ANALISIS POLINOMIAL ORTOGONAL BERDERAJAT TIGA PADA RANCANGAN ACAK LENGKAP Muhammad Nursalam B1, Anisa 2, Nasrah Sirajang3 Program studi Statistika, Jurusan Matematika, FMIPA, Universitas Hasanuddin
[email protected] ABSTRAK Polinomial ortogonal adalah metode untuk mengetahui hubungan fungsional antara respons dan taraf perlakuan kuantitatif. Tujuan penelitian ini adalah menentukan koefisien polinomial ortogonal hingga derajat Tiga untuk taraf perlakuan kuantitatif dengan jarak berbeda dan ulangan sama. Data sekunder adalah hasil percobaan rancangan acak lengkap. Dari hasil analisis ragam pada metedoe polinomial ortogonal diketahui bahwa data dapat membentuk fungsi respons sampai tingkat kubik (derajat tiga). Berdasarkan hasil pengujian koefisien determinasi , maka untuk menggambarkan hubungan fungsional antara respons dan taraf perlakuan kuantitatif pada Data adalah model kuadratik . Hasil analisis menunjukkan bahwa model kuadratik perlakuan di dalam pengamatan yaitu pada dosis pemupukan 40 kg P2O5/ha adalah rata - rata 57,24664 gram , serta dosis pemupukan yang memaksimalkan respon bobot polong isi (gram) adalah dosis pemupukan 59,79 kg P2O5/ha dengan nilai maksimum yang diharapkan sebesar 39,817 gram . Kata Kunci: Koefisien Polinomial ortogonal, Rancangan Acak Lengkap . ABSTRACT Orthogonal polynomials is a method to determine the functional relationship between the response and the level of quantitative treatment. The purpose of this research is to determine the coefficient of orthogonal polynomials until the third degree for quantitative treatment with different intervals and same replication. Secondary data is the result of a randomized completely experimental design. From the analysis of variance note that the data could form the response function to the level of cubic (thirddegree). The analysis showed that the quadratic model can be applied to calculate the expected value of the response to treatment in the observation that the dose of fertilizer 40 kg P2O5 / ha is the average 57.24664 grams, as well as the dose of fertilizer that maximizes response pods weight (grams) is the dose fertilization 59.79 kg P2O5 / ha with a maximum expected value of 39.817 grams. Keywords: Coefficients of Orthogonal Polynomials, Randomized Completely Experimental Design . 1.
PENDAHULUAN Penelitian merupakan kegiatan yang telah banyak dikembangkan manusia untuk mengembangkan ilmu pengetahuan dan teknologi. Salah satu kegiatan dalam penelitian adalah melakukan percobaan. Percobaan merupakan hal yang sering dilakukan dalam berbagai bidang ilmu. Tujuan suatu percobaan adalah untuk mendapatkan informasi yang maksimum tentang peubah-peubah bebas yang memengaruhi respons (Steel and Torrie 1995). Metode polinomial ortogonal lebih efisien digunakan untuk peubah bebas yang memiliki jarak antar faktor yang sama, karena nilai dari koefisien bentuk kontras polinomial sudah baku dan ditabelkan. Akan tetapi metode polinomial ortogonal tidak terbatas digunakan hanya untuk peubah bebas yang memiliki jarak faktor sama, karena
1
metode polinomial ortogonal juga bisa diterapkan pada peubah bebas yang memiliki jarak faktor yang berbeda . 2. TINJAUAN PUSTAKA 2.1 Perancangan Percobaan 2.1.1 Definisi Perancangan Percobaan Definisi perancangan percobaan menurut Nazir (1988) adalah semua proses yang diperlukan dalam merencanakan dan melaksanakan percobaan. Perancangan percobaan bukan hanya memberikan proses perencanaan saja, tetapi juga mencakup langkahlangkah yang berurutan yang menyeluruh dan komplit yang dibuat lebih dahulu . 2.2 Definisi Rancangan Acak Lengkap Rancangan acak lengkap juga dikatakan sebagai rancangan satu arah atau analisis variansi satu faktor karena hanya satu faktor yang diteliti yang selanjutnya dilakukan pengacakan perlakuan pada satuan percobaan yang kemungkinan seragam atau homogen (Montgomery, 1991). 2.2.1 Model Linier untuk Rancangan Acak Lengkap Data percobaan dalam rancangan acak lengkap diabstraksikan melalui model: ๐๐๐ = ๐ข๐ + ๐๐๐ = rataan umum perlakuan + pengaruh acak = ๐ขฬ
