modul praktikum analisis data dengan star v10
DESCRIPTION
Modul STAR IRRITRANSCRIPT
-
MODUL PELATIHAN FORSCA-AGH
DESAIN PERCOBAAN DAN ANALISIS DATA
DENGAN STAR
Disiapkan oleh:
Willy Bayuardi Suwarno
Divisi Genetika dan Pemuliaan Tanaman, Departemen Agronomi dan Hortikultura
Fakultas Pertanian, Institut Pertanian Bogor
E-mail: [email protected]
v10, 6/5/2015
-
1 | H a l a m a n
Memulai STAR dan Persiapan Contoh Data
1. Buka STAR, melalui Start > All Programs > STAR. Klik kanan pada icon STAR dan pilih Run as
administrator.
2. Klik menu Project > Switch Workspace
3. Pada kolom Workspace, tulis C:\ kemudian klik OK
4. Klik menu Project > New Project
5. Pada kolom Project Name, tulis STAR TRAINING. Klik OK.
6. Pada Project Explorer, akan muncul dua menu baru, yaitu Data dan Output.
7. Buka Windows Explorer. Copy folder Contoh Data dari flash drive yang telah disediakan ke
dalam folder C:\STAT TRAINING\Data
-
2 | H a l a m a n
8. Buka STAR, klik kanan pada node Data, kemudian klik Refresh sehingga muncul node Contoh Data
di bawah Data
Percobaan Faktor Tunggal
Rancangan Acak Lengkap (Completely Randomized Design)
Contoh diambil dari Clewer and Scarisbrick (2001). Suatu percobaan dilakukan untuk membandingkan
daya hasil empat varietas gandum (A, B, C, D), menggunakan rancangan acak lengkap dengan lima ulangan.
Di lapangan, tersedia 20 petak percobaan yang terdiri dari 4 baris dan 5 kolom.
Pengacakan dan Penataan
9. Klik Design > Completely Randomized Design
-
3 | H a l a m a n
10. Pada kolom Name, ganti FactorA dengan Varietas. Isi FactorID = V dan Levels = 4. Isi Number of
Replicates = 5, dan Number of Field Rows = 4. Klik OK.
11. Pada Output, akan muncul node Completely Randomized Design dan di bawahnya ada dua
sheet baru, yaitu fieldbookCRD.csv yang berisi buku lapangan, dan fieldbookCRD.txt yang berisi
gambar tata letak percobaan. Kedua file tersebut dapat ditemukan di:
C:\STAR TRAINING\Output\Randomization\CompletelyRandomizedDesign_.....
dan dapat dibuka dengan program lain, seperti Microsoft Excel, untuk diedit. Editing misalnya
dapat dilakukan untuk mengganti nama varietas, contohnya mengubah V1, V2, V3, dan V4 menjadi
A, B, C, dan D.
-
4 | H a l a m a n
Analisis Data
Format data yang dapat dibaca STAR adalah .CSV (comma separated values). File ini dapat dihasilkan dari
Excel (File > Save As > Save as type > CSV (Comma delimited) (*.csv))
Misalkan percobaan sudah selesai, dan datanya sudah dientri dan disimpan dalam folder C:\STAT
TRAINING\Data\Contoh Data\Faktor Tunggal RAL C&S.csv (pastikan langkah no. 7 dan 8 sudah dilakukan).
Untuk mengimpor data ke STAR, alternatifnya, bisa juga melalui klik kanan pada node Data, kemudian pilih
Import Data.
12. Pada STAR, klik node Data > Faktor Tunggal RAL C&S.csv
-
5 | H a l a m a n
13. Klik Analyze > Analysis of Variance > Completely Randomized Design
14. Masukkan (Add) hasil ke Response Variable(s), dan varietas ke Treatment(s).
15. Klik tab Options. Beri tanda check pada ketiga analisis: Descriptive Statistics, Saphiro-Wilk, dan
Bartletts Test. Klik OK.
-
6 | H a l a m a n
16. Hasil analisis akan muncul pada node Output > Faktor Tunggal RAL C&S
File-filenya dapat ditemukan menggunakan Windows Explorer, di folder C:\STAT
TRAINING\Output\, dan dapat dibuka dengan program lain.
17. Pada file CRDOutput.txt, terdapat informasi sebagai berikut:
Descriptive Statistics
---------------------------------------------------
Variable N_Obs Min Max Mean StdDev
---------------------------------------------------
hasil 20 16.10 34.80 24.10 4.38
---------------------------------------------------
Test for Homogeneity of Variances
-------------------------------------------
Method DF Chisq Value Pr(>Chisq)
-------------------------------------------
Bartlett 3 1.29 0.7324
-------------------------------------------
Test for Normality
------------------------------------------------
Variable Method W Value Pr(< W)
------------------------------------------------
hasil_resid Shapiro-Wilk 0.9686 0.7256
------------------------------------------------
Statistik deskriptif. Terlihat bahwa nilai rata-rata hasil gandum keseluruhan, dari empat varietas
dan lima ulangan, adalah 24.1 kg/plot.
Uji kehomogenan ragam galat. Hasil uji Bartlett menunjukkan bahwa ragam galat homogen (P >
0.05; terima H0), sejalan dengan plot residual vs fitted value (bawah kiri; file
-
7 | H a l a m a n
CRDDiagPlot_hasil.png), yang menunjukkan bahwa sebaran titik-titik sepanjang sumbu X relatif
merata dan tidak menunjukkan adanya pola.
Uji kenormalan galat. Hasil uji Saphiro-Wilk menunjukkan bahwa galat menyebar normal (P > 0.05;
terima H0), sejalan dengan normal Q-Q plot (bawah kanan; CRDDiagPlot_hasil.png) yang
memperlihatkan titik-titik yang berada di sepanjang garis sebaran normal.
Sidik ragam (ANOVA). Hasil analisis ragam juga terdapat pada file CRDOutput.txt. Terlihat bahwa
varietas berpengaruh sangat nyata terhadap hasil (P < 0.01), atau dengan kata lain, terdapat
minimal sepasang varietas yang hasilnya berbeda sangat nyata. Nilai koefisien keragaman
(besarnya galat percobaan dalam persentase rataan) sebesar 13% masih tergolong wajar untuk
peubah hasil pada percobaan lapang (< 20%).
ANOVA TABLE
Response Variable: hasil
-----------------------------------------------------------
Source DF Sum of Square Mean Square F Value Pr(> F)
-----------------------------------------------------------
varietas 3 188.2000 62.7333 5.69 0.0076
Error 16 176.4000 11.0250
Total 19 364.6000
-----------------------------------------------------------
Summary Statistics
--------------------
CV(%) hasil Mean
--------------------
13.78 24.10
--------------------
Uji perbedaan nilai tengah. Jika suatu faktor yang diuji berpengaruh nyata terhadap respon yang
diamati, maka pertanyaan selanjutnya adalah, taraf-taraf mana saja yang memiliki nilai tengah yang
berbeda. Dalam hal ini, yang ingin diketahui adalah, varietas mana yang memiliki daya hasil
tertinggi, dan apakah berbeda nyata dengan varietas lainnya. Untuk itu, diperlukan uji perbedaan
-
8 | H a l a m a n
nilai tengah (Post Hoc test). Secara default, STAR sudah melakukan uji dengan metode beda nyata
terkecil (LSD). Jika diinginkan metode lain, caranya sebagai berikut:
18. Klik tombol restore up (ditandai dengan lingkaran) pada window analisis ragam yang dikecilkan
(terletak di kiri bawah).
Perhatikan bahwa tombol Post Hoc sekarang bisa di-klik (karena ada faktor yang berpengaruh
nyata).
Pilih (Add) peubah respon yang ingin diuji lanjut, dalam contoh ini yaitu hasil. Jika sebelumnya
dilakukan analisis ragam untuk sejumlah variabel, hanya peubah-peubah yang memiliki faktor yang
nyata saja yang ditampilkan.
