ii
KATA PENGANTAR
Buku ini merupakan kumpulan dari bahan kuliah statistika dan rancangan percobaan Fakultas Peternakan Universitas Udayana yang dibuat berdasarkan pengalaman pribadi sebagai dosen statistik dan berdasarkan pengalaman yang dipetik dari beberapa karya tulis akhli statistika dan rancangan percobaan.
Buku ini disusun secara sederhana dan ringkas agar menarik dibaca oleh para Mahasiswa Fakultas Peternakan Dasar utama pembuatan buku statistika ini agar mudah dan cepat dipahami oleh mahasiswa Fakultas Peternakan Universitas Udayana. Buku ini mengacu pada aplikasi statistik dan rancangan percobaan pada masalah penelitian peternakkan, bukan mengacu pada mahasiswa untuk menjadi ahli statistik murni, ibarat memahami penggunaan sabit untuk memotong rumput, bukan bermaksud mengarahkan penyabit rumput untuk menjadi seorang akhli pande besi.
Buku yang sederhana ini sudah tentu masih memerlukan penyempurnaan sesuai perkembangan ilmu pengetahuan Peternakan maupun Ilmu Pengetahuan Statistik dan Rancangan Percoban.
Tanjung Benoa 3 Maret 2017 Penyusun Dr.Sukada 2018
iii
m
DAFTAR ISI
KATA PENGANTAR………...i
BAB.1 PENDAHULUAN………...1
1.1 Latar Belakang………...1
1.2 Parameter dan Statistik………..1
1.3 Statisti Merupakan Nilai Peluang………...…...3
1.3.1 Ukuran Kelompok………..………..6
1.3.2 Ukuran Penempatan Data……….6
1.3.2 Ukuran Gejala Pusat………….…..……..6
1.3.3Ukuran Pemusatan Data………6
1.3.4 Median………..6 1 1.3.5 Quartile………10
1.3.6 Desil……….11
BAB.2 KERAGAMAN &HIPOTESIS.………17
2.1 Standar Deviasi dan Varians…………...…....17
2.1.1 Keragaman………..………...18
2.1.2 Mencari Permasalahan………19
2.1.3 Menyusun Hipotesis……..……….19
2.1.4 Peluang Kesalahan………..21
2.1.5 Data Seragam………..22
2.1.6 Data Beragam……….26
2.1.7 Apa itu Ragam………28
BAB.3 RANCANGAN PERCOBAAN……….………...31
3.1. Galat Percobaan………...31
3.1.1 Galat Percobaab dan Galat Perlakuan..31
3.1.2 Pengaruh Luar Perlakuan….…...32
3.2 Rancangan Bergalat Tunggal………...34
iv
3.2.1 RAL………. .34
3.2.2 RAK………...36
3.2.3 RAF………...38
3.2.4 Nested………41
3.2.5 Split Plot………44
BAB.IV REGRESI DAN KORELASI………..49
4.1 Regresi Linier.………..……..49
4.1.1 Mencari Nilai Regresi Korelasi……....53
4.1.2 Nilai Korelasi Regresi……….54
4.2 Regresi Nonlinier………55
4.2.3.Modling Regresi Logaritmik………….56
BAB.V MEMBUAT TABEL STATISTIK……...………57
5.1 Membuat Tabel dengan Excel………….……57
5.1.1 Tabel Chikuadrat………57
5.1.2 Tabel T Test………...58
5.1.3 Tabel Distribusi Normal………59
5.1.4 Tabel Distrbusi F………60
BAB.VI STATISTIK NON PARA METRIK…………...61
6.1 Penelitian Statistik Non Para Metrik………...61
6.1.1 Karakterisik Organoleptik Daging…….62
6.1.2 Aroma Daging………...62
6.1.3 Tekstur Daging……… .64
6.2 Metode Kruskal Wals………..65
6.3 Metode Korelasi Rank Spierman……… 66
6
v
STATISTIK DAN
RANCANGAN PERCOBAAN
PETERNAKAN
Penulis:
DR.IR. I KT. SUKADA, M.Si
Lay Out:
Swasta Nulus
Jl. Tukad Batanghari VI.B No. 9 Denpasar-Bali Telp. (0361) 241340
Email: [email protected]
Cetakan Pertama:
2018,vii + 70 hlm. 14,8 x 21 cm ISBN 978-602-5742-04-0
Hak Cipta pada Penulis, Hak Cipta Dilindungi Unang-Undang:
Dilarang mengutip atau memperbanyak sebagian atau seluruh isi buku ini Tanpa izin tertulis dari penerbit
BAB I
PENGOLAHAN DATA
PETERNAKAN MENGGUNAKAN COSTAT STATISTIK VERSI.6.4.
Pengolahan data statistik yang paling mudah, cepat dan sederhana berdasarkan pengalaman penulis selaku dosen peternakan dibidang statisik dan metodelogi penelitian adalah menggunakan costat statistik.versi 6.4.
Secara cepat dan sistematis pengguna dituntun untuk memahami, variable, treatment, ulangan, factor, anova dan hubungan variable secara regresi dan korelasi, termasuk pula dituntun untuk memahami uji statistik seperti: Duncant, LSD, Tukey dan beberapa data non parametric seperti wilcoxen, Kendal Tau, Spearman Rak dll. Pada permulaan menggunakan costat pertama masuk terlebih dahulu ke load new data file (masuk ke pembuatan data baru), peneliti akan dituntun untuk memahami antaralain: (1). Number of variable (berapa jumlah variable). (2). Name of variable(nama variabell).
(3).Number of replication(jumlah ulangan). (4).Number of factor (jumlah factor). (5)Name of factor1.(nama factor 1).6.Number of treatment(jumlah perlakuan). (7).
Name of treatment (nama perlakuan). Pertanyaan- pertanyaan ini dapat menuntun pengguna lebih mudah mengingat penggunakan komponen-komponen yang diperlukan dalam mengola data penelitian dan sekaligus lebih paham arti dan makna hasil analisis penelitian yang akan dicari. Jika pengertian tentang variable, replication ,
factor dan treatment masih belum dipahami oleh pengguna maka akan lebih sulit bagi mereka menggunakan dan memahami pengolahan analisis data costat statistik
7.1. MENGENAL COSTAT STATISTIK
Historik pengolahan Costat Statistik versi 6.4 diambil dari rancangan percobaan Toree pada tahun 1994, dikutip oleh Ir, Antonius Suharsono, M.Si tahun 2014 Pengarang Buku Statistik dan Rancangan percobaan yang mengolah model data statistik menggunakan SAS, Minitab, SPSS dan Costat.
Untuk memahami costat statistik secara umum dimulai dari meng copy disket costat versi 6.4 secara mudah seperti mengcopy file biasa saja. Namun costat statistik versi 6.4 hanya bisa dibuka pada word versi 7 atau versi yang lama, sedangkan untuk membuka costat versi 6.4 tidak bisa dilakukan dengan word versi yang lebih tinggi misalnya seperti word versi 10 dsb karena costat versi 6.4 tergolong tipe lama. Sekarang sudah ada keluaran costat yang terbaru tinggal di pesan secara on line lewat qugle. Costat versi 6.4 sesungguhnya costat tipe lama yang masih banyak kekurangan terutama dalam hal mencetak hasil analisis harus disesuaikan dengan printer yang digunakan sebagai pendukung leptop.
Ukuran direktori costat tidak dapat dipebesar.
Load data file Editor
Plot
Anova Correlation
Desciptive Statistik Frekuency analysis Milscelaneous test
Non para metris test Regression
SNK and Duncant Utility
Out put Setup Quit
7.1.1 MEMBUKA DATA YANG SUDAH TERSIMPAN
Klik Costat
Muncul pilihan Load file or Open New Data File artinya membuka data yang sudah ada atau membuat data baru yang akan kita olah. Jika kita bermaksud hanya membuka data yang pernah kita simpan maka kita hanya klik enter pilih nama data yang pernah disimpan pada direktori, selanjutnya klik editor untuk melihat data kalau ingin meng adit data atau melihat data yang akan diralat.
Jika ingin melihat anova atau uji lanjutnya tinggal klik Alt.X krusor diletakkan pada posisi data terbawah klik Alt.X lalu klik anova yang berisi pilihan, random completely, random block completely, factorial, splitplot, nested dsb. Jika kita ingin mencari hubungan variabel mengenai regresi dan korelasi jangan klik anova, langsung saja klik regresi untuk mengetahui koeffisien regresi tentang model hubungan, slope, intercept, koefisien a dan b. Jika ingin mencari keeratan hubungan antar variabel atau koefisien korelasi, kembali dulu kea nova lalu langsung klik korelasi, maka akan keluar koeffisien korelasi, slope dan intercept (r, a dan b) sesungguhnya regresi sudah cukup untuk mencari koeffisien korelasi karena koeffisien determinasi sudah ada (R2) karena r = √ R2
7.1.2 MEMASUKKAN DATA BARU
Masuk ke new data file(memasukkan data baru) Misalkan dilakukan penelitian pada induk sapi bali umur 2 tahun sebanyak 15 ekor yang diberi tiga jenis pakan berbeda yaitu: 5 ekor diberi konsentrat+rumput gajah, 5 ekor diberi konsentrat + gamal dan 5 ekor diberi konsentrat + waru. Kelima belas sapi induk tersebut dilakukan kawin suntik ketika birahi, dengan maksud agar sapi induk dapat serentak bunting, selanjutnya yang sudah bunting diharapkan agar melahirkan pedet mendekati waktu yang bersamaan. Variable yang diukur adalah bobot badan anak yang lahir. Dipandang dari soal diatas misalnya pneliti memandang bahwa rancangan percobaan yang digunakan berpola RAL sederhana bergalat tunggal.
7.1.3 RAL BERGALAT TUNGGAL
Pengujian pengaruh perlakuan hanya melalui satu galat saja, perlakuan A dan perlakuan B diuji melalui Nisbah KTPA/KTG begitu pula KTPB/KTG. Nisbah artinya rato dari KTP/KTB. Pemahaman ini dimaksudkan untuk lebih mengingat pada pengguna ketia ia sedang menggunakan costat pada rancangan bergalat tunggal.
Memasukkan data pada soal diatas, langkah pertama klik costat lalu pada load data file dipilih open new data file (memasukkan data baru). Selanjutnya akan ditanyakan sesuai dengan data yang akan diolah:
1). Number of variable (jumlah variable): 1
2). Name of variable(nama variable): BL(bobot lahir) 3). Number of replication(jumlah ulangan: 5
4). Number of treatment (jumlah perlakuan):3 5). Name of treatmen 1: KR(Konsentrat+Rumput).
6). Name of treatment 2: KG(Konsntrat + Gamal) 7). Name of treatmen 3: KW(Konsentrat + waru) 8). Number of Faktor: 1
9).Name of Faktor 1: Pakan ( karena galat tunggal).
Setelah enter akan tampil halaman untuk memasukkan data:
TREATMENT REPLICATION VARIABEL
1 1 16.2
1 2 16.3
1 3 16.5
1 4 16.1
1 5 16.2
2 1 14.3
2 2 14.2
2 3 14.1
2 4 14.5
2 5 14
3 1 12.2
3 2 12.4
3 3 12.5
3 4 12.3
3 5 12.6
Setelah data variabel yang diketik semua sudah masuk, selanjutnya krusor ditaruh dibawah pada data paling bawah yaitu 12.6 selanjutnya enter Alt.X maka akan tampil ANOVA. Klik anova dan pilih type apakah RAL atau RAK dan sebagainya. Setelah klik randomized completely(RAL) selanjutnya enter anova maka akan tampil table ANOVA dari RAL
Anova Randomized Copletely
Source SS df KT F P
Pakan 37.28 2 18.64 658.04 0.000 ***
Galat 0.34 12 0.028 Total 37.62 14
Dalam Analisis Rancangan Nampak perlakuan pemberian pakan + hijaun sangat significant, namun kita
belum tahu pakan yang mana yang terbaik dalam memberikan berat lahir anak pada induk
Selanjutnya dilakukan uji lanjut dengan Duncan New Multiple Range Test. Untuk uji lanju tinggal enter saja maka akan keluar nilai uji Duncan New Multiple Range Test.
Enter lagi maka akan muncul hasil uji:
Ems (Error Means Square): 0.028
Dengan Nilai LSD (Least Significant Different) dengan taraf nyata alfa (0.05) sebesar : 0.231
Rank Treat Mean N Non-Sig
1 1 14.26 5 a
2 2 14.22 5 a
3 3 12.4 5 b
Nilai LSD < 14,22- 12,4 atau 0,231< 2,18. Kalau nilai LSD lebih kecil dari selesih antar nilai tengah perlakuan berarti perlakuan itu significant.