+ (๐ข๐ โ ๐ขฬ
) + ๐๐๐ = ๐ขฬ
+ ๐๐ + ๐๐๐ ; ๐ = 1, 2, โฆ , ๐ก ๐ = 1, 2, โฆ , ๐ dimana:
(1)
๐๐๐ = nilai pengamatan pada perlakuan ke-i dan ulangan ke-j
๐ขฬ
= nilai tengah populasi (population mean) atau rataan umum ๐๐ = (๐ข๐ โ ๐ข)= pengaruh dari perlakuan ke-i ๐๐๐ = galat percobaan dari perlakuan ke-i pada amatan atau ulangan ke-j. Hipotesis yang akan diuji dengan model tetap ini adalah: H0: ๐1 = ๐2 = โฏ = ๐๐ก = 0 H1 : minimal ada satu ๐๐ก โ 0 ( i = 1, 2, โฆ,t) Hipotesis tersebut dirumuskan untuk menguji bahwa tidak ada pengaruh perlakuan terhadap respons atau dengan kata lain pengaruh perlakuan (๐๐ก ) terhadap respon adalah nol (Gasperz, 1991). Tabel 2.1 Tabulasi data pengamatan pada RAL untuk t perlakuan dan r ulangan. Ulangan Perlakua Total n 1 2 r 1 ...... ...... ...... ๐ฆ11 ๐ฆ21 ๐ฆ๐ก1 2 ...... ...... ...... ๐ฆ12 ๐ฆ22 ๐ฆ๐ก2 . . . . . . . . . . . . t . . . . . . Total ...... ...... ...... ๐1 ๐2 ๐๐ก ๐.. Nilai ...... ...... ...... ๐ฬ
1 ๐ฬ
2 ๐ฬ
๐ก ๐ฬ
.. Tengah Sumber data : Gasperz (1991)
2
2.2.2 Uji Asumsi Analisis Variansi . 1. Uji Ketakaditifan. Asumsi ini dimaksudkan untuk memeriksa apakah data percobaan memenuhi asumsi keaditifan atau pengaruh aditif , pengujian ini bisa dilakukan dengan uji tukey . 2. Uji Homogenitas. Asumsi ini dimaksudkan untuk melihat apakah pengaruh perlakuan memiliki ragam yang sama atau tidak. Dalam pengujian asumsi kehomogenan galat dapat digunakan uji Levene. 3. Uji kenormalan. Uji yang digunakan untuk melihat asumsi ini adalah uji Liliefors dimana data yang ada terlebih dahulu disusun dari terkecil sampai terbesar. 4. Uji Kebebasan Galat Asumsi ini dimaksudkan untuk menguji apakah data sampel yang diambil merupakan data yang acak / random. 2.3. Analisis Ragam Setelah uji asumsi terpenuhi maka langkah selanjutnya yaitu analisis variansi, yaitu untuk melihat adakah pengaruh antara variabel bebas dan variabel terikat pada data. Berikut adalah tabel perhitungan untuk analisis ragam : Tabel 2.4 Tabel Analisis ragam percobaan dengan RAL Jumlah Kuadrat Sumber Derajat Kuadrat Tengah F-hitung keragaman bebas (db) (JK) (KT) ๐น๐ป๐๐ก๐ข๐๐ Perlakuan t โ 1 JKP KTP Galat t(r-1) JKG KTG Total t-1+ t(r-1) JKT Sumber data : Gasperz (1991)
F-tabel 5%
1%
Penentuan kaidah keputusan dengan membandingkan nilai F-hitung dengan nilai Ftabel, dengan menggunakan ๐๐ ๐๐๐๐๐๐๐ข๐๐ sebagai ๐1 dan ๐๐ ๐๐๐๐๐ก sebagai ๐2 , pada taraf nyata yang tertera . 1. Jika F-hitung lebih besar daripada F-tabel pada taraf 1%, perbedaan diantara nilai tengah perlakuan (atau pengaruh perlakuan) dikatan sangat nyata.(pada hasil F-hitung ditandai dengan dua tanda **). 2. Jika F-hitung lebih besar dari F-tabel pada taraf 5% tetapi lebih kecil daripada Ftabel pada taraf 1%, perbedaan diantara nilai tengah perlakuan dikatakan nyata.(pada hasil F-hitung ditandai dengan satu tanda * ). 3. Jika F-hitung lebih kecil daripada F-tabel pada taraf 5%, perbedaan antara perlakuan dikatakan tidak nyata .(pada hasil F-hitung ditandai dengan tanda tn). 2.4
Koefisien Polinomial ortogonal untuk perlakuan selang tidak sama Pembahasan akan ditujukan untuk memperoleh koefisien polinomial ortogonal untuk kasus perlakuan yang selangnya tidak sama. Hinkelman dan Kempthorne (2008) memaparkan bahwa suatu polinomial dikatakan ortogonal jika apabila jumlah koefisien polinomial ortogonal dikalikan setiap derajat polinomial akan sama dengan nol (โ๐ก๐=1 ๐๐ ๐๐=0 ) dan apabila koefisien tersebut dijumlahkan akan menghasilkan nol (โ๐ก๐=1 ๐๐ = 0) .