-
9 | H a l a m a n
Kemudian, pilih metode uji perbedaan nilai tengah yang diinginkan, contohnya di sini adalah uji
jarak berganda Duncan (Duncan Multiple Range Test). Klik OK.
Pada node Output terdapat file baru yaitu PairwiseOutput.txt. Ringkasan hasil uji DMRT adalah
seperti di bawah ini. Varietas B memiliki daya hasil yang paling tinggi (28.6 kg/plot), namun tidak
berbeda nyata dengan varietas D (25 kg/plot).
Duncan's Multiple Range Test (DMRT)
--------------------------------
varietas means N group
--------------------------------
A 20.40 5 b
B 28.60 5 a
C 22.40 5 b
D 25.00 5 ab
--------------------------------
Means with the same letter are not significantly different.
Rancangan Kelompok Lengkap Teracak (Randomized Complete Block Design)
Contoh diambil dari S&S. Suatu percobaan dilakukan untuk membandingkan kadar gula dari enam
genotipe melon, menggunakan rancangan kelompok lengkap teracak dengan tiga ulangan.
Pengacakan dan Penataan
19. Klik menu Design > Randomized Complete Block Design
-
10 | H a l a m a n
20. Atur definisi faktor seperti di bawah ini, kemudian klik OK. Pada contoh ini, satu ulangan terdiri dari
6 baris x 1 kolom.
21. Gambar tata letak percobaan terdapat pada node Output > Randomization > RCBD >
fieldbookRCBD.txt
FieldCol1 FieldCol2 FieldCol3
+-----------+-----------+-----------+
FieldRow1 | 11| 21| 31|
|G3 |G4 |G5 |
+-----------+-----------+-----------+
FieldRow2 | 12| 22| 32|
|G6 |G6 |G3 |
+-----------+-----------+-----------+
FieldRow3 | 13| 23| 33|
|G4 |G2 |G1 |
+-----------+-----------+-----------+
FieldRow4 | 14| 24| 34|
|G1 |G1 |G6 |
+-----------+-----------+-----------+
FieldRow5 | 15| 25| 35|
|G2 |G3 |G2 |
+-----------+-----------+-----------+
FieldRow6 | 16| 26| 36|
|G5 |G5 |G4 |
+-----------+-----------+-----------+
Analisis Data
22. Pada STAR, klik node Data > Faktor Tunggal RKLT S&S.csv
23. Klik Analyze > Analysis of Variance > Randomized Complete Block Design
-
11 | H a l a m a n
24. Pada kolom Numeric Variable(s), pilih ulangan, klik Set to Factor.
Masukkan (Add) kdgula ke Response Variable(s), genotipe ke Treatment(s), dan ulangan ke Block.
25. Klik tab Options. Beri tanda check pada ketiga analisis: Descriptive Statistics, Saphiro-Wilk, dan
Bartletts Test. Klik OK.
26. Hasil analisis akan muncul pada node Output > Faktor Tunggal RKLT S&S
Plot diagnostik (RCBDDiagPlot_kdgula.png) mengindikasikan bahwa asumsi kehomogenan ragam
galat dan kenormalan galat terpenuhi.
Sidik ragam (ANOVA). Hasil analisis ragam terdapat pada file CRDOutput.txt. Terlihat bahwa
genotipe berpengaruh sangat nyata terhadap kadar gula (P < 0.01), atau dengan kata lain, terdapat
minimal sepasang genotipe yang kadar gulanya berbeda sangat nyata.
Pengaruh ulangan terhadap kadar gula tidak nyata (P
-
12 | H a l a m a n
(plot) pada genotipe yang sama (setelah dikoreksi dengan pengaruh blok) cukup rendah.
ANOVA TABLE
Response Variable: kdgula
-----------------------------------------------------------
Source DF Sum of Square Mean Square F Value Pr(> F)
-----------------------------------------------------------
ulangan 2 0.8067 0.4033 1.54 0.2615
genotipe 5 9.2415 1.8483 7.05 0.0046
Error 10 2.6222 0.2622
Total 17 12.6704
-----------------------------------------------------------
Summary Statistics
---------------------
CV(%) kdgula Mean
---------------------
5.93 8.63
---------------------
Uji perbedaan nilai tengah. Karena pengaruh genotipe nyata maka ingin diketahui genotipe mana
saja yang berbeda kadar gulanya.
Uji perbedaan nilai tengah dengan metode DMRT dapat dilakukan dengan melakukan restore up
window analisis RCBD (lihat langkah 18), kemudian klik Post Hoc.
Pada window yang muncul, masukkan (Add) kdgula ke Post Hoc Tests, dan pilih Duncan Multiple
Range test (DMRT). Klik OK.
Hasilnya terdapat pada file PairwiseOutput.txt. Dari tabel di bawah terlihat bahwa genotipe 2 dan 5
memiliki kadar gula yang lebih tinggi dibandingkan dengan keempat genotipe lainnya.
Summary of the Result:
--------------------------------
genotipe means N group
--------------------------------
1 8.34 3 b
2 9.47 3 a
3 7.67 3 b
4 8.47 3 b
5 9.69 3 a
6 8.14 3 b
--------------------------------
Means with the same letter are not significantly different.
Percobaan Dua Faktor
Rancangan Kelompok Lengkap Teracak
Contoh diambil dari Clewer and Scarisbrick (2001). Suatu percobaan dilakukan untuk mempelajari respon
hasil dari suatu varietas rapa (Brassica napus) terhadap suatu zat pengatur tumbuh (ZPT) (P1, P2, P3) dan
pupuk Nitrogen (N1, N2, N3, N4, N5). Percobaan tersebut menggunakan rancangan kelompok lengkap
teracak dua faktor dengan tiga ulangan.
-
13 | H a l a m a n
Pengacakan dan Penataan
27. Klik menu Design > Randomized Complete Block Design
28. Atur definisi faktor seperti di bawah ini, kemudian klik OK. Pada contoh ini, satu ulangan terdiri dari
5 baris x 3 kolom.
29. Gambar tata letak percobaan terdapat pada node Output > Randomization > RCBD >
fieldbookRCBD.txt FieldCol1 FieldCol2 FieldCol3 FieldCol4 FieldCol5 FieldCol6 FieldCol7 FieldCol8 FieldCol9
+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+
FieldRow1 | 101| 102| 103| 201| 202| 203| 301| 302| 303|
|P3 N2 |P2 N1 |P3 N1 |P2 N1 |P3 N3 |P1 N4 |P1 N2 |P3 N1 |P1 N1 |
+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+
FieldRow2 | 104| 105| 106| 204| 205| 206| 304| 305| 306|
|P2 N5 |P2 N3 |P1 N2 |P3 N4 |P3 N5 |P2 N5 |P3 N2 |P2 N5 |P2 N2 |
+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+
FieldRow3 | 107| 108| 109| 207| 208| 209| 307| 308| 309|
|P1 N3 |P2 N4 |P3 N5 |P2 N3 |P2 N4 |P1 N3 |P1 N4 |P1 N3 |P2 N3 |
+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+
FieldRow4 | 110| 111| 112| 210| 211| 212| 310| 311| 312|
|P1 N4 |P3 N3 |P1 N1 |P3 N1 |P1 N5 |P1 N1 |P3 N5 |P3 N3 |P2 N4 |
+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+
FieldRow5 | 113| 114| 115| 213| 214| 215| 313| 314| 315|
|P3 N4 |P2 N2 |P1 N5 |P1 N2 |P3 N2 |P2 N2 |P1 N5 |P3 N4 |P2 N1 |
+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+-----------+
Analisis Data
30. Pada STAR, klik node Data > Dua Faktor RKLT C&S.csv
31. Klik Analyze > Analysis of Variance > Randomized Complete Block Design
32. Pada kolom Numeric Variable(s), pilih ulangan, klik Set to Factor.
Masukkan (Add) hasil ke Response Variable(s), zpt dan nitrogen ke Treatment(s), dan ulangan ke
Block.
-
14 | H a l a m a n
33. Klik tab Options. Beri tanda check pada ketiga analisis: Descriptive Statistics, Saphiro-Wilk, dan
Bartletts Test. Klik OK.
34. Hasil analisis akan muncul pada node Output > Dua Faktor RKLT C&S
Plot diagnostik (RCBDDiagPlot_db.png) mengindikasikan bahwa asumsi kehomogenan ragam galat
dan kenormalan galat terpenuhi.
Sidik ragam (ANOVA). Hasil analisis ragam terdapat pada file RCBDOutput.txt. Terlihat bahwa
pengaruh utama ZPT dan Nitrogen, serta pengaruh interaksi ZPT x Nitrogen sangat nyata terhadap
hasil (P < 0.01), namun pengaruh ulangan tidak nyata (P > 0.05). Nilai koefisien keragaman sebesar
11.12% menandakan bahwa percobaan cukup andal.
-
15 | H a l a m a n
ANOVA TABLE
Response Variable: hasil
---------------------------------------------------------------
Source DF Sum of Square Mean Square F Value Pr(> F)
---------------------------------------------------------------
ulangan 2 0.0640 0.0320 1.63 0.2138
zpt 2 0.1693 0.0847 4.32 0.0232
nitrogen 4 2.4902 0.6226 31.73 0.0000
zpt:nitrogen 8 1.0151 0.1269 6.47 0.0001
Error 28 0.5493 0.0196
Total 44 4.2880
---------------------------------------------------------------
Summary Statistics
--------------------
CV(%) hasil Mean
--------------------
11.12 1.26
--------------------
Uji perbedaan nilai tengah. Pengaruh interaksi ZPT x Nitrogen genotipe yang nyata menandakan
bahwa pengaruh Nitrogen berbeda pada taraf ZPT yang berbeda.
Uji perbedaan nilai tengah dengan metode DMRT antar taraf N dalam tiap taraf P, dan sebaliknya,
dapat dilakukan dengan melakukan restore up window analisis RCBD (lihat langkah 18), kemudian
klik Post Hoc.
Pada window yang muncul, masukkan (Add) hasil ke Post Hoc Tests, dan pilih Duncan Multiple
Range test (DMRT). Klik OK.
Hasilnya terdapat pada file PairwiseOutput.txt. Dari tabel di bawah terlihat bahwa untuk P1,
terdapat kecenderungan peningkatan hasil dari taraf Nitrogen N1 ke N4, kemudian menurun di N5.
Respon terhadap P2 meningkat dari N1 hingga N5, sedangkan respon terhadap P2 meningkat dari
N1 ke N2, kemudian stagnan.
Summary:
-------------------------------------------------------------------------
nitrogen N zpt = P1 group zpt = P2 group zpt = P3 group
-------------------------------------------------------------------------
N1 3 0.9333 c 0.8333 c 0.8667 b
N2 3 1.2333 b 0.9667 c 1.2000 a
N3 3 1.4000 b 1.3000 b 1.3667 a
N4 3 1.9333 a 1.3333 b 1.4333 a
N5 3 1.2333 b 1.6667 a 1.2000 a
-------------------------------------------------------------------------
Means with the same letter are not significantly different
Grafik interaksi. Kedua faktor (ZPT dan Nitrogen) bersifat kuantitatif, sehingga penggunaan grafik
garis dinilai relevan.
Untuk membuat grafik tersebut, klik node Data > Dua Faktor RKLT C&S.csv.
Masukkan (Add) hasil ke Y Variable(s), nitrogen ke X Variable, dan zpt ke Create lines by. Catatan:
Modifikasi lebih lanjut, seperti judul sumbu X dan Y dapat dilakukan di tab Display Options, dan
-
16 | H a l a m a n
pengubahan warna bisa dilakukan di tab Other Options.
Klik OK.
-
17 | H a l a m a n
Rancangan Petak Terbagi (Split Plot Design) dengan Petak Utama Menggunakan
Rancangan Kelompok Lengkap Teracak
1. Pada STAR, klik node Data > Split Plot RKLT G&G.csv
2. Klik Analyze > Analysis of Variance > Split Plot Design > Randomized Complete Block Design
3. Pada kolom Numeric Variable(s), pilih ulangan dan nitrogen, klik Set to Factor. Dengan demikian,
ada tiga entri pada kolom Factor, yaitu varietas, ulangan, dan nitrogen.
Masukkan (Add) hasil ke Response Variable(s), nitrogen ke Mainplot Factor(s), varietas ke Subplot
Factor(s), dan ulangan ke Block.
4. Klik tab Options. Beri tanda check pada ketiga analisis: Descriptive Statistics, Saphiro-Wilk, dan
Bartletts Test. Klik OK.
5. Hasil analisis akan muncul pada node Output > Split Plot RKLT G&G
Plot diagnostik (RCBDDiagPlot_db.png) mengindikasikan bahwa asumsi kehomogenan ragam galat
dan kenormalan galat terpenuhi.
-
18 | H a l a m a n
Sidik ragam (ANOVA). Hasil analisis ragam terdapat pada file SplitRCBDOutput.txt. Terlihat bahwa
pengaruh utama Nitrogen, varietas, serta pengaruh interaksi Nitrogen x Varietas sangat nyata
terhadap hasil (P < 0.01), namun pengaruh ulangan tidak nyata (P > 0.05). Nilai koefisien
keragaman petak utama (CV a) sebesar 6.88% dan koefisien keragaman anak petak (CV b) sebesar
10.09%.
ANOVA TABLE
Response Variable: hasil
--------------------------------------------------------------------
Source DF Sum of Square Mean Square F Value Pr(> F)
--------------------------------------------------------------------
ulangan 2 1.0826 0.5413 3.81 0.0588
nitrogen 5 30.4292 6.0858 42.87 0.0000
Error(a) 10 1.4197 0.1420
varietas 3 89.8881 29.9627 85.71 0.0000
nitrogen:varietas 15 69.3435 4.6229 13.22 0.0000
Error(b) 36 12.5849 0.3496
Total 71 204.7479
--------------------------------------------------------------------
Summary Statistics
------------------------------
CV(a)% CV(b)% hasil Mean
------------------------------
6.88 10.79 5.48
------------------------------
Analisis Multivariat
Analisis Gerombol
Contoh diambil dari Struyf, Hubert and Rousseeuw (1996). Suatu set data berisi 18 spesies bunga dan 8
karakter, dengan beberapa tipe data. Tipe data dan deskripsi dari tiap karakter ditampilkan pada tabel
berikut ini.
-
19 | H a l a m a n
Karakter Tipe data Deskripsi
Winter Binary Mengindikasikan apakah tanaman bisa tumbuh di musim dingin (0 = tidak, 1 = ya)
Shadow Binary Mengindikasikan apakah tanaman memerlukan naungan (0 = tidak, 1 = ya)
Tubers Asymmetric binary
Membedakan antara tanaman yang berkembangbiak dengan umbi dan dengan cara lainnya (0 = selain umbi, 1 = umbi).
Color Nominal Warna bunga (1 = putih, 2 = kuning, 3 = merah jambu, 4 = merah, 5 = biru).
Soil Ordinal Mengindikasikan apakah tanaman tumbuh pada tanah (1) kering, (2) normal, (3) basah.
Preference Ordinal Tingkat kesukaan, berupa skor dari 1 sampai 18.
Height Interval Tinggi tanaman (cm).
Distance Interval Jarak antar tanaman yang direkomendasikan (cm).
6. Pada STAR, klik node Data > Cluster SH&R.csv
7. Klik Analyze > Multivariate Analysis > Cluster Analysis.
8. Masukkan (Add) variabel-variabel ke kolom yang sesuai.
-
20 | H a l a m a n
9. Klik tab Options. Sesuaikan pilihan-pilihan yang ada seperti gambar di bawah ini. Klik OK.
10. Hasil analisis akan muncul pada node Output > Cluster SH&R(Cluster Analysis. Salah satunya
adalah gambar cluster (AggloGraph.png)
-
21 | H a l a m a n
Multidimensional Scaling
Contoh yang digunakan sama dengan Analisis Gerombol. Data yang akan menjadi input analisis adalah
matriks jarak (distance matrix) yang diperoleh dari hasil Analisis Gerombol (pastikan Save to a File >
Distance Matrix terpilih pada langkah 38).
11. Pada STAR, klik node Output > Cluster SH&R(Cluster Analysis > DistanceMatrix.csv
12. Klik Analyze > Multivariate Analysis > Multidimensional Scaling. Pilih Input Type: Distance Matrix.
13. Klik tab Options. Ubah Symbol untuk 18 spesies (Levels), masing-masing menggunakan karakter
yang berbeda. Klik OK.
14. Hasil analisis akan muncul pada node Output > DistanceMatrix(MDS. Salah satunya adalah plot
dua koordinat utama (MDS_Coords1and2.png)
-
22 | H a l a m a n
Korelasi dan Regresi
Korelasi Linear
Contoh diambil dari S&S. Suatu percobaan dilakukan antara lain untuk mengetahui keeratan hubungan
antar karakter kuantitatif pada melon. Evaluasi penampilan dilakukan menggunakan rancangan kelompok
lengkap teracak faktor tunggal (29 genotipe) dengan tiga ulangan. Data yang digunakan untuk latihan ini
adalah data rata-rata genotipe.
15. Pada STAR, klik node Data > Korelasi dan Regresi S&S.csv
16. Klik Analyze > Correlation.
17. Masukkan (Add) Test Variables seperti di bawah ini.
-
23 | H a l a m a n
18. Klik Options. Pilih (beri tanda ) pada Summary Statistics dan Scatterplot. Klik OK.
19. Hasil analisis terdapat pada Output > Korelasi dan Regresi S&S(CorrelationAnalysis....
Matriks korelasi terhadap pada CorrelationOutput.txt
Nilai koefisien korelasi berkisar antara -1 dan +1. Signifikansi hubungan antara kedua peubah
dinyatakan dengan nilai p-value. Nilai p-value < 0.05 menunjukkan adanya hubungan yang erat
antar kedua peubah tersebut, yang arahnya ditunjukkan oleh tanda koefisien korelasinya (positif:
hubungan searah; negatif: hubungan berlawanan).
-
24 | H a l a m a n
Pearson's product-moment correlation, Prob > |r|
dmbtg umpanen pjbuah lkbuah tbdaging kdgula bbtbuah
dmbtg coef 1.0000 0.4843 -0.1172 0.1932 0.1666 0.0665 0.0595
p-value 0.0078 0.5448 0.3153 0.3878 0.7317 0.7592
n 29 29 29 29 29 29 29
umpanen coef 0.4843 1.0000 0.0297 0.1677 0.0956 -0.3296 0.0727
p-value 0.0078 0.8786 0.3846 0.6217 0.0808 0.7080
n 29 29 29 29 29 29 29
pjbuah coef -0.1172 0.0297 1.0000 0.5811 0.3137 -0.0042 0.6730
p-value 0.5448 0.8786 0.0009 0.0975 0.9828 0.0001
n 29 29 29 29 29 29 29
lkbuah coef 0.1932 0.1677 0.5811 1.0000 0.8753 0.1473 0.9564
p-value 0.3153 0.3846 0.0009 0.0000 0.4459 0.0000
n 29 29 29 29 29 29 29
tbdaging coef 0.1666 0.0956 0.3137 0.8753 1.0000 0.1999 0.8207
p-value 0.3878 0.6217 0.0975 0.0000 0.2984 0.0000
n 29 29 29 29 29 29 29
kdgula coef 0.0665 -0.3296 -0.0042 0.1473 0.1999 1.0000 0.2114
p-value 0.7317 0.0808 0.9828 0.4459 0.2984 0.2709
n 29 29 29 29 29 29 29
bbtbuah coef 0.0595 0.0727 0.6730 0.9564 0.8207 0.2114 1.0000
p-value 0.7592 0.7080 0.0001 0.0000 0.0000 0.2709
n 29 29 29 29 29 29 29
Regresi Linier Sederhana
Contoh data yang digunakan sama dengan contoh data Korelasi Linier.
20. Pada STAR, klik node Data > Korelasi dan Regresi S&S.csv
21. Klik Analyze > Regression > Linear.
22. Masukkan (Add) bbtbuah (kg) sebagai Dependent Variable(s) (peubah Y) dan tbldaging (mm)
sebagai Independent Variable(s) (peubah X).
23. Klik tab Options. Atur pilihan seperti gambar di bawah ini. Klik OK.
-
25 | H a l a m a n
24. Hasil analisis terdapat pada Output > Korelasi dan Regresi S&S(MultipleLinearRegression....
Plot diagnostik terhadap pada bbtbuah_DiagPlot.png. Terlihat bahwa asumsi kehomogenan ragam
galat dan kenormalan galat terpenuhi.
Diagram pencar (scatter plot) antara bobot buah dan tebal daging buah dapat dilihat pada file
bbtbuah_tbdaging_Scatterplot.png
-
26 | H a l a m a n
Analisis ragam dan persamaan regresi terdapat pada file LinearRegOutput.txt
Persamaan regresinya adalah Bobot_Buah = -0.47 + 0.06*Tebal_Daging
Pada tabel sidik ragam, terlihat nilai P model < 0.01, menunjukkan bahwa model sudah fit (sesuai).
Hasil ini sejalan dengan hasil uji t untuk parameter tbldaging (P < 0.01) yang menunjukkan bahwa
peubah tersebut berarti secara signifikan dalam model.
Dalam model ini, dijelaskan bahwa setiap kenaikan tebal daging buah sebanyak 1 mm, bobot buah
mengalami peningkatan sebesar 0.06 kg (60 g).
Adj R-Sq (R2 terkoreksi) sebesar 0.66 menunjukkan bahwa sebesar 66% keragaman bobot buah dapat
dijelaskan oleh tebal daging buah melalui hubungan linearnya.
Model Fitted: bbtbuah ~ tbdaging
Analysis of Variance Table
---------------------------------------------------------
Source DF Sum of Square Mean Square F Value Pr(> F)
---------------------------------------------------------
Model 1 2.3816 2.3816 55.72 0.0000
Error 27 1.1541 0.0427
Total 28 3.5357
---------------------------------------------------------
-
27 | H a l a m a n
Model Summary:
-------------------------------------------------------
Root MSE bbtbuah Mean CV(%) R-Square Adj R-Sq
-------------------------------------------------------
0.2067 1.15 31.02 0.6736 0.6615
-------------------------------------------------------
Parameter Estimates:
---------------------------------------------------------------------------
Variable Estimate Std. Error t value LL CI* UL CI* Pr(>|t|)
---------------------------------------------------------------------------
Intercept -0.4700 0.2198 -2.14 -0.9210 -0.0190 0.0417
tbdaging 0.0625 0.0084 7.46 0.0453 0.0796 0.0000
---------------------------------------------------------------------------
* At 95% Confidence Interval
Referensi
Clewer, A. G. and Scarisbrick, D. H. 2001. Practical Statistics and Experimental Design for Plant and Crop Science. Wiley, Chichester.
Kaufman, L. and Rousseeuw, P. J. 1990. Finding Groups in Data: An Introduction to Cluster Analysis. Wiley, New York.
Gomez, K. A. and Gomez, A. A. 1995. Prosedur Statistik untuk Penelitian Pertanian. Sjamsuddin, E. dan J. S. Baharsjah (pent.). UI Press.
Mattjik, A. A. dan Sumertajaya, M. 2000. Perancangan Percobaan dengan Aplikasi SAS dan Minitab. Jilid I. IPB Press.