Dosen Pembina:

Dr. Gatot Sugeng Purwono, M.S.

UNIVERSITAS MUHAMMADIYAH JEMBER

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

PROGRAM STUDI PENDIDIKAN BIOLOGI

Juni, 2014

PENGENALAN DAN PEMBUATAN FILE DATADr. Gatot Sugeng Purwono, M.S.

1. Dasar–Dasar SPSS

SPSS merupakan salah satu sekian banyak software statistika yang telah dikenal luas dikalangan penggunaannya. Disamping masih banyak lagi software statistika lainnya seperti Minitab, Syastas, Microstat dan masih banyak lagi. SPSS sebagai sebuah tools mempunyai banyak kelebihan, terutama untuk aplikasi di bidang ilmu sosial.

Menu Bar kumpulan perintah-perintah dasar untuk meng-operasikan SPSS. Menu yang terdapat pada SPSS adalah :

a. File

Untuk operasi file dokumen SPSS yang telah dibuat, baik untuk perbaikan pencetakan dan sebagainya. Ada 5 macam data yang digunakan dalam SPSS, yaitu :

(1). Data : dokumen SPSS berupa data(2). Systax : dokumen berisi file syntax SPSS(3). Output : dokumen yang berisi hasil running out SPSS(4). Script : dokumen yang berisi running out SPSS(5). Database

(a). New : membuat lembar kerja baru SPSS(b). Open : membuka dokumen SPSS yang telah ada

Secara umum ada 3 macam ekstensi dalam lembar kerja SPSS, yaitu; (1). *.spo, yaitu file data yang dihasilkan pada lembar data editor, (2). *.sav, yaitu file text/obyek yang dihasilkan oleh lembar output, dan (3). *.cht, file obyek gambar/chart yang dihasilkan oleh chart window.

(a). Read Text Data, membuka dokumen dari file text (yang berekstensi txt), yang bisa dimasukkan/dikonversi dalam lembar data SPSS

(b). Save, menyimpan dokumen/hasil kerja yang telah dibuat.(c). Save As, menyimpan ulang dokumen dengan nama/tempat/type dokumen yang

berbeda(d). Page Setup, mengatur halaman kerja SPSS(e). Print, mencetak hasil output/data/syntaq lembar SPSS. Ada 2 option/pilihan cara

mencetak, yaitu :

Toolbar

Data View Variable View

o All visible output, mencetak lembar kerja secara keseluruhano Selection, mencetak sesuai keinginan yang kita sorot/blok

(f). Print Preview, melihat contoh hasil cetakan yang nantinya diperoleh(g). Recently used data, berisi list file data yang pernah dibuka sebelumnya.(h). Recently used file, berisi list file secara keseluruhan yang pernah dikerjakan

b. Edit

Untuk melakukan pengeditan pada operasi SPSS baik data, serta pengaturan/ option untuk konfigurasi SPSS secara keseluruhan.(1). Undo, pembatalan perintah yang dilakukan sebelumnya(2). Redo, perintah pembatalan perintah redo yang dilakukan sebelumnya(3). Cut, penghapusan sebual sel/text/obyek, bisa dicopy untuk keperluan tertentu dengan

perintah dari menu paste(4). Paste, mempilkan sebua sel/text/obyek hasil dari perintah copy atau cut(5). Paste after, mengulangi perintah paste sebelumya(6). Paste spesial, perintah paste spesial, yaitu bisa konvesri ke gambar, word, dll(7). Clear, menghapusan sebuah sel/text/obyek(8). Find, mencari suatu text(9). Options, mengatur konfigurasi tampilan lembar SPSS secara umum

c. View

Untuk pengaturan tambilan di layar kerja SPSS, serta mengetahui proses-proses yang sedang terjadi pada operasi SPSS.

(1). Status Bar, mengetahui proses yang sedang berlangsung(2). Toolbar, mengatur tampilan toolbar(3). Fonts, ukuran font pada data editor SPSS

(a). Outline size, ukuran font lembar output SPSS(b). Outline font, jenis font lembar output SPSS

(4). Gridlines, mengatur garis sel pada editor SPSS(5). Value labels, mengatur tampilan pada editor untuk mengetahui value label

d. Data

Menu data digunakan untuk melakukan pemrosesan data. (1). Define Dates, mendefinisikan sebuah waktu untuk variable yang meliputi jam,

tanggal, tahun, dan sebagainya(2). Insert Variable, menyisipkan kolom variable(3). Insert case, menyisipkan baris(4). Go to case, memindahkan cursor pada baris tertentu(5). Sort case, mengurutkan nilai dari suatu kolom variable(6). Transpose, operasi transpose pada sebuah kolom variable menjadi baris(7). Merge files, menggabungkan beberapa file dokumen SPSS, yang dilakukan dengan

penggabungan kolom-kolom variablenya(8). Split file, memecahkan file berdasarkan kolom variablenya(9). Select case, mengatur sebuah variable berdasarkan sebuah persyaratan tertentu

e. Transform

Menu transform dipergunakan untuk melakukan perubahan-perubahan atau penambahan data.

(1). Compute, operasi aritmatika dan logika untuk

(2). Count, untuk mengetahui jumlah sebuah ukuran data tertentu pada suatu baris tertentu(3). Recode, untuk mengganti nilai pada kolom variable tertentu, sifatnya menggantikan

(into same variable) atau merubah (into different variable) pada variable baru(4). Categorize variable, merubah angka rasional menjadi diskrit(5). Rank case, mengurutkan nilai data sebuah variable

f. Analyse

Menu analyse digunakan untuk melakukan analisis data yang telah kita masukkan ke dalam komputer. Menu ini merupakan menu yang terpenting karena semua pemrosesan dan analisis data dilakukan dengan menggunakan menu correlate, compare mens, regresion.

g. Graph

Menu graph digunakan untuk membuat grafik, diantaranya ialah bar, line, pie, dll

h. Utilities

Menu utilities dipergunakan untuk mengetahui informasi variabel, informasi file, dll

i. Ad-Ons

Menu ad-ons digunakan untuk memberikan perintah kepada SPSS jika ingin menggunakan aplikasi tambahan, misalnya menggunakan alikasi Amos, SPSS data entry, text analysis, dsb

j. Windows

Menu windows digunakan untuk melakukan perpindahan (switch) dari satu file ke file lainnya

k. Help

Menu help digunakan untuk membantu pengguna dalam memahami perintah-perintah SPSS jika menemui kesulitan

TOOL BAR, Kumpulan perintah-perintah yang sering digunakan dalam bentuk gambar.

POINTER, Kursor yang menunjukkan posisi cell yang sedang aktif/dipilih.

2. Memulai SPSS Data Editor

Sebelum melakukan analisis data statistik, perlu memasukkan data terlebih dulu. Bila file data belum ada, maka anda harus ketik file data pada lembar SPSS Data Editor. Untuk membuat file data yang baru, klik file, kemudian klik New dan selanjutnya klik Data. Halaman SPSS data editor yang aktif, terdiri dari dua lembar. Lembar pertama adalah Data View, yaitu tempat untuk memasukkan data (gambar 1). Sedangkan lembar kedua adalah Variable View, yaitu tempat memberi nama variabel dan mendefinisikan karakteristik lain dari variabel tersebut (gambar 2).

Gambar 1. Lembar data editor pertama “Data View”

Gambar 2. Lembar data editor kedua “Variabel View”

Pada lembar variabel view:

1. Memberi nama variabel (variable name) dengan panjang maksimal “8 karakter” pada kolom name. Kalau anda tidak memberi nama variabel, maka SPSS akan menggunakan nama variabel; VAR00001, VAR00002, VAR00003, dan seterusnya.

2. Menentukan tipe variabel pada kolom “Type”. Tipe variabel antara lain; Numeric, Date, String, dan seterusnya.

Gambar 3. Menentukan type variabel

3. Menentukan lebar data atau banyaknya angka/karakter data pada kolom “Width”.

4. Menentukan banyaknya angka dibelakang koma pada kolom “Decimals”.

5. Memberi penjelasan nama variabel pada kolom “Label”, karena nama variabel pada kolom “Name” hanya mempunyai panjang maksimal 8 karakter, maka untuk menjelaskan nama variabel yang panjang, penjelasannya dapat diberikan pada kolom Label.

6. Memberi penjelasan nilai data pada kolom “Values”. Misalkan untuk variabel jenis kelamin dapat diberi penjelasan nilai data ‘1=pria’ dan ‘2=perempuan’.

Gambar 4. Memberi nilai data pada “Values”

7. Mendefinisikan missing values pada kolom missing, bila ada data yang hilang atau bila pertanyaan kuesioner tidak dijawab. Misalkan untuk variabel usia responden, kadang ada responden yang tidak menjawab, maka untuk hal ini diberi kode missing ‘9=tak dijawab’.

Perhatikan bahwa anda bebas memilih kode untuk misssing values, selama kode yang anda pilih berbeda dari nilai data.

8. Menentukan lebar kolom display pada kolom “Columns”.

9. Menentukan alignment pada kolom “Align”: untuk rata kanan pilih right, untuk rata kiri pilih left atau untuk posisi di tengah pilih center. Default untuk data numeric adalah rata kanan (right) dan default untuk data string adalah rata kiri (left).

10. Menentukan skala data (nominal, ordinal, interval, ratio) pada kolom Measure. SPSS selalu mengansumsikan tipe data numeric memiliki skala interval atau skala ratio (scale). Untuk data skala nominal atau skala ordinal anda harus menentukan sendiri pada kolom Measure ini.

Gambar 5. Menentukan skala data

3. Menyusun Tabel Frekuensi Bergolong dengan SPSS

Tabel Frekuensi yang dihasilkan oleh SPSS berbeda dengan cara manual yang menggunakan kelas interval. Bila menggunakan yang kelas interval di SPPS dihitung dahulu jumlah kelas interval dan isi kelasnya secara manual. Tabel Frekuensi secara otomatis akan disusun oleh program SPSS.

Langkah menyusun tabel frekuensi dengan program SPSS:Pertama, masuk ke menu Tranform > Recode > Into Different Variables > Keluar menu

(gambar 6).

Gambar 6. Langkah menyusun tabel

Pada variabel nilai dipindah ke kanan, Name pada Output Variable diberi nama = intNilai dan Label diisi = Interval. Sampai langkah ini klik Tombol Old and New Values.

Gambar 7.

Klik Range, pada Range diisi 31, pada through diis 39, pada Value diisi angka 1, kemudian klik Add. Langkah ini dijalankan sampai 7 kali, karena tabel frekuensi yang kita coba ada 7

kelas (gambar 7). Sehingga menunya menjadi sbb :

Gambar 7.

Sekalian agar data kelasnya rapih, Variable ketiga Desimalnya diisi 0 (nol). Langkah berikutnya kembali ke Data View.

Masuk menu Analyze > Descriptive Statistics > Frekuencies. Langkah berikutnya sama dengan sebelumnya, hanya bedanya pada variabel nilai yang masih berada pada sebalah kanan, dikembalikan ke kiri dan digandi dengan variabel intnilai (jadi yang dibuat tabel frekuensi adalah variabel intnilai) seperti terlihat pada tabel berikut:

Selanjutnya ikuti langkah-langkah berikut:

Hasilnya sebagai berikut:

A. UJI NORMALITAS DENGAN SPSS

Uji normalitas data adalah hal yang lazim dilakukan sebelum sebuah metode statistik. Tujuan uji normalitas adalah untuk mengetahui apakah distribusi sebuah data mengikuti atau mendekati distribusi normal, yakni distribusi data yang mampunyai pola seperti distribusi normal (distribusi data tersebut tidak menceng ke kiri atau ke kanan). Misalkan dalam sebuah penelitian pendidikan ingin diketahui apakah data dalam penelitian tersebut berdistribusi normal,  data penelitian adalah sebagai berikut:

No. Responden Sex Nilai harian Nilai Rapot

123456789101112131415

121112211221121

506180764073867759566680729583

688678807674708076856069899088

Keterangan sex: 1=laki-laki, 2=perempuan

Cara menganalisisnya adalah sebagai berikut:

1. Buka lembar kerja SPSS

2. Buat semua keterangan variabel di variable view seperti gambar berikut:

3. Klik Data view dan masukan semua data sehingga tampak hasilnya sebagai berikut:

4. Lakukan analisis dengan cara: memilih menu Analyze, lalu submenu Nonparametriks Test. Dari serangkaian pilihan yang ada, pilih 1-Sample K-S, akan muncul kotak dialog sebagai berikut:

5. Pindahkan semua variable ke kotak Test Variable List dengan cara menanadai semua variable kemudian menekan tanda > sehingga kotak dialog menjadi seperti berikut:

6. Klik Options sehingga muncul kotak dialog sebagai berikut, kemudian centang Descriptive lalu klik Continue.

7. Klik Exact kotak dialog akan muncul seperti dibawah ini, lalu pilih Asymplotic lalu klik Continue.

8. Klik OK sehingga akan muncul Output sebagai berikut:

NPar Tests

Descriptive Statistics

N MeanStd.

DeviationMinimu

mMaximu

mJenis

Kelamin15 1,40 ,507 1 2

Nilai Harian 15 70,267 14,7864 40,0 95,0Nilai Rapor 15 77,933 8,7788 60,0 90,0

One-Sample Kolmogorov-Smirnov TestJenis

KelaminNilai

HarianNilai Rapor

N 15 15 15Normal Parametersa,b Mean 1,40 70,267 77,933

Std. Deviation ,507 14,7864 8,7788Most Extreme

DifferencesAbsolute ,385 ,147 ,123Positive ,385 ,077 ,085Negative -,282 -,147 -,123

Kolmogorov-Smirnov Z 1,491 ,568 ,476Asymp. Sig. (2-tailed) ,023 ,904 ,977

a. Test distribution is Normal.b. Calculated from data.

9. Cara membaca Output tersebut adalah sebagai berikut:

a. DeskriptifDari data diatas dapat dilihat bahwa jumlah semua data adalah 15 siswa yaitu pada kolom N, rata-rata dapat dilihat pada kolom Mean, standar deviasi pada kolom Std.Deviation, nilai maksimum dan minimum pada kolim minimum dan naximum.

Catatan: pada sex tidak diperbolehkan menggunakan mean, sebab sex adalah data nominal

b. Kolmogorov smirnov

(1). Analisis:

Ho : Populasi berdistribusi normalHa : Populasi tidak berdistribusi normal

(2). Dasar pengambilan keputusan adalah berdasarkan probabilitasJika nilai probabilitas > 0,05 maka Ho diterimaJikan nilai probabilitas ≤ 0,05 maka Ho ditolak

(3). Keputusan

(a). Sex: Terlihat bahwa pada kolom signifikan (Asymp. Sig (2-tailed)) adalah 0,023 atau probabilitas kurang dari 0,05 maka Ho ditolak yang berarti populasi tidak berdistribusi normal.

(b). Terlihat bahwa pada kolom signifikan (Asymp. Sig (2-tailed) adalah 0,904 atau probabilitas lebih dari 0,05 maka Ho diterima yang berarti populasi berdistribusi normal.

(c). Terlihat bahwa pada kolom signifikan (Asymp. Sig (2-tailed)) adalah 0,977 atau probabilitas lebih dari 0,05 maka Ho diterima yang berarti populasi berdistribusi normal.

B. UJI VALIDITAS DENGAN SPSS

Sumber data sebuah penelitian ada kalanya menggunakan data dari hasil kuesioner. Tentunya dalam penyusunan kuesioner harus benar-benar bisa menggambarkan tujuan dari penelitian (valid). Uji validitas untuk mengukur kelayakan butir-butir pertanyaan dalam kuesioner tersebut dapat mendefinisikan suatu variabel. Daftar pertanyaan pada umumnya untuk mendukung suatu kelompok variabel tertentu. Uji validitas dilakukan pada setiap butir pertanyaan. Hasilnya dibandingkan dengan r tabel | df=n-k dengan tingkat kesalahan 5%. Jika r tabel Jika r tabel < r hitung, maka butir soal disebut valid.

 Berikut langkah-langkah uji validitas, dengan menggunakan contoh data sebagai berikut:

No x11 x12 x13 total x1 2 4 3 92 1 2 2 53 4 4 2 104 3 4 3 105 2 2 3 76 4 2 4 107 4 4 3 118 1 1 1 39 2 2 1 510 3 5 5 1311 3 4 4 1112 2 4 5 1113 5 2 4 11

14 2 4 2 815 4 4 4 1216 1 4 2 717 1 4 1 618 2 2 4 819 1 2 1 420 1 3 3 721 4 4 5 1322 2 2 2 623 2 2 2 624 2 1 1 425 5 4 5 1426 4 3 5 1227 5 5 5 1528 2 4 4 1029 3 3 5 1130 5 5 4 1431 1 3 3 732 2 4 3 933 2 2 4 834 5 1 3 935 2 4 3 936 1 4 2 737 2 4 3 938 1 1 3 539 2 3 3 840 2 3 2 741 2 4 5 1142 3 3 3 943 3 5 3 1144 2 2 3 745 3 4 5 1246 1 2 3 647 1 3 3 748 2 4 4 1049 1 2 2 550 5 4 3 12

Keterangan: x11 (tingkat pendidikan) : 1. Tidak pernah sekolah, 2. SD, 3. SMP, 4 SMA, 5 Perguruan Tinggix12 (jenis pekerjaan) : 1. Petani, 2. Pedagang, 3. Pegawai Swasta, 4. PNS, 5 TNI-POLRIx13 (status Sosial Ekonomi : 1. Miskin sekali, 2. Miskin, 3. Cukup, 4. Kaya, 5. Kaya sekali

Langkah 1 : Masukkan data ke dalam data editor SPSS. Untuk memberikan nama/label variabel klik Variable view (x11, x12, x13 dan total_x)

Langkah 2 : Klik Analyze Correlate Bivariate

Langkah 3 : Selanjutnya akan tampak kotak Bivariate Correlations seperti ini

Langkah 4 : Selanjutnya pindahkan masing-masing indikator x11, x12, x13 dan total_x ke sebelah kanan pada kolom variables dengan cara memblok masing-masing indikator kemudian klik tanda panah tengah.

Langkah 5 : Klik OK. Setelah itu akan tampak kota seperti berikut

Correlations

x11 x12 x13Total_

x1x11 Pearson

Correlation1 ,311* ,523** ,800**

Sig. (2-tailed) ,028 ,000 ,000

N 50 50 50 50

x12 Pearson Correlation

,311* 1 ,419** ,717**

Sig. (2-tailed) ,028 ,002 ,000

N 50 50 50 50

x13 Pearson Correlation

,523** ,419** 1 ,828**

Sig. (2-tailed) ,000 ,002 ,000

N 50 50 50 50

Total_x1

Pearson Correlation

,800** ,717** ,828** 1

Sig. (2-tailed) ,000 ,000 ,000

N 50 50 50 50

*. Correlation is significant at the 0.05 level (2-tailed).

**. Correlation is significant at the 0.01 level (2-tailed).

Pada tabel di atas tampak bahwa seluruh indikator (X11, X12, X13) dikatakan valid karena memiliki nilai korelasi di atas 0,3 yakni X11=0,800, X12=0,717 dan X13=0,828.

Catatan: ada beberapa buku yang menggunakan nilai korelasi diatas 0,3. Tetapi ada juga yang menentukan nilai korelasi diatas 0,5. Batas keduanya diakui dan bisa diterima.

C. UJI RELIABILITAS DENGAN SPSS

Selain harus valid, kuesioner sebagai alat ukur harus konsisten bila pertanyaan

tersebut dijawab dalam waktu yang berbeda (reliabel). Untuk menilai kestabilan ukuran dan

konsistensi responden dalam menjawab kuesioner. Kuesioner tersebut mencerminkan

konstruk sebagai dimensi suatu variabel yang disusun dalam bentuk pertanyaan. Uji

reliabilitas dilakukan secara bersama-sama terhadap seluruh pertanyaan. Jika

nilai alpha>0.60, disebut reliable. Dengan menggunakan data yang sama, langkah uji

reliabilitas adalah sebagai berikut:

Langkah 1 : Dari layar Data editor klik analyze Scale Reliability Analysis

Langkah

2

: Selanjutnya akan tampak kotak berikut (yang akan dihitung hanya indikator x11, x12 dan x13 sehingga total_x harus diabaikan atau dipindahkan ke kolom sebelah kiri dengan cara memblok Total_x

kemudian klik tanda panah tengah:

Langkah 3 : Klik Statistics pada sebelah kanan atas

Langkah 4 : Pada kotak Reliability Analysis: Statistics tandai (√) kolom scale if item deleted lalu Continue.

lalu Continue OK.Selanjutnya Akan tampak hasil perhitungan seperti berikut :

Reliability StatisticsCronbach's

AlphaN of Items

,683 3

Hasil perhitungan menunjukkan nilai Cronbach’s Alpha = 0,683 yang lebih besar dari 0,60 berarti instrumen penelitian dikatakan reliabel

Catatan: ada beberapa buku yang menggunakan batas nilai reliabilitas di atas 0,6. Tetapi ada juga yang menentukan nilai reliabilitas diatas 0,7. Batas keduanya diakui dan bisa diterima.

Item-Total Statistics

Scale Mean if Item Deleted

Scale Variance if

Item Deleted

Corrected Item-Total Correlation

Cronbach's Alpha if Item

Deletedx11 6,3200 3,977 ,499 ,589x12 5,6600 4,882 ,416 ,686x13 5,6600 3,984 ,585 ,471

Uji T Satu Sampel (One Sample T-Test)

Uji ini digunakan untuk mengetahui perbedaan mean (rerata) populasi  atau penelitian terdahulu dengan mean data sampel penelitian sekarang.

Misalnya Seorang Kepala Puskesmas menyatakan bahwa rata-rata perhari jumlah kunjungan pasien adalah 20 orang. Untuk membuktikan pernyatan tsb, kemudian di ambil sampel random sebanyak 20 hari kerja dan diperoleh rata-rata 23 orang dengan standar deviasi 6 orang.

Sekarang kita akan menguji apakah rata-rata jumlah kunjungan pasien sebelumnya berbeda secara statistik dengan yang saat ini.

Langkah-langkah pengujian.1. HIPOTESIS

Ho = 20 ( tidak ada perbedaan kunjungan pasien tahun lalu dengan saat ini)Ha ≠ 20 ( ada perbedaan kunjungan pasien tahun lalu dengan saat ini )

2. STATISTIK UJI

Uji  t  satu sampel

KETERANGAN :

x = rata-rata sampelµ = rata-rata populasi/penelitian terdahuluS = Standar Deviasin = jumlah (banyaknya) sampel

Perhitungan :

DF = n – 1 → 20 -1 = 19, di tabel T,  p value terletak antara 0,025 dan 0,001.

3. KEPUTUSAN STATISTIKKarena nilai P pada tabel (< 0,025) yang berarti kurang dari nilai α = 0,05, maka Ho dapat kita ditolak

4. KESIMPULANSecara statistik ada perbedaan yang signifikan antara kunjungan pasien tahun lalu dengan saat ini.

Uji T Satu Sampel dengan SPSS

Written By Malonda Gaib on Senin, 21 Maret 2011 | 21.3.11

Sudah tau kan uji T satu sampel, kalau belum baca dulu postingan yang ini, kalau yang dulu hitungannya manual, sekarang kita akan apikasikan di SPSS :

1. Buka SPSS anda.

2. Misalkan saya memiliki datanya seperti di bawah ini :

3. Kita akan melakukan uji apakah data yang kita dapatkan berbeda dengan data sebelumnya, menurut informasi rata-rata kunjungan pasien tahun lalu sebanyak 20 orang.

4. Pada menu di SPSS pilih Analyze --> Compare Means --> One-Sample T Test, jelasnya seperti ini :

 

5. Setelah itu akan muncul jendela seperti ini :

6. Pilih variabel "kunjungan pasien", lalu klik tanda 'segitiga' untuk memindahkan variabel tersebut ke kotak 'Test Variables'.

7. Isi kotak 'Test Value' dengan angka "20"(angka 20 merupakan rata-rata kunjungan pasien tahun lalu), kemudian klik OK. Hasilnya :

 

8. KesimpulanDari tabel "One-Sample Statistics" terlihat bahwa rata-rata kunjungan sebanyak 23 orang, dengan standar deviasi 3,387. Bila melihat dari rata-rata kunjungan saat ini memang ada perbedaan, namun perbedaan ini apakah bermakna secara statistik ?

Mari kita lihat pada tabel "One-Sample Test" pada kolom "Sig.(2-tiled)" diperoleh nilai P = 0,001, maka nilai P < α, sehingga Ho ditolak. Dengan demikian dapat kita simpulkan bahwa

ternyata pada uji statistik dua sisi (2-tailed)  pada taraf nyata α = 0,05, menunjukan ada perbedaan yang bermakna antara kunjungan pasien tahun lalu dengan tahun ini. 

Uji T Independen

Uji ini untuk mengetahui perbedaan rata-rata dua populasi/kelompok data yang independen. Contoh kasus  suatu penelitian ingin mengetahui hubungan status merokok ibu hamil dengan berat badan bayi yang dilahirkan. Respondan terbagi dalam dua kelompok, yauti mereka yang

merokok  dan yang tidak merokok.Uji T independen ini memiliki asumsi/syarat yang mesti dipenuhi, yaitu :

1. Datanya berdistribusi normal.2. Kedua kelompok data independen (bebas)3. variabel yang dihubungkan berbentuk numerik dan kategorik (dengan hanya 2

kelompok)

Secara perhitungan manual ada dua formula (rumus) uji T independen, yaitu uji T yang variannya sama dan uji T yang variannya tidak sama.

Untuk varian sama gunakan formulasi berikut :

 Dimana Sp : 

KETERANGAN :Xa = rata-rata kelompok aXb = rata-rata kelompok b

Sp = Standar Deviasi gabunganSa = Standar deviasi kelompok aSb = Standar deviasi kelompok b

na = banyaknya sampel di kelompok a

nb = banyaknya sampel di kelompok bDF = na + nb -2

Sedangkan untuk varian yang tidak sama gunakan formulasi berikut :

Untuk DF (degrre of freedom) uji T independen yang variannya tidak sama itu berbeda dengan yang di atas (DF= Na + Nb -2), tetapi menggunakan rumus :

Nah... untuk menentukan apakah varian sama atau beda, maka menggunaka rumus :

 

Bila nilai P > α , maka variannya sama, namun bila nilai P <= α, berati variannya berbeda.

Contoh perhitungan secara manual, saya tidak akan berikan disini...capek...hehe. Mungkin akan saya berikan dalam aplikasi di SPSS atau STATA (lebih mudah tidak perlu pake

kalkulator).

Uji T Independen dengan SPSS

Kesempatan ini akan saya gunakan untuk memberikan contoh penerapan Uji T (T-test) independen di SPSS. Sebagaimana diketahui bahwa uji ini digunakan, bila kita memiliki data kategorik dan numerik.

Sebagai contoh misalnya kita ingin mengetahui apakah ada pengaruh ibu yang merokok dan ibu yang tidak merokok (status merokok merupakan data kateorik) terhadap berat bayi yang dilahirkan (berat bayi lahir merupakan data numerik).Kebetulan saya memiliki filenya, jadi file ini akan saya gunakan untuk tutorial kali ini.

Langkahnya sebagi berikut :Buka/aktifkan  SPSS anda. Kemudian pada menu utama klik File --> Open --> Data, sampai

muncul layar seperti di bawah ini :

 Pilih file "bbay.sav" dan klik open, akan muncul layar di bawah ini :

Yang perlu diperhatikan pada layar di atas adalah variabel "rokok" dan "bbayi". Karena kedua variabel ini yang akan kita uji.

Selanjutnya klik pada menu utama SPSS anda Analyze --> Compare Means-->Independent-Samples-T Test :

Lalu akan muncul layar  seperti ini :

Pilih variabel "bbayi" dengan cara mengklik variabel tersebut.Kemudian klik tanda segitiga paling atas untuk memasukan variabel tersebut ke kotak Test

variable(s).

Klik variabel "rokok' dan masukan ke kotak Grouping variable.Kemudian klik tombol Define Group, dan isi angka "0" pada kotak Group 1 dan angka "1"

pada kotak Group 2. Lalu klik Continue.

Klik OK untuk menjalankan prosedur. Pada layar output akan nampak hasil seperti berikut :

Dari tabel Group Statistics, terlihat bahwa rata-rata berat bayi yang dilahirkan oleh ibu yang tidak merokok adalah 3054,96 gram, sedangkan berat bayi yang dilahirkan oleh ibu yang perokok sebesar 2773,24 gram. Namun apakah perbedaan ini berbeda juga secara statistik ?

Untuk melihat perbedaan ini kita lihat pada tabel Independent Samples Test. Pada tabel tersebut ada dua baris (sel), sel pertama dengan asumsi bahwa varian kedua kelompok tersebut sama, sedangkan pada sel kedua dengan asumsi bahwa varians kedua kelompok tersebut tidak sama. Untuk memilih sel mana yang akan kita gunakan sebagai uji, maka kita lihat pada kolom uji F, jika Signifikansinya > 0,05 maka asumsinya varian sama sebaliknya jika Sig. <=0,05 maka variannya tidak sama. Dari uji F menunjukan kalau varian kedua kelompok tersebut sama (P-value = 0,221), sehingga sel akan dibaca adlah sel pertama.

Dari kolom uji T menunjukan bahwa nilai P = 0,009 untuk uji 2-sisi . Karena P-value lebih kecil dari α = 0,05 yang berarti Ho ditolak, sehingga dapat kita simpulkan bahwa secara statistik ada perbedaan yang bermakna rata-rata berat bayi yang dilahirkan oleh ibu yang merokok dengan ibu yang tidak merokok dengan kata lain ada pengaruh merokok terhadap berat bayi lahir.

Uji tersebut di atas adalah uji 2-sisi, bagaimana kalau uji 1-sisi ? Bila uji yang kita lakukan adalah uji 1-sisi maka nilai P harus dibagi 2 sehingga menjadi  P-value = 0,0045.

Uji T Dependen (Berpasangan)

Uji ini untuk menguji perbedaan rata-rata antara dua kelompok data yang dependen. Misalnya untuk mengetahui apakah ada perbedaan berat badan sebelum mengikuti proram

diet dan berat badan setelah mengikuti program diet.Sama seperti uji T independen, uji T dependen memiliki asumsi yang harus dipenuhi, yaitu :

1. Datanya berdistribusi normal.2. Kedua kelompok data dependen (berpasangan)3. variabel yang dihubungkan berbentuk numerik dan kategorik (dengan hanya 2

kelompok).

Rumus yang digunakan, sebagai berikut :

 

KETERANGAN :

δ = rata-rata deviasi (selisih sampel sebelum dan sampel sesudah)SDδ = Standar deviasi dari δ (selisih sampel sebelum dan sampel sesudah)

n = banyaknya sampelDF = n-1

Contoh :Data sampel terdiri atas 10 pasien pria mendapat obat captoril dengan dosis 6,25 mg. Pasien

diukurtekanan darah sistolik sebelum pemberian obat dan 60 menit sesudah pemberian obat.

Peneliti ingin mengetahui apakah pengobatan tersebut efektif untuk menurunkan tekanan darah pasien-pasien tersebut dengan alpha 5%. Adapun data hasil pengukuran adalah sebagai

berikut.

Sebelum : 175 179 165 170 162 180 177 178 140 176Sesudah : 140 143 135 133 162 150 182 150 175 

1. HIPOTESIS :

Ho : δ = 0 (Tidak ada perbedaan tekanan darah sistolik pria antara sebelum dibandingkan sesudah dengan pemberian Catopril)

Ha : δ ≠ 0 (Ada perbedaan tekanan darah sistolik setelah diberikan Catopril dibanding sebelum diberikan obat)

2. STATISTIK UJI

Uji T dua sampel berpasangan (Uji T Dependen)

Perhitungan :Diperoleh :

δ : -35 -36 -30 - 37 0 -30 5 - 28 35 -16δrata-rata = -17,2

S = 23,62

n = 10

t =       δ       =          - 17,2             =            - 17,2              =        -17,2          S/√n         23,62/√10          23,62/3,162               7,469

                           =    -2,302

Df = n - 1 = 10-1 = 9Dilihat pada tabel t pada df = 19, t = 2,302 diperoleh Pvalue < 0,0253.

3. KEPUTUSANDengan α = 0,05, maka Pvalue < α, sehingga Ho ditolak

4. KESIMPULANTekanan Darah sistolik setelah pemberian Catopril terbukti bermakna atau signifikan berbeda

dibandingkan sebelum pemberian catropil.

Uji T Dependen (Berpasangan) dengan SPSS

Uji-t untuk data berpasangan berarti setiap subjek diukur dua kali. Misalnya sebelum dan sesudah dilakukannya suatu intervensi atau pengukuran yang dilakukan terhadap pasangan orang kembar. Dalam contoh ini akan membandingkan data sebelum dengan sesudah intervensi.

Contoh Kasus :Suatu studi ingin mengetahui pengaruh suatu metode diet, lalu diambil 28 ibu sebagai sampel untuk menjalani program diet tersebut. Pengukuran berat badan yang pertama (BBIBU_1) dilakukan sebelum kegiatan penyesuaian diet dilakukan, dan pengukuran berat badan yang kedua (BBIBU_2) dilakukan setelah dua bulan menjalani penyesuaian diet.

Buka SPSS, dan masukan datanya seperti ini :

Kita akan melakukan uji hipotesis untuk menilai apakah ada perbedaan berat badan ibu antara sebelum dengan sesudah mengikuti program diet, langkah-langkahnya sebagai berikut.

Dari menu utama, pilihlah:  Analyze-->Compare Mean-->Paired-Sample T-test…. 

Pilih variabel BBIBU_1 dan BBIBU_2 dengan cara mengklik masing-masing variable tersebut. Kemudian klik tanda ‘segitiga’ untuk memasukkannya ke dalam kotak Paired-Variables.  Seperti nampak di bawah ini :

Selanjutnya klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti berikut:

Dari 28 subjek yang diamati terlihat bahwa rata-rata (mean) berat badan dari ibu sebelum intervensi (BBIBU_1) adalah 57.54, dan rata-rata berat badan sesudah intervensi (BBIBU_2) adalah 56,21. Uji ‘t’ yang dilakukan terlihat pada tabel berikut:

Dari hasil uji-t berpasangan tersebut terlihat bahwa rata-rata perbedaan antara BBIBU_1 dengan BBIBU_2 adalah sebesar 1.321. Artinya ada penurunan berat badan sesudah intervensi dengan rata-rata penurunan sebesar 1.32 kg.

Hasil perhitungan nilai “t” adalah sebesar 5,133 dengan p-value 0.000 dapat ditulis 0,001 (uji 2-arah). Hal ini berarti kita menolak Ho dan menyimpulkan bahwa  secara statistik ada perbedaan yang bermakna antara rata-rata berat badan sebelum dengan sudah intervensi.

Dari hasil di atas kita bisa menilai  bahwa program diet tersebut berhasil.

Uji One Way Anova

ANOVA merupakan lanjutan dari uji-t independen dimana kita memiliki dua kelompok percobaan atau lebih. ANOVA biasa digunakan untuk membandingkan mean dari dua kelompok sampel independen (bebas). Uji ANOVA ini juga biasa disebut sebagai One Way Analysis of Variance.

Asumsi yang digunakan adalah subjek diambil secara acak menjadi satu kelompok n. Distribusi mean berdasarkan kelompok normal dengan keragaman yang sama. Ukuran sampel antara masing-masing kelompok sampel tidak harus sama, tetapi perbedaan ukuran kelompok sampel yang besar dapat mempengaruhi hasil uji perbandingan keragaman.

Hipotesis yang digunakan adalah:

H0: µ1 = µ2 … = µk (mean dari semua kelompok sama)

Ha: µi <> µj (terdapat mean dari dua atau lebih kelompok tidak sama)

Statistik uji-F yang digunakan dalam One Way ANOVA dihitung dengan rumus (k-1), uji F dilakukan dengan membandingkan nilai Fhitung (hasil output) dengan nilai Ftabel. Sedangkan derajat bebas yang digunakan dihitung dengan rumus (n-k), dimana k adalah jumlah kelompok sampel, dan n adalah jumlah sampel. p-value rendah untuk uji ini

mengindikasikan penolakan terhadap hipotesis nol, dengan kata lain terdapat bukti bahwa setidaknya satu pasangan mean tidak sama.

Sebaran perbandingan grafis memungkinkan kita melihat distribusi kelompok. Terdapat beberapa pilihan tersedia pada grafik perbandingan yang memungkinkan kita menjelaskan kelompok. Termasuk box plot, mean, median, dan error bar.

Contoh Kasus.

Evaluasi pada metode pengajaran oleh pengawas untuk anak-anak sekolah Paket C adalah sebagai berikut:

Sebelum diinput ke dalam SPSS susunan data harus dirubah dahulu karena data diatas berbentuk matriks, untuk yang datanya tidak dalam bentuk matriks tabel, tidak perlu dirubah. Tabelnya adalah seperti tabel berikut:

Data ini kemudian dapat dimasukkan ke dalam worksheet SPSS agar dapat dilakukan analisis.

Hipotesis yang digunakan adalah:

H0 : µ1 = µ2 = µ3 = µ4 = µ5 (mean dari masing-masing kelompok metode adalah sama)

H1: µ1 <> µ2 <> µ3 <> µ4 <> µ5 (terdapat mean dari dua atau lebih kelompok metode tidak sama)

Langkah-langkah pengujian One Way ANOVA dengan software SPSS adalah sebagai

berikut:

1. Input data ke dalam worksheet SPSS, tampilannya akan seperti berikut ini:Data view:

Sedangkan Variabel view:

2. Kemudian jalankan analisis dengan memilih ANALYZE – COMPARE MEANS – ONE WAY ANOVA, seperti berikut ini:

3. Setelah muncul kotak dialog, maka pindahkan variabel metode ke DEPENDEN LIST, dan variabel waktu ke FACTOR.

4. Setelah variabel dependen dimasukkan pilih OPTION, kemudian checklist Descriptive dan Homogeneity-of-Variance box, seperti gambar berikut kemudian klik continue.

5. Setelah itu pilih post Hoc Test, untuk melihat kelompok mana aja seh yang signifikan (satu persatu). Anda bisa memilih Post Hoc Test - Tukey, lalu continue – OK.

6. Setelah itu maka akan muncul output berupa seperti berikut ini:

7. Sedangkan Output Post Hoc Test akan berupa tabel MULTIPLE COMPARRISON seperti berikut ini:

8. Interpretasi:

Hasil uji Homogeneity-of-Variance box menunjukkan nilai sig. (p-value) sebesar 0,848, ini mengindikasikan bahwa kita gagal menolak H0, berarti tidak cukup bukti untuk menyatakan bahwa mean dari dua atau lebih kelompok metode tidak sama .

Hasil uji one way ANOVA yang telah dilakukan mengindikasikan bahwa nilai uji-F signifikan pada kelompok uji, ini ditunjukkan oleh nilai Fhitung sebesar 11,6 yang lebih besar daripada F(3,9) sebesar 3,86 (Fhitung > Ftabel), diperkuat dengan nilai p = 0.003 lebih kecil daripada nilai kritik α=0,05.

Tukey post hoc test untuk multiple comparisons mengindikasikan bahwa hanya kelompok 4 yang memiliki nilai sig. (F statistik) yang signifikan secara statistik. Hasil ini mengindikasikan bahwa perbedaan rata-rata antara metode waktu belajar 1, 2 dan 3 secara statistik tidak signifikan dan meannya secara signifikan berbeda daripada mean metode 4 yang signifikan secara statistik. (yoz)

UjI Lanjut BNT   (LSD)

Tulisan kali ini adalah lanjutan dari artikel beberapa waktu yang lalu, yaitu “One Way ANOVA”, so it’s strongly recommended untuk membaca artikel tersebut sebelum

melanjutkan artikel ini.

Uji ANOVA hanya memberikan indikasi tentang ada tidaknya beda antar rata-rata dari keseluruhan perlakuan, namun belum memberikan informasi tentang ada tidaknya perbedaan antara individu perlakuan yang satu dengan individu perlakuan lainnya. Sederhananya bila ada 5 perlakuan yang ingin diuji, misalnya perlakuan A, B, C, D, dan E. Maka bila uji ANOVA menginformasikan adanya perbedaan yang signifikan, maka dapat disimpulkan bahwa secara keseluruhan terdapat perbedaan yang signifikan antar rata-rata perlakuan, namun belum tentu rata-rata perlakuan A berbeda dengan rata-rata perlakuan B, dan seterusnya…Untuk uji yang lebih mendalam maka mesti dilakukan uji lanjut (Post hoc test). Ada berbagai macam jenis uji lanjut, namun pada artikel kali ini kita coba bahas uji BNt.Uji BNt (Beda Nyata terkecil) atau yang lebih dikenal sebagai uji LSD (Least Significance Different) adalah metode yang diperkenalkan oleh Ronald Fisher. Metode ini menjadikan nilai BNt atau nilai LSD sebagai acuan dalam menentukan apakah rata-rata dua perlakuan berbeda secara statistik atau tidak.Untuk menghitung nilai BNt atau LSD, kita membutuhkan beberapa data yang berasal dari perhitungan sidik ragam (ANOVA) yang telah dilakukan sebelumnya, data tersebut berupa MSE dan dfE. Selain itu juga butuh tabel t-student. Secara lengkap rumusnya adalah sbb:

Kasus:Seorang peneliti yang ingin mengetahui apakah ada pengaruh yang signifikan dari beberapa jenis pupuk (pupuk A, B, C, D, E, F dan G) terhadap produktivitas tanaman padi di sebuah wilayah. Untuk itu dilakukan percobaan dengan design RAL (Rancangan Acak Lengkap). Hasil pengukurannya adalah sebagai berikut:

Setelah dilakukan uji ANOVA (sidik ragam) pada taraf kepercayaan 5% , hasilnya menunjukkan bahwa perlakuan memberikan pengaruh signifikan terhadap produktivitas tanaman padi.

Karena uji ANOVA menunjukkan adanya perbedaan yang nyata secara statistik, maka dilakukan uji lanjut BNt untuk mengetahui ada tidaknya perbedaan antar tiap individu perlakuan. Prosedur pengerjaannya tidak disediakan secara default oleh program Microsoft excel, namun kita bisa melakukannya secara semi manual. Silahkan tonton video berikut:Nilai BNt pada contoh kasus ini adalah:

Nilai BNt (LSD) inilah yang menjadi pembeda antar rata-rata dua populasi sampel, bila rata-rata dua populasi sampel lebih kecil atau sama dengan nilai LSD, maka dinyatakan tidak berbeda signifikan. Atau dapat ditulis dengan persamaan berikut:

Dari asumsi yang terdapat dalam rumus tersebut, maka dapat disimpulkan sebagai berikut:

Kesimpulan yang terlihat pada tabel tersebut, tampilannya terkesan agak rumit, terutama bila kita harus menguji perlakuan yang sangat banyak. Bisa dibayangkan, misalnya ada 15 perlakuan, maka paling tidak terdapat 105 kombinasi perlakuan yang akan diuji.Untuk itu, dibuat sebuah sistem notasi, gunanya untuk menyederhanakan tampilah hasil uji BNt (LSD), yang caranyanya sudah diuraikan pada video diatas. Pada contoh kasus ini, tampilan uji LSD0.05 dengan sistem notasi adalah sebagai berikut:

Cara interpretasinya adalah dengan metihat notasi huruf yang berada didepan nilai rata-rata tiap perlakuan. Nilai rata-rata perlakuan yang diikuti oleh huruf yang sama dinyatakan tidak berbeda signifikan, misalnya:(a) Nilai rata-rata Varietas A tidak berbeda signifikan dengan Varietas B, karena sama-sama diberi simbol notasi “a”,(b) Nilai rata-rata Varietas A berbeda signifikan dengan Varietas C, karena notasinya berbeda. Varietas A notasinya “a”, sedangkan varietas C notasinya “b”,

dst…

Uji Beda Nyata Terkecil (BNT) a. Oke, kali ini saya akan menjelaskan bagaimana cara menggunakan uji Beda Nyata

Terkecil atau sering disebut uji BNT. Seperti pada uji BNJ, Uji BNT sebenarnya juga sangat simpel. Untuk menggunakan uji ini, atribut yang kita perlukan adalah 1) data rata-rata perlakuan, 2) taraf nyata, 3) derajad bebas (db) galat, dan 4) tabel t-student untuk menentukan nilai kritis uji perbandingan.

Perlu anda ketahui bahwa uji BNT ini dilakukan hanya apabila hasil analisis ragam minimal berpengaruh nyata. Tapi bagaimana kalau hasil analisis ragam tidak berpengaruh nyata apakah bisa dilanjutkan dengan uji BNT? Jawabnya bisa. Tapi yang menjadi pertanyaan selanjutnya adalah apakah perlu menguji perbedaan pengaruh perlakuan jika ternyata perlakuan yang dicobakan sudah tidak memberikan pengaruh yang nyata? Bukankah apabila perlakuan tidak berpengaruh berarti perlakuan t1 = t2 = t3 = tn, yang berarti pengaruh perlakuannya sama. Jadi sebenarnya pengujian rata-rata perlakuan pada perlakuan-perlakuan yang tidak berpengaruh nyata tidak banyak memberikan manfaat apa-apa.

Baiklah, sebagai contoh saya ambil data berikut ini yang merupakan data hasil pengamatan pengaruh pemupukan P terhadap bobot polong isi (gram) kedelai varitas Slamet. Percobaan dilakukan dengan rancangan acak kelompok dengan tujuan untuk mengetahui pengaruh pemupukan P terhadap bobot polong isi kedelai. Data hasil pengamatan adalah sebagai berikut :

Hasil analisis ragam (anova) dari data di atas adalah berikut ini :

Nah, selanjutnya kita akan menghitung nilai kritis atau nilai baku dari BNJ dengan rumus berikut :

untuk mencari nilai t(α, v) anda dapat melihatnya pada tabel Sebaran t-student pada taraf nyata α dengan derajad bebas v. Untuk menentukan nilai t(α, v), harus berdasarkan nilai taraf nyata α yang dipilih (misalnya anda menentukan α = 5%), dan nilai derajad bebas (db) galat (dalam contoh ini db galat = 12, lihat angka 12 yang

berwarna kuning pada tabel analisis ragam).Setelah semua nilai sudah anda tentukan, maka langkah selanjutnya adalah anda menuju tabel Sebaran t-student. Berikut saya lampirkan sebagian dari tabel tersebut :

Pada tabel Sebaran t-student di atas, panah yang vertikal berasal dari angka 0,050 yang menunjukkan α = 5%. Sedangkan panah horizontal berasal dari angka 12 yang menunjukkan nilai derajad bebas (db) galat = 12. Dari pertemuan kedua panah tersebut didapatkanlah nilai t (0,05; 12) = 2,179.

Langkah selanjutnya anda menghitung nilai kritis BNT dengan menggunakan rumus di atas berikut ini :Anda perhatikan KT galat = 14,97 dan r (kelompok) = 3 (lihat pada tabel analisis ragam)

Langkah selanjutnya adalah anda menentukan perbedaan pengaruh antar perlakuan. Untuk ini saya menggunakan kodifikasi dengan huruf. Caranya adalah sebagai berikut :Susun nilai rata-rata perlakuan dari yang terkecil hingga yang terbesar seperti berikut :

Langkah selanjutnya adalah menentukan huruf pada nilai rata-rata tersebut. Perlu anda ketahui cara menentukan huruf ini agak sedikit rumit, tapi anda jangan khawatir asalkan anda mengikuti petunjuk saya pelan-pelan tahap demi tahap. Dan saya yakin apabila anda menguasai cara ini, saya jamin anda hanya butuh waktu paling lama 5 menit untuk menyelesaikan pengkodifikasian huruf pada nilai rata-rata perlakuan.

Baik kita mulai saja. Pertama-tama anda jumlahkan nilai kritis BNT5% = 6,88 dengan nilai rata-rata perlakuan terkecil pertama, yaitu 17,33 + 6,88 = 24,21 dan beri huruf “a” dari nilai rata-rata perlakuan terkecil pertama (17,33) hingga nilai rata-rata perlakuan berikutnya yang kurang dari atau sama dengan nilai 24,21. Dalam contoh ini huruf “a” diberi dari nilai rata-rata perlakuan 17,33 hingga 22,67. Lebih jelasnya lihat pada tabel berikut :

Selanjutnya jumlahkan lagi nilai kritis BNT5% = 6,88 dengan nilai rata-rata perlakuan terkecil kedua, yaitu 21,00 + 6,88 = 27,88 dan beri huruf “b” dari nilai rata-rata perlakuan terkecil kedua (21,00) hingga nilai rata-rata perlakuan berikutnya yang kurang dari atau sama dengan nilai 27,88. Dalam contoh ini huruf “b” diberi dari nilai rata-rata perlakuan 21,00 hingga 26,00. Lebih jelasnya lihat pada tabel berikut :

Selanjutnya jumlahkan lagi nilai kritis BNT5% = 6,88 dengan nilai rata-rata perlakuan terkecil ketiga, yaitu 22,67 + 6,88 = 29,55 dan beri huruf “c” dari nilai rata-rata perlakuan terkecil ketiga (22,67) hingga nilai rata-rata perlakuan berikutnya yang kurang dari atau sama dengan nilai 29,55. Dalam contoh ini huruf “c” diberi dari nilai rata-rata perlakuan 22,67 hingga 26,00. Lebih jelasnya lihat pada tabel berikut :

Sampai disini anda perhatikan huruf "c" pada tabel di atas. Huruf "c" tersebut harus anda abaikan (batalkan) karena sebenarnya huruf c sudah terwakili oleh huruf b (karena pemberian huruf "c" tidak melewati huruf "b"). Berbeda dengan pemberian huruf "b" sebelumnya. Pemberian huruf "b" melewati huruf "a" sehingga huruf "b" tidak diabaikan/dibatalkan.

Langkah selanjutnya jumlahkan lagi nilai kritis BNT5% = 6,88 dengan nilai rata-rata perlakuan terkecil keempat, yaitu 26,00 + 6,88 = 32,88 dan beri huruf “c” (karena pemberian huruf "c" sebelumnya dibatalkan, maka pemberian dengan huruf "c" kembali digunakan) dari nilai rata-rata perlakuan terkecil keempat (26,00) hingga nilai rata-rata perlakuan berikutnya yang kurang dari atau sama dengan nilai 32,88. Dalam contoh ini huruf “c” diberi dari nilai rata-rata perlakuan 26,00 hingga 30,67. Lebih jelasnya lihat pada tabel berikut :

Anda perhatikan huruf “c” di atas. Karena pemberian huruf “c” melewati huruf “b” sebelumnya, maka pemberian huruf “c” ini tidak dibaikan/dibatalkan.

Langkah selanjutnya jumlahkan lagi nilai kritis BNT5% = 6,88 dengan nilai rata-rata perlakuan terkecil kelima, yaitu 30,67 + 6,88 = 37,55 dan beri huruf “d” dari nilai rata-rata perlakuan terkecil kelima (30,67) hingga nilai rata-rata perlakuan berikutnya yang kurang dari atau sama dengan nilai 37,55. Dalam contoh ini huruf “d” diberi dari nilai rata-rata perlakuan 30,67 hingga 36,00. Lebih jelasnya lihat pada tabel berikut :

Anda perhatikan huruf “d” di atas. Karena pemberian huruf “d” juga melewati huruf “c” sebelumnya, maka pemberian huruf d ini tidak dibaikan/dibatalkan.

Langkah selanjutnya jumlahkan lagi nilai kritis BNT5% = 6,88 dengan nilai rata-rata perlakuan terkecil keenam, yaitu 36,00 + 6,88 = 42,88 dan beri huruf “e” dari nilai rata-rata perlakuan terkecil keenam (36,00) hingga nilai rata-rata perlakuan berikutnya yang kurang dari atau sama dengan nilai 42,88. Dalam contoh ini huruf “e” diberi dari nilai rata-rata perlakuan 36,00 hingga 41,00. Lebih jelasnya lihat pada tabel berikut :

Perlu anda ketahui, apabila pemberian huruf ini telah sampai pada nilai rata-rata perlakuan yang terbesar, walaupun perhitungan penjumlahan belum selesai, maka perhitungan penambahan nilai BNT selanjutnya dihentikan/tidak dilanjutkan. Dan pemberian huruf dianggap selesai.

Terakhir anda susun kembali nilai rata-rata perlakuan tersebut sesuai dengan perlakuannya, seperti tabel berikut:

Nah, sekarang bagaimana cara menjelaskan arti huruf-huruf pada tabel diatas? Prinsip yang harus anda pegang adalah bahwa “perlakuan yang diikuti oleh huruf yang sama berarti tidak berbeda nyata pengaruhnya menurut BNT5%”. Dari hasil pengujian di atas, perlakuan P2 dan P3 sama-sama diikuti huruf “e” artinya perlakuan P2 dan P3 tidak berbeda nyata pengaruhnya menurut BNT 5%. Dan kedua perlakuan tersebut berbeda nyata dengan perlakuan lainnya

Menentukan Perlakuan TerbaikUntuk menentukan perlakuan mana yang terbaik, langkah-langkahnya adalah berikut ini: 1. Langkah pertama anda harus melihat perlakuan mana yang nilai rata-ratanya

tertinggi. Dalam contoh ini perlakuan yang nilai rata-ratanya tertinggi adalah P2.2. Langkah kedua anda lihat pada rata-rata perlakuan P2 itu diikuti oleh huruf apa.

Dalam contoh ini perlakuan P2 diikuti oleh huruf “e”.

3. Langkah ketiga anda lihat rata-rata perlakuan mana saja yang diikuti oleh huruf “e”. Dalam contoh ini rata-rata perlakuan yang diikuti oleh huruf “e” adalah P2 itu sendiri, dan P3.

4. Langkah keempat anda perhatikan kembali perlakuan P2 dan P3. Dalam contoh ini perlakuan P2=45,00 kg/ha dan P3=67,50 kg/ha. Sampai di sini anda harus bisa mempertimbangkan secara logis perlakuan mana yang terbaik. Logikanya seperti ini, apabila perlakuan dengan dosis lebih rendah tetapi mempunyai pengaruh yang sama dengan perlakuan dengan dosis yang lebih tinggi dalam meningkatkan hasil, maka perlakuan dosis yang lebih rendah tersebut lebih baik daripada perlakuan dosis yang lebih tinggi di atasnya. Dalam contoh ini perlakuan P2 lebih baik daripada perlakuan P3. Jadi dapat disimpulkan perlakuan P2-lah yang terbaik.

Contoh Soal dan Pembahasan RAL

A.    PENDAHULUAN

Latar Belakang

Diversivikasi atau penganekaragaman produk susu selain sebagai upaya dalam

meningkatkan konsumsi gizi masyarakat dengan daya tarik keragaman produknya, juga

bertujuan untuk meningkatkan daya tahan produk sehingga dapat mengatasi masalah

keterbatasan ruang dan waktu.  Dangke adalah salah satu produk tradisional yang berasal dari

Kabupaten Enrekang, merupakan bentuk diversifikasi produk olahan susu.  Produk ini sangat

mengemuka dan diminati oleh masyarakat khususnya di Sulawesi Selatan.

Sebagai produk tradisional, dangke pada mulanya hanya menjadi konsumsi

masyarakat setempat, namun dengan pertumbuhan populasi dan kemajuan informasi, area

pemasaran produk ini mengalami perluasan hingga keluar daerah.  Dangke sebagai produk

olahan susu, sangat rentan mengalami kerusakan dan penurunan kualitas, sehingga dangke

yang dipasarkan untuk tujuan ke laur daerah harus melalui proses pengawetan terlebih

dahulu.

Metode pengawetan tradisional yang paling umum dilakukan oleh pengrajin dangke

adalah dengan merendam produk dalam larutan garam pekat, yang dapat secara efektif

meningkatkan daya simpan dangke hingga beberapa hari.  Namun demikian, pengawetan

dengan garam mempunyai efek samping dimana dangke harus melalui perendaman dengan

air panas atau dicuci sebelum dikonsumsi.  Prosedur tambahan sebelum pengolahan lebih

lanjut ini, dapat mempengaruhi kualitas fisik dan organoleptik produk yang dihasilkan.  Oleh

karena itu, diperlukan suatu bahan pengawet alternatif yang aman dan murah untuk

mengatasi masalah tersebut.

Permasalahan

Pennggunaan bahan pengawet alternatif selain garam pada produk Dangke pernah di

uji cobakan, yakni dengan menggunakan asam sorbat.  Hanya saja asam sorbat dapat

mempengaruhi kandungan vitamin B1, dan dapat meninggalkan residu dalam produk,

sehingga dianggap berpengaruh negatif terhadap kualitas nutrisi dalam produk.  Salah satu

bahan pengawet lain yang lebih aman dan bisa digunakan untuk pengawetan pangan adalah

“asam askorbat” (Vitamin C) yang diaplikasikan dalam bentuk garam-garaman seperti Na-

Askorbat akat K-Askorbat.  Namun demikian sejauh mana efektifitas penggunaan asam

askorbat dalam produk dangke belum pernah dilakuakan.

Tujuan dan Kegunaan

1. Penelitian ini bertujuan untuk mengetahui sejauhmana efektifitas penggunaan asam

askorbat dalam pengawetan dangke berdasarkan tingkat “ketengikan” yang terjadi yang

diukur berdasarkan nilai “TBA dangke” yang telah disimpan selama 7 hari pada suhu

chilling (5oC).

2. Hasil penelitian ini diharapkan dapat menjadi informasi ilmiah bagi kalangan akademik

dalam pengembangan proses pengawetan; dan dapat menjadi rekomendasi bagi pengrajin

dangke dalam penggunaan bahan pengawet alternatif selain garam.

Hipotesis

Diduga dalam konsentrasi tertentu, asam askorbat dapat menekan nilai TBA

(Tirobarbituric Acid) dangke hingga penyimpanan selama 7 hari.

Ho : Tidak ada pengaruh penggunaan asam askorbat terhadap tingkat “ketengikan” yang

telah disimpan selama 7 hari pada suhu chilling (5oC)

H1 : Ada pengaruh penggunaan asam askorbat terhadap tingkat “ketengikan” yang telah

disimpan selama 7 hari pada suhu chilling (5oC)

B.     VARIABEL PENELIATAIN

Variabel Bebas (Independent)

Variabel bebas adalah perlakuan yang diberikan dalam penelitian, yaitu level pemberian Na-Askorbat:P1: perlakuan dengan konsentrasi asam askorbat  0%P2: perlakuan dengan konsentrasi asam askorbat  1%P3: perlakuan dengan konsentrasi asam askorbat  2%P4: perlakuan dengan konsentrasi asam askorbat  3%

Variabel Tak Bebas (Independent)

Merupakan variable yang diukur atau parameter yang diukur, yaitu tingkat ketengikan yang diukur berdasarkan nilai “TBA dangke” yang telah disimpan selama 7 hari pada suhu chilling (5oC)

C.    ANALISIS VARIANSI

Data Penelitian

Ulangan (r)

PerlakuanTOTAL

0% 1% 2% 3%1 7.00 6.00 6.30 5.00 24.302 6.00 6.00 6.10 5.00 23.103 6.00 4.80 6.90 5.60 23.304 5.77 4.60 5.50 6.63 22.505 5.52 5.40 6.30 6.66 23.876 5.27 5.20 6.60 6.68 23.757 5.02 5.20 7.93 6.71 24.868 4.77 4.80 6.00 6.73 22.309 4.52 5.80 5.00 6.76 22.0710 4.27 5.80 6.50 6.78 23.35Total 54.12 53.60 63.13 62.55 233.40Rata-rata 5,41 5,36 6,3 6,3

1. Derajat Bebas (db)

a. dbt = ∑n – 1 = 40 – 1 = 39

b. dbp = t – 1 = 4 – 1 = 3

c. dbg = t (r – 1) = 4 (10 – 1) = 4 x 9 = 36

2. Faktor Koreksi (FK)

FK = Yij2/r.t = 233,402/(4 x 10) = 54474,00/40 = 1361,85

3. Jumlah Kuadrat (JK)a. Jumlah Kuadrat Total (JKT)

JKT = ∑(yij)2 – FK

= (7,02 + 6,002 + 6,002 + ….+ 6,782) – 1361,85 

= (49,00 + 36,00 + 36,00 + ….. + 46,00) – 1361,85

= 1389,10 – 1361,85

= 27,25

b. Jumlah Kuadrat Perlakuan (JKP)

JKP = (∑ (∑yij)2)/r) – FK 

= (54,122 + 53,602 + 63,132 + 62,552)/10) – 1361,85

= (2928,61 + 2872,96 + 3985,82 + 3912,09)/10) – 1361,8

= (13699,48/10) – 1361,85

= 1369,95 – 1355,23

= 8,10

c. Jumlah Kuadrat Galat (JKG)

JKG = JKT – JKP 

= 27,25 – 8,10 = 19,15

4. Kuadrat Tengah (KT)

a. Kuadrat Tengah Perlakuan (KTP)

KTP = JKP/dbp 

= 8,10/3 

= 2,70

b. Kuadrat Tengah Galat (KTG)

KTG = JKG/dbg 

= 19,15/36 

= 0,53

5. F Hitung (Fhit)

Fhit   = KTP/KTG 

= 2,70 / 0,53 

= 5,07

D.     KESIMPULAN

Analisis Variannsi: Fhitung (5,07) lebih besar dari Ftabel 1% (4,06), maka perlakuan pemberian

asam askorbat terhadap dangke berpengaruh secara nyata (P<0,01) terhadap nilai TBA

dangke yang disimpan selama 7 hari.

Arranged by: Aini Maskuro, S.Pd