3
2.4.1 Matriks Transformasi Draper dan Smith (1981) memberikan metode untuk mendapatkan gugus koefisien polinomial ortogonal, yaitu transformasi matriks X menjadi suatu matriks dengan kolom โ kolom ortogonal menggunakan persamaan sebagai berikut : ๐๐๐ = (๐ผ โ ๐(๐ โฒ ๐)โ1 ๐ โฒ )๐๐ = ๐๐ โ ๐(๐ โฒ ๐)โ1 ๐ โฒ ๐๐ (38) Dimana, ๐ = ๐๐๐ก๐๐๐๐ ๐๐๐๐ ๐ฃ๐๐๐ก๐๐ ๐๐๐๐๐ ๐ฆ๐๐๐๐ ๐ก๐๐๐โ ๐๐๐ก๐๐๐๐ ๐๐๐๐๐๐ ๐, ๐๐ = ๐ฃ๐๐๐ก๐๐ ๐๐๐๐๐ ๐๐๐๐ ๐๐๐ก๐๐๐๐ ๐ ๐ฆ๐๐๐ ๐๐๐๐ ๐๐๐ก๐๐๐๐ ๐๐๐๐๐๐ ๐, ๐๐๐ = ๐ฃ๐๐๐ก๐๐ ๐๐๐๐๐ ๐ฆ๐๐๐ ๐ก๐๐๐โ ๐๐๐๐ก๐๐๐๐ ๐๐๐๐๐๐ ๐ ๐๐๐ ๐๐๐ก๐๐๐๐๐๐ ๐๐๐๐๐๐ ๐ฃ๐๐๐ก๐๐ ๐๐ ๐ . Dengan menggunakan koefisien ortogonal yang diperoleh maka langkah selanjutnya, ikuti tahap โ tahap yang ada pada metode polinomial ortogonal kemudian susun hasil yang didapat dalam tabel anava . 2.4.2 Metode Eliminasi Gomesz dan Gomesz (1976) menjabarkan cara perhitungannya sebagai berikut . Berikut adalah langkah โ langkahnya : 1. Kodekan tingkat perlakuan dengan nilai bilangan bulat terkecilnya, dengan membagi setiap tingkat perlakuan dengan nilai terkecil pada perlakuan selain nol 2. Notasikan ๐๐ dimana ๐ = 1,2, โฆ , ๐ sebagai kode dari tingkat polinomial ortogonal, jika perlakuannya ada t, maka koefisien yang bisa dibentuk yaitu berderajat t-1 . Linear = ๐ + ๐๐ Quadratic = ๐ + ๐๐๐ + ๐๐2 Cubic = ๐ + ๐๐๐ + ๐๐๐2 + ๐๐3 Dimana a,b,c,d,e,f adalah konstanta yang akan dihitung. Susun angka โ angka yang didapat kedalam tabel . 2.5
Metode Polinomial ortogonal Suatu derajat polinomial ke-n menjelaskan hubungan antara peubah tidak bebas Y dan peubah bebas X disajikan sebagai : ๐ = ๐ผ0 + ๐ผ1 ๐ + ๐ผ2 ๐ 2 + โฏ + ๐ผ๐ ๐ ๐ + ๐ (43) sedangkan ๏ก๏ฐ adalah intersep, ๐ผ๐ (i = 1,...,n) adalah koefisien regresi sebagian yang berhubungan dengan derajat polinomial ke-i, y adalah respon, serta x adalah perlakuan . Cara pembandingan arah berdasarkan polinomial, biasanya lebih dikenal sebagai metode polinomial ortogonal, yakni mencari derajat polinomial terendah yang dapat disajikan secara memadai antara peubah tidak bebas Y (biasanya) ditunjukkan dengan respon tanaman atau respon bukan tanaman. 2.6 Pemilihan Model Regresi Terbaik . 2.6.1 Regresi Polinomial . Gomesz dan Gomesz (1976) memberikan rumus untuk persamaan regresi polinomial derajat m persamaannya adalah : ๐ = ๐ผ0 + ๐ผ1 ๐ฅ + โฏ + ๐ผ๐ ๐ฅ ๐ + ๐i (46) dengan m adalah derajad, x adalah perlakuan, dan ๐ผi , . . ๐ผm adalah parameter regresi . Untuk mencari persamaan regresinya, maka harus dicari persamaan normalnya dengan menggunakan garis regresi polinomial. Bentuk persamaaan garis regresi penduganya adalah sebagai berikut:
4
๐ฬ = ๐0 + ๐1 ๐ฅ + โฏ + ๐๐ ๐ฅ ๐ Keterangan: a0, a1,... am = penduga dari parameter regresi (yaitu ฮฑ0, ฮฑ1,... ฮฑm) . x,...xm = variabel bebas . Untuk mendapatkan nilai parameteernya maka akan dicari persamaan normalnya dengan menggunakan metode kuadrat terkecil dan syarat optimum : ๐
๐=
โ ๐๐2 ๐=1
๐
๐
2
ฬ๐ ) = โ(๐๐ โ ๐0 โ ๐1 ๐ฅ โ โฏ โ ๐๐ ๐ฅ ๐ )2 = โ(๐๐ โ ๐ ๐=1
(48)
๐=1
Syarat optimum adalah : ๐๐ = โ2 โ(๐๐ โ ๐0 โ ๐1 ๐ฅ โ โฏ โ ๐๐ ๐ฅ ๐ ) = 0 ๐๐0 ๐๐ = โ2 โ ๐ฅ(๐๐ โ ๐0 โ ๐1 ๐ฅ โ โฏ โ ๐๐ ๐ฅ ๐ ) = 0 (49) ๐๐1 โฎ ๐๐ = โ2 โ ๐ฅ ๐ (๐๐ โ ๐0 โ ๐1 ๐ฅ โ โฏ โ ๐๐ ๐ฅ ๐ ) = 0 ๐๐๐ 2.6.2 Koefisien determinasi . Koefisien determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Gaspersz (1991) memberikan rumus untuk menghitung nilai koefisien determinasi sebagai berikut : ๐ฝ๐พ๐
๐ ๐
2 (๐๐๐๐๐ ๐๐๐๐๐๐ ๐) = , ๐ ๐ฆ๐๐๐๐ก๐๐ฆ๐ ( 0 โค ๐
2 โค 1 ) (52) ๐ฝ๐พ๐ 2.7 Peramalan Terhadap data . 2.7.1 Peramalan Pengaruh Perlakuan tertentu yang berada dalam selang perlakuan. Dari uji koefisien determinasi model terbaik kemudian yang dipakai menerangkan percobaan ini tentang perlakuan tertentu dalam selang perlakuan pada data, misal model yang didapat yaitu : ๐ฬ = ๐ผ0 + ๐ผ1 ๐ฅ + โฏ + ๐ผ๐ ๐ฅ ๐ Gaspersz (1991) memberikan prosedur untuk melakukan Peramalan Pengaruh Perlakuan tertentu yang berada dalam selang perlakuan. 1. Transformasikan nilai n tersebut kedalam peubah kode sesuai model pers. (47) melalui : ๐ ๐= 25 Sehingga jika X = n, maka T = n/25 . 2. Subtitusikan nilai T = n/25 kedalam persamaan regresi terbaik.
