MODUL PELATIHAN - STTIF

MODUL PELATIHAN

PENGENALAN DASAR SOFTWARE MINITAB

DAN SPSS UNTUK STATISTIKA FARMASI

Disusun Oleh:

Wahyu Dwi Lesmono, S. Si

SEKOLAH TINGGI TEKNOLOGI INDUSTRI DAN FARMASI

BOGOR

2017

MODUL PELATIHAN



Disusun Oleh:



BOGOR

2017

MODUL PELATIHAN



Disusun Oleh:



BOGOR

2017

Sekolah Tinggi Teknologi Industri dan Farmasi Bogor

Modul Pelatihan Dasar-Dasar Software Minitab dan SPSS untuk Statistika Farmasii

KATA PENGANTAR

Puji syukur kehadirat Allah SWT, yang telah memberikan rahmat dan

hidayah-Nya sehingga modul pelatihan Dasar-Dasar Software Minitab dan SPSS

untuk Statistika Farmasi diselesaikan dengan baik. Modul ini disusun sebagai

fasilitas materi dalam kegiatan pelatihan dasar-dasar software Minitab dan SPSS

untuk Statistika Farmasi agar bisa berjalan dengan baik.

Modul ini mencangkup langkah-langkah dalam pengoperasian software

Minitab dan SPSS dalam mengolah data statistika deskriptif, metode dasar

statistika, rancangan percobaan, dan rancangan permukaan respon yang sering

digunakan oleh penelitian di bidang farmasi.

Modul ini masih jauh dari sempurna, oleh karena itu di masa mendatang

akan dilakukan berbagai penyempurnaan yang dianggap perlu dan sesuai dengan

kebutuhan peneliti dalam pengolahan dan analisis data program. Semoga, modul

ini dapat memberikan kontribusi yang cukup signifikan dalam menambah

wawasan keilmuan bagi pembaca dan praktikan.

Bogor, Juni 2017

Penyusun


Modul Pelatihan Dasar-Dasar Software Minitab dan SPSS untuk Statistika Farmasiii

DAFTAR ISI

KATA PENGANTAR .................................................................................... i

DAFTAR ISI ................................................................................................... ii

MODUL I: Dasar-Dasar Penggunaan Software Minitab dan SPSS ................ 1

MODUL II: Statistika Deskriptif dengan SPSS .............................................. 11

MODUL III: Dasar-Dasar Rancangan Percobaan dengan SPSS .................... 27

MODUL IV: Metode Statistika Dasar dengan SPSS ...................................... 54

MODUL V: Statistika Deskriptif dengan Minitab........................................... 75

MODUL VI: Dasar-Dasar Rancangan Percobaan dengan Minitab ................ 83

MODUL VII: Optimasi Respon ...................................................................... 98


Modul Pelatihan Dasar-Dasar Software Minitab dan SPSS untuk Statistika Farmasi1

BAB I

DASAR-DASAR PENGGUNAAN SOFTWARE MINITAB DAN SPSS

Program Minitab

Minitab merupakan software statistika yang digunakan untuk melakukan pengolahan

data. Penggunaan software Minitab serupa dengan software Microsoft Excel. Perbedaannya

terletak pada hasil output serta penggunaan dalam melakukan analisa data. Apabila di Microsoft

Excel menggunakan Add-Ins Data Analysis dalam analisa data, sementara itu Minitab bisa

menggunakan menu-menu tertentu dalam analisa data.

Tampilan Utama Minitab

Ruang lingkup Window dalam aplikasi Minitab diantaranya sebagai berikut:

1. Worksheet Window

Worksheet Window merupakan tampilan dalam ruang lingkup Minitab yang memiliki

Worksheet (lembar kerja) yang berisi sel-sel data. Data Window serupa dengan Sheet

yang ada pada aplikasi Microsoft Excel.



BAB I


Program Minitab








1. Worksheet Window






BAB I


Program Minitab








1. Worksheet Window






2. Session Window

Session Window merupakan tampilan dalam ruang lingkup Minitab yang menampilkan

hasil analisis data yang dilakukan.

3. Project Manager Window

Project Manager Window merupakan tampilan dalam ruang lingkup Minitab yang

berfungsi untuