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: swastanulus@yahoo.com 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

1

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 ,

2

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.

3

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.

4

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 = √ R

2

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.

5

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

6

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

7

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

8

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

9

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

10

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

11

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

12

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

13

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

14

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.

15

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

16

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)

17

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

18

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.

19

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) Σk j=1 (Rj

2/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)

20

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

21

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

22

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.

23

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

24

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

25

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

26

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

27

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.

28

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.