Kesimpulannya: Perlakuan 1 significant terbaik dibandingkan perlakuan 3, begitu pula perlakuan 2 significant lebih baik dari perlakuan 3. Perlakuan 1 dan perlakuan 2 nonsignificant. perlakuan 1 memberikan efek pada berat lahir anak terberat (14,26 kg,Selanjutnya perlakuan 2. (14,22 kg) dan perlakuan 3 (12,4kg).
7.1.3 Rancangan Percobaan Pola Faktorial
Misalkan dilakukan percobaan menggunaan Faktor Pupuk sebanyak 4 dosis yang berbeda dan Faktor Kapur sebanyak4 dosis yang berbeda dengan ulangan masing- masing sebanyak 3 kali variable yang diukur adalah produksi rumput gajah. Rancangan factorial 4x4x3=48 Langkah pertama kita hidupkan costat lalu pada load data file dipilih open new data file (membuat data baru).
1). Number of variable (jumlah variable): 1
2). Name of variable(nama variable): Produksi R. Gajah 3). Number of replication(jumlah ulangan: 3
4). Number of treatment (jumlah perlakuan):4 5). Name of treatmen 1: RG + P1
6). Name of treatment 2: RG +P2 7). Name of treatmen 3: RG +P3 8). Number of treatmen 4: RG+P4 8).Name of Faktor 1: Pupuk 9) Name of factor 2: Kapur
KAPUR PUPUK REPLIC PRODUKS
1 1 1 2.1
1 1 2 3.1
1 1 3 3.3
1 2 1 2.3
1 2 2 2.9
1 2 3 3.7
1 3 1 2.5
1 3 2 3
1 3 3 3.8
1 4 1 2
1 4 2 1.5
1 4 3 1.7
2 1 1 3.1
2 1 2 3.2
2 1 3 3.4
2 2 1 3.3
2 2 2 3.9
2 2 3 3.8
2 3 1 3.7
2 3 2 3.8
2 3 3 3.6
2 4 1 3.5
2 4 2 3,6
3 4 3 3.3
3 1 1 4
3 1 2 4.5
3 1 3 4.1
3 2 1 4.7
3 2 2 5.1
3 2 3 5.2
3 3 1 7.5
3 3 2 8.1
3 3 3 7.6
3 4 1 7.6
3 4 2 7.9
3 4 3 7.9
4 1 1 4.2
4 1 2 4.1
4 1 3 4.2
4 2 1 4.5
4 2 2 4.7
4 2 3 4.5
4 3 1 6.2
4 3 2 6.3
4 3 3 6
4 4 1 6
4 4 2 6
4 4 3 6.1
Setelah semua data masuk letakkan krusor pada data paling bawah (6,1) selanjutnya klik Alt.X, Pilih Anova klik type pilih Completely Randomized selanjutnya akan tampil:
Two anova Completely randomized
Source SS df MS F P
Pupuk 17,46 3 5,82 49,62 0000 ***
Kapur 92,97 3 30,90 264,22 0000 ***
P x K 26,89 9 2,98 25,47 0000 ***
Error 3,75 32 0,11 Total 141,08 47
Pupuk dan Kapur, begitu pula interaksi pupuk dan kapur berpengaruh significant sehingga memerlukan uji lanjut seingga pengaruh perlakuan yang paling berpengaruh dapat ditentukan untuk membuat kesimpulan.
Uji Lanjut Factor Pupuk
Duncan New Multiple Range Test Ems: 0,1172
Df: 32 Alfa: 5%
LSD:0,28
Rank Trt Means N n-sig
1 3 5,17 12 a
2 4 4,72 12 b
3 2 4,05 12 c
4 1 3,60 12 d
Kesimpulan: Perlakuan 3 paling baik karena rataan produksi terbaik 5,17ton/hetar).
Uji Lanjut factor kapur
Duncan New Multiple Range Test Ems: 0,1172
Df: 32 Alfa: 5%
LSD:0,28
Rank Trt Means N n-sig
1 3 6,18 12 a
2 4 5,23 12 b
3 2 3,48 12 c
4 1 2,65 12 d
Kesimpulan: Perlakuan 3 paling baik karena rataan produksi terbaik (6,18 kg).