5
2.7.2 Penentuan titik optimum perlakuan agar respon maksimum . Gaspersz (1991) mengatakan ini merupakan persoalan optimasi, dengan menerapkan konsep diferensial terhadap model regresi yang didapat . Untuk mendapatkan nilai optimum tersebut, maka model regresi harus memenuhi 2 syarat, yaitu : 1. dy/dx = 0 (syarat perlu) 2. d2y/dx2 < 0 (syarat cukup). 3. 3.1
METODOLOGI PENELITIAN Sumber Data Data yang digunakan merupakan data sekunder pengaruh pemupukan P terhadap bobot polong isi (gram) buncis varietas mantili (Buku Praktikum, 2014). 3.2 Identifikasi Variabel Tugas akhir ini menggunakan pola rancangan RAL yaitu : Untuk datanya yaitu jenis pupuk terdiri dari 4 taraf perlakuan sebagai berikut : B0 = 0 kg P2O5 / ha B1 = 50 kg P2O5 / ha B2 = 75 kg P2O5 / ha B3 = 100 kg P2O5 / ha Ditetapkan bahwa rancangan acak lengkap bersifat tetap. 3.3 Metode Analisis 1. Mengambil data sekunder yang dirancang dengan RAL 2. Melakukan uji pra analisis variansi (pengujian asumsi) pada data 3. Melakukan prosedur analisis variansi terhadap data 4. Melakukan uji polinomial ortogonal terhadap data 5. Melakukan pemilihan model regresi terbaik . 6. Peramalan terhadap data 7. Kesimpulan . 4. HASIL DAN PEMBAHASAN 4.1 Data pengaruh macam pemupukan P terhadap bobot polong isi (gram) buncis varietas mantili . Tabel 4.1 Data pengaruh macam pemupukan P terhadap bobot polong isi (gram) buncis varietas mantili . Ulangan Total Rata Perlakuan perlakuan rata 1 2 3 B0 18 18 16 52 17,333 B1 40 42 41 123 41 B2 40 32 36 108 36 B3 30 32 30 92 30,666 Total 375 31,25 rata - rata Sumber data : Data olahan (2016) 4.2 Uji Asumsi . 4.2.1 Uji Ketakaditifan (Uji Tukey) Berikut hasil perhitungan analisis ragam uji ketakaditifan :
6
Tabel 4.3 Tabel Anava uji ketakaditifan SK
DB
JK
KT
F-hitung
Tak aditif
1
0.000324
0,000324 0,0000576
Pengujian (sisa)
7
39,33300931
5,619
F-tabel 5% 1% 5,59 12,25
Sumber data : Data olahan (2016) Karena nilai F hitung untuk Tak-aditif = 0,0000576 lebih kecil dari nilai F tabel 5% dan 1%, maka dengan demikian dapat disimpulkan ๐ป0 ditema atau dapat dikatakan asumsi keaditifan telah dipenuhi oleh data tersebut .
4.2.2 Uji Homogenitas (Uji Levene) Berikut adalah hasil perhitungan uji levene pada data menggunakan bantuan dari software SPSS : Test of Homogeneity of Variances Bobot polong isi buncis varietas mantili Levene Statistic
df1
df2
Sig.
1,747
3
8
,235
Sumber data : Data olahan (2016) Karena nilai significant Levene statistic > 0,05 yaitu 0,235 maka galat dianggap menyebar homogen, atau dengan kata lain asumsi homogenitas terpenuhi . 4.2.3 Uji kebebasan galat (Run Test) Berikut adalah hasil perhitungan uji Run Test pada data dengan software SPSS: Runs Test
Test Valuea Cases < Test Value Cases >= Test Value Total Cases Number of Runs Z Asymp. Sig. (2-tailed) a. Median
Bobot polong isi buncis varietas mantili 32,00 5 7 12 5 -,833 ,405
Sumber data : Data olahan (2016) Pada output SPSS untuk Run Test data menunjukan nilai asymtotic significant uji Run test sebesar 0,405 (> 0,05), maka hipotesis nol diterima yang berarti nilai data tersebut bersififat acak. 4.2.4 Uji Kenormalan (uji Lilliefors). Berikut adalah hasil uji Lilliefors pada data dengan bantuan dari software SPSS : Tests of Normality Kolmogorov-Smirnova Statistic df Bobot polong isi buncis ,197 12 varietas mantili *. This is a lower bound of the true significance. a. Lilliefors Significance Correction
Sumber data : Data olahan (2016) 7
Sig.
Shapiro-Wilk Statistic df
Sig.
,200*
,874
,074
12
Karena pada kasus ini data yang dimiliki kurang dari 50 maka yang digunakan adalah analisis Shapiro-Wilk . Karena pada data Dosis Pemupukan (perlakuan), signifikansi > 0,05 atau dengan kata lain 0,074 > 0,05, maka Ho diterima. Jadi dapat disimpulkan bahwa data berdistribusi normal. 4.3
Analisis Variansi . Berdasarkan hasil perhitungan analisis variansi, maka tabel analisisnya adalah : Tabel 4.4 Tabel Analisis ragam percobaan dengan RAL Jumlah Kuadrat F-tabel Sumber Derajat Kuadrat Tengah F-hitung keragaman bebas (db) 5% 1% (JK) (KT) Perlakuan 3 934,916 311,638 63,384** 4,07 7,59 Galat 8 39,333 4,916 Total 11 974,25 Sumber data : Data olahan (2016) Dari tabel diatas terlihat bahwa H1 diterima, maka akan dilanjutkan ke pengujian lanjutan yaitu uji Polinomial ortogonal . 4.4 Koefisien Polinomial ortogonal untuk perlakuan selang tidak sama . 4.4.1 Matriks Transformasi Dengan Rumus (38) akan dincari Koefisien Polinomial Ortogonal dari data . Berikut adalah hasil yang didapat jika ditabelkan, yaitu : Tabel 4.5 Tabel koefisien polinomial ortogonal data berdasarkan matriks transformasi Perlakuan Derajat Polinomial 0 50 75 100 Linear -9 -1 3 7 Kuadratik 5 -8 -4 7 Kubik -1 6 -8 3 Sumber data : Data olahan (2016) Berdasarkan konsep ortogonal, dari setiap derajat polinomial tersebut, apabila jumlah dari koefisien polinomial ortogonal dikalikan setiap derajat polinomial akan sama dengan nol (โ๐ก๐=1 ๐๐ ๐๐=0 ) dan apabila koefisien tersebut dijumlahkan menghasilkan nol (โ๐ก๐=1 ๐๐ = 0), maka dapat disimpulkan bahwa koefisien polinomial ortogonal yang didapat sudah benar . Untuk metode eliminasi setelah dilakukan pengujian hasinya sama dengan matriks transformasi . 4.5 Uji Polinomial Ortogonal. Berikut adalah hasil uji Polinomial Ortogonal yang ditabelkan . Tabel 4.7 Tabel anava sesuai dengan pembandingan polinomial ortogonal data F tabel Sumber db JK KT F hitung keragaman 5% 1% Perlakuan 3 934,916 311,638 63,384** 4,07 7,59 Linear 1 338,402 338,402 68,8276** 5,32 11,26 Kuadratik 1 567,411 567,411 115,405** Kubik 1 29,103 29,103 5,9192* Galat 8 39,333 4,916 Total 11 974,25 Sumber data : Data olahan (2016)
8
Berdasarkan kaidah keputusan uji polinomial ortogonal, karena semua nilai ๐นโ๐๐ก๐ข๐๐ nyata maka diputuskan untuk menolak H0 dan menerima H1 pada setiap derajat yang berarti derajat polinomial linear, kuadratik, dan kubik dapat dibuatkan model regresinya. 4.6 Pemilihan Model Regresi Terbaik . 4.6.1 Regresi Polinomial . 1. Regresi Linear Dengan rumus (48) dan (49), model didapat adalah . ๐ฬ = 23,1713 + 3,5905 ๐ 2. Regresi Kuadratik Dengan rumus (48) dan (49), model didapat adalah . ๐ฬ = 17,630 + 18,554 ๐ โ 3,879 ๐ 2 3. Regresi Kubik Dengan rumus (48) dan (49), model didapat adalah . ๐ฬ = 17,33 + 31,293 ๐ โ 12,463 ๐ 2 + 1,368 ๐ 3 4.6.2 Koefisien determinasi . Berdasarkan Uji koefisien determinasi dari ketiga model regresi yang didapat , yang menunjukkan model persamaan regresi terbaik adalah model kuadratik , yaitu . ๐ฬ = 17,630 + 18,554 ๐ โ 3,879 ๐ 2 dengan nilai kefisien determinasi sebesar 84,09 % . 4.7 Peramalan Terhadap data . 4.7.1 Peramalan Pengaruh Perlakuan tertentu yang berada dalam selang perlakuan . Meramalkan berapa bobot polong isi buncis varietas mantili apabila dipupuk pada dosis 40 kg P2O5/ha . Dengan menggunakan prosedur dari Gasperz (1991) dan persamaan terbaik yang diperoleh , maka nilai dugaan yang didapat tentang bobot polong isi buncis varietas mantili pada dosis pemupukan 40 kg P2O5/ha adalah rata โ rata 57,24664 gram . 4.7.2 Penentuan titik optimum perlakuan agar respon maksimum . Menentukan titik optimum pada dosis pemupukan berapa sebaiknya polong isi buncis varietas mantili dipupuk agar memberikan bobot yang maksimum . Dengan menggunakan syarat maksimum , diperoleh tambahan informasi bahwa dosis pemupukan yang memaksimalkan respon bobot polong isi (gram) adalah dosis pemupukan 59,79 kg P2O5/ha dengan nilai maksimum yang diharapkan sebesar 39,817 gram . 5. 5.1
KESIMPULAN DAN SARAN Kesimpulan Berdasarkan hasil pembahasan metode polinomial ortogonal, maka dapat disimpulkan sebagai berikut: 1. Koefisien polinomial ortogonal yang dihasilkan dengan dua cara adalah sama . 2. Model untuk menggambarkan hubungan fungsional antara respon dan taraf perlakuan kuantitatif pada data adalah model kuadratik yaitu ๐ฬ = 17,630 + 18,554๐ฅ โ 3,879๐ฅ 2 3. Hasil dari peramalan secara interpolasi pada data yaitu : a. Nilai dugaan tentang bobot polong isi buncis varietas mantili pada dosis pemupukan 40 kg P2O5/ha adalah rata โ rata 57,24664 gram . 9
b. Dosis pemupukan yang memaksimalkan respon bobot polong isi (gram) adalah dosis pemupukan 59,79 kg P2O5/ha dengan nilai maksimum yang diharapkan sebesar 39,817 gram . 5.2 Saran Metode polinomial ortogonal yang digunakan dalam skripsi ini adalah metode polinomial ortogonal untuk RAL. Pembaca yang tertarik untuk melanjutkan permasalahannya dapat menggunakan RAK atau RBSL. DAFTAR PUSTAKA Steel, Robert G.D and James H. Torrie. 1995. Prinsip Dan Prosedur Statistika Edisi Kedua. Diterjemahkan oleh Bambang Sumantri. Jakarta : PT. Gramedia . Dewi , Wayan Sumarjaya , Ayu Made Srinandi . Penerapan metode permukaan respons Dalam masalah optimalisasi . 2013 . Skripsi . Bali : Universitas Udayana . Gaspersz, Vincent. 1991. Metode Perancangan Percobaan. Bandung : CV. Armico. Antasari , I .2010 . Penerapan diagnostik sisaan padamodel linier Rancangan acak kelompok lengkap . Skripsi , Universitas Negeri Yogyakarta ,Yogyakarta . Gomez, K.A. dan Gomez, A.A., (1976), Statistical Procedures for agricultural research with emphasis on rice , Los Banos : The International Rice Research Institute . Montgomery, Douglas C. 1991. Design and Analysis of Experiments. New York : John Wiley & Sons. Nazir , M . 1988 . Metode Penelitian, Jakarta : Ghalia Indonesia . Budiono . 2004 .Statistika untuk Penelitian . Surakarta : University Press Sudjana . 1996 . Metode Statistika . Bandung : Penerbit Tarsito . Hinkelmann, K. and Kemptorne, O., (2008), Design and Analysis of Experiments, Second Edition, New York : John Wiley and Sons, Inc . Draper, N.R. dan Smith, H., (1981), Applied Regression Analysis, Second Edition, New York : John Wiley and Sons , Inc . Tim Penyusun . 2014 . Buku Praktikum Perancangan Percobaan . Malang : Universitas Brawijaya . Junaidi. (2010). Tabel distribusi F untuk probabilita 1% dan 5%. Statistics, 2010. http://junaidichaniago.wordpress.com.htm
10