7.2 RANCANGAN BERGALAT GANDA 7.2.1 Rancangan Split Plot
Rancangan ini berbeda dengan rancangan factorial karena rancangan split plot menganggap pengaruh factor utama berbeda dengan dengan pengaruh factor interaksi. Rancangan split plot biasanya dicirikan oleh lebih dari satu galat , bisa dua galat dan bahkan tiga galat atau galat triple. Rancangan Splitplot mempunyai galat ganda karena pengaruh perlakuan utama dan interaksi dipandang tidak sama berbeda dengan rancangan Faktorial bergalat tunggal, memandang pengaruh perlakuan utama dan interaksi itu sama.
Seandainya data diatas diolah dengan rancangan split plot 1). Langkah pertama kita hidupkan costat lalu pada load data file dipilih open new data file (membuat data baru).
1). Number of variable (jumlah variable): 1 2). Name of variable(nama variable) R. Gajah 3). Number of replication(jumlah ulangan: 3 4). Number of treatment (jumlah perlakuan):4 7). Name of treatmen 1: RG + P1
8). Name of treatment 2: RG +P2 9). Name of treatmen 3: RG +P3 10).Number of treatmen 4: RG+P4 10).Name of Faktor 1: Pupuk 11) Name of factor 2: Kapur
Setelah semua data masuk letakkan krusor dibawah data terbawah dan tekan Alt.X
Pindah krusor ke type untuk memilih Split Plot Two anova split plot
Source Ss Df MS F P
Blok 0,88 2 0,44 155,22 ***
Kapur 92,97 3 30,99 m.error 1,19 6 0,199
Pupuk 17,46 3 5,82 83,81 ***
P xK 26,89 9 2,98 43,03 ***
Error 1,66 24 0,06
Total 141,08 47 Uji Lanjut
Duncant Multiple Range Test Factor Pupuk
Ems : 0,06 Df: 24 Alfa: 5%
LSD:0,22
Rank Trt Mean n n-sig
1 3 5,175 12 A
2 4 4,725 12 B
3 2 4,050 12 C
4 1 3,600 12 D
Kalau dipandang dari Faktor Pupuk Nampak bahwa Perlakuan 3 pada Pupuk yang terbaik karena memberikan produksi terbanyak.
Uji Lanjut
Duncant Multiple Range Test
Factor Kapur Ems : 0,199 Df: 6
Alfa: 5%
LSD:0,0,4465
Rank Trt Mean N n-sig
1 3 5,175 12 a
2 4 4,725 12 b
3 2 4,050 12 c
4 1 3,600 12 d
Perlakuan yang terbaik kalau dipandang dari Faktor Kapur adalah perlakuan 3 terindikasi bahwa pada kapur memberikan pengaruh terbaik karena Nampak produksinya tertinggi (5,175 ton/hetar). Jadi dari factor pupuk dan factor kapur nilainya sama.
7.2.2 Rancangan Nested
Rancangan Nested adalah Rancangan yang memandang bahwa tidak ada pengaruh interaksi antara perlakuan yang diberikan karena perbedaan dari level dosis dari perlakuan yang diberikan. Misalnya sapi pada kelompok yang berbeda diberikan level perlakuan yang berbeda maka tidak ada kemungkinan terjadi interaksi antar perlakuan. Untuk pengganti istilah interaksi digunakan istilah nested.
Andaikan soal diatas dimisalkan seperti phenomena diatas maka tinggal merubah type dari split
plot ke nested (perlakuan dianggap tidak ada pengaruh interaksi), dan perlakuan diangap bersiap nested.
Klik type pilih nested dan langsung masuk ke anova dan enter anova maka akan keluar anova nested sbb:
Two Way Anova Nested
Source SS Df MS F P
Kapur 92,97 3 30,99 8,38 0,028 **
Pupuk 44,35 12 3,69 31,51 0,000 ***
Error 3,75 32 0,11 Total 141,75 47
Dari model Rancangan Nested Nampak Kapur dan pupuk berpengaruh nyata. Untuk mengetahui lebih jahuh pengaruh perlakuan yang mana yang terbaik maka dilakukan uji lanjut.
Uji lanjut Duncan Multiple Range Test Factor Pupuk Ems: 0,117
Df: 32 LSD: 0,28
Rank Trt Means N n-sigt
1 3 5,17 12 .a
2 4 4,72 12 .b
3 2 4,05 12 .c
4 1 3,60 12 .d
Kesimpulan: Uji lanjut Faktor Pupuk menunjukkan bahwa perlakuan 3 menunjukkan pengaruh yang paling baik mencapai produksi tertinggi 5,17 ton/hetar.
Uji lanjut Faktor Kapur
Ems: 3,69 Df: 12 LSD: 1,71
Rank Trt Means N n-sigt
1 3 6,18 12 A
2 4 5,23 12 A
3 2 3,48 12 B
4 1 2,65 12 B
Kesimpulan pada uji Faktor Kapur menunjukkan bahwa perlakuan 3 yang paling baik karena memberikan produksi yang paling tinggi.(6,18 to/hetar)
7.3 Hubungan Variable Bebas dan Tak Bebas 7.3.1 Korelasi
Korelasi linier sederhana merupakan modling persamaan hubungan variable bebas dengan variable tak bebas atau Y = a + bX, koefisien regrisi yaitu a : merupakan koefisien arah sedangkan b merupakan slope atau intercept yg merupakan koefisien regresi. Banyaknya variable x misalnya X1, X2, X3……Xn….akan membentuk persamaan polynomial regresi atau multiple regresi.
Misalkan peneliti ingin mengetahui persamaan regresi tentang hubungan variable produksi rumput gajah dengan jumlah ternak kerbau yang dipelihara disuatu daerah.
Rep Prod.G(ton.hetar) Kerbau (ekor)
1 1 5
2 2 8
3 3 11
4 4 14
5 5 17
6 6 20
7 7 23
8 8 26
9 9 29
10 10 32
11 11 35
12 12 38
13 13 41
14 14 44
15 15 47
16 16 50
17 17 53
18 18 56
19 19 59
20 20 62
Setelah data semua masuk maka letakkan krusor dibawah data paling bawah yaitu (62) lalu Klik. Alt.X
Klik Anova dan pilih Regresi, Klik Regresi kembali ke Anova dan Klik lagi.
Polynomial Regression Variable X : Produsi
Variable Y : Jumlah Kerbau Regression Equqtions Y = 2 + 3X R2 = 1
Sourc SS df MS F P
Total 5985 19
Regre 5985 1 5985 9.86+E31 0000 ***
X 5985 1 5985 9.86+E31 0000 ***
X Y.Obs Y.Exp Residual
1 5 5 3,108624E-15
2 8 8 2,220446E-15
Kesimpuulan: Produksi rumput gajah significant berhubungan positif dengan jumlah ternak kerbau dengan modling matematika Y = 2 + 3X, intercept=2 dan slope/koefisien regresi = 3
Koeefisien determinasi sempurna. (1)
Jika dilanjutkan menghitung koefisien korelasi maka tinggal tekan esc lalu masuk ke korelasi lalu klik lagi anova
X Y Corr(r) Slope(b) Int (a) n-2
Prod JT 1 3 2 18
JT Prod 1 0.33 -0.66 18
Kesimpulan: hubungan variable produksi rumput gajah dengan populasi kerbau sangat erat dan sempurna r = 1 atau bisa juga dicarai dengan r = akar R2 yang didapat dari perhitungan regresi.
7.4 STATISTIK NONPARA METRIK
Statistik Non Parametrik menggunakan data- data yang bersifak kualitatif yang dalam pengolahan analisis, data maka terlebih dahulu data yang bersifat kualitatif dirobah terlebih dahulu kedalam bentuk interval Misalnya sangat enak diberi skor 5, enak diberi skor 4, cukup enak diberi skor 3, kurang enak diberi skor 2, tidak enak sekali diberi skor 1. Pemberian skor data tergantung peneliti, juri atau orang yang dijadikan panelis.
7.4.1 Metode Kruskal-Walls
Analisa varians satu jalan sering disebut analisa satu jalan Kruskal-Walls. Teknik ini digunakan menguji hipotesis k sample independen bila datanya berbentuk ordinal. Bila dalam pengukuran ditemukan data berbentuk interval atau ratio, maka perlu dirubah erlebih dahulu kedalam data ordinal (data berbentuk ranking atau pringkat).
H = 12/N(N+1) Σkj=1 (Rj2/nj) - 3 (N+ 1) Keterangan:
N : Banyak baris dalam table K : Banyak kolom
Rj : Jumlah ranking dalam kolom.
Setelah open new data file
Misalnya jarak rumah petani menuju tempat bertani(mengumpamakan data secara fiktif)
1.Number of variable:1
2.Name of variable:Prestasi kerja petani 3.Number of treatment:10
4.Number of factor:1 5. Name of factor: Kerja 6. Number of treatment: 3 7. Name of treatment 1: 1 km 8. Name of tretment2:2 km 9.Name of treatment3:3 km
Enter lalu muncul label pemasukan data: slanjutnya Masukkan data:
Perlakuan Replication Prestasi kerja
1 1 72
1 2 92
1 3 68
1 4 56
1 5 77
1 6 82
1 7 81
1 8 62
1 9 91
1 10 53
2 1 82
2 2 89
2 3 72
2 4 57
2 5 62
2 6 75
2 7 64
2 8 77
2 9 84
2 10 56
3 1 69
3 2 79
3 3 60
3 4 65
3 5 71
3 6 74
3 7 83
3 8 56
3 9 59
3 10 90
Enter lagi maka akan tampil perankingan data
Perlakuan Replication Prestasi kerja
1 1 15.5
1 2 30
1 3 12
1 4 3
1 5 19.5
1 6 23.5
1 7 22
1 8 8.5
1 9 29
1 10 1
2 1 23.5
2 2 27
2 3 15.5
2 4 5
2 5 8.5
2 6 18
2 7 10
2 8 19.5
2 9 26
2 10 3
3 1 13
3 2 21
3 3 11
3 4 7
3 5 14
3 6 17
3 7 25
3 8 3
3 9 6
3 10 28
Enter lagi
Variable Min 1.Quartil Median Mode
Prestasi Max 3rdQuartil Frekuen
kerja 53 62 72 56
92 81,75 3
Uji Kruskall Walss (H) H = 0,2352574103 df : 2
P: 0,889020816 non significant
Kesimpulan: Tidak diketemukan adanya perbedaan prestati kerja petani dipandang dari perbedaan jarak tempat tinggalnya menuju tempatnya bertani.
H < P
7.4.1 Kendal Tau dan Spearman Rank Test
Metode ini hampir mirip dengan Kruskal Wals menggunakan nilai ranking dari suatu data. Untuk lebih memahami penggunaan metode Kendal Tau dan Spearman Rank Test maka kita mencoba mengambil suatu contoh tentang penilaian kontes ternak sapi bali pejantan antara lain 10 ekor dari populasi di wilayah pegunungan dan 10 ekor populasi dari wilayah dekat pesisir pantai. Penilain dari dua orang juri yaitu juri 1.
Dan juri 2.
Treatment Replicati0n Juri.1 Juri.2
1 1 9 8
1 2 6 7
1 3 5 6
1 4 7 8
1 5 4 5
1 6 3 4
1 7 2 8
1 8 8 9
1 9 7 8
1 10 6 6
2 1 9 8
2 2 6 7
2 3 5 6
2 4 7 8
2 5 4 5
2 6 3 4
2 7 2 2
2 8 8 9
2 9 7 8
2 10 6 5
Treatment Replicati0n Rank.1 Rank.2
1 1 19.5 15.5
1 2 10.5 11.5
1 3 7.5 8.5
1 4 14.5 15.5
1 5 5.5 5.5
1 6 3.5 3.5
1 7 1.5 1.5
1 8 17.5 19.5
1 9 14.5 15.5
1 10 10.5 11.5
2 1 19.5 8.5
2 2 10.5 15.5
2 3 7.5 5.5
2 4 14.5 3.5
2 5 5.5 1.5
2 6 3.5 19.5
2 7 1.5 15.5
2 8 17.5 8.5
2 9 14.5
2 10 10.5
MEDIAN AND MODE Variable Min
Max
1.Quartile 3rdQuar
Median Mode frek
Juri.1 2 4 6 6
9 7 4 Juri.2 2
9
5 8
6,5 8
6
RANK CORRELATON (KENDAL AND SPIERMAN) Variable 1 Juri I
Variable 2 Juri II
N Kendal P Pierman
20 0,905018 0000 *** 0,9578947 ***
Kesimpulan:
Koeffisien Kendal Tau dan koeffisien Spearman Rank Test menunjukkan hasil significant, Ha diterima dan H0 ditolak.
H0: Hipotesis menyatakan tidak ada kesesuain kedua juri dalam menilai contest ternak.
Ha: Hipotesis menyatakan terdapat kesesuaian kedua juri dalam menilai kontes ternak.
Ha diterima artinya : antar juri 1 dan juri 2 terdapat kesesuaian dalam penilaian oleh karena itu kedua juri tersebut layak untuk dijadikan juri dalam kontes ternak sapi.
7.4.2. Descriptive Statistick
Dalam descriptive statistik merupakan suatu tindakan yang hanya bersifat mencari nilai tertentu untuk sebagai bahan laporan. Descriptive statistik berbeda denngan analisis inferensial statistik yang mencakup dari mulai menyusun rancangan percobaan, pencatatan data, taulasi data analisis data hingga peramalan/pendugaan pengaruh perlakuan ingga dihasilkan kesimpulan yang dijadikan dasar untuk menusun skripsi, thesis dan disertasi.
Deskriptive statistik pada umumnya melaporkan hasil perhitungan statistik sebatas mencari, mean, median, modus, frekuensi dan standardeviasi
Misalnya Bobot broiler yang diberikan 2 jenis pakan yang berbeda iulang 3 kali
Deskriptive statistik pada umumnya melaporkan hasil perhitungan statistik sebatas mencari, mean, median, modus, frekuensi dan standardeviasi
Misalnya Bobot broiler yang diberikan 2 jenis pakan yang berbeda iulang 3 kali
Pakan Rplication Bobot broiler
1 1 2,2
1 2 2,4
1 3 2,5
2 1 2,3
2 2 2,1
2 3 2,6
Mean Sum x*x
Stan.Dev Variance
Minimum Skewnees
Max.
Curtosis n
Coef.Var
12,5 0 2,5 2,5 2
Denpasar 21 Mei 2018
Penyusun Pedoman pengolahan data Costat versi 6.4
Dr. Ir. I Ketut Sukada, M.Si
Laboratorium Statistika dan Matematika Fapet Unud.
Mengcopy dan membuka software costat versi 6.4
Lebih efektive menggunakan word 7. Words versi yang lebih tinggi spt words 10 keatas tidak available.
Dr.Ir.IKetutSukada,M.Si.Email:ketut_sukada888
@yahoo.com, Hp.082146495250. Lahir di Tanjung Benoa,Kuta Selatan, Badung pada tanggal 21 Mei 1957, Istri Ni Wayan Sumarni, Sag, dengan 4 orang putra: Ni Pt.Mahaswari.SE, I.Md. Indra Pranayama, Ni.Km Reni Maharani. S.Par, I Kt.
Wiwaswan Dananjaya. S.Ked. Pengalaman Kerja: (1) Sebagai Dosen tetap Pengampu Mata Kuliah Statistika dan Metodelogi Penelitian di Fakultas Peternakan dan Pogramstudi Pascasarjana Ilmu Peternakan Universitas Udayana. (2) Sebagai Pengampu Mata Kuliah Ilmu Produksi dan Pemuliaan Ternak Fakultas Peternakan dan Program Studi Pascasarjana Peternakan Universitas Udayana. Pengalaman Pendidikan: (1) S1 Fakultas Peternakan Unud tahun 1982, (2) S2 Program Magister Pascasarjana Institut Pertanian Bogor IPB Jawa Barat 1999 dan (3) Program Doktor Program Studi Peternakan Universitas Udayana. Pengalaman menulis beberapa karya ilmiah bertaraf Internasional terakreditasi: Title”Length Plastron Correlation towards Ridley Turtles Long Flipper that Given Lemuru and Seaweed Feeds”, Scopus ID:
9F46766090560E8E; Impact Factor Evaluation [SJIF 2015 = 3.605] International Research Journal of Engineering, IT and Scientific Research 1 International Journal ISSN: 2454-2261 Volume 2, Issue 3. 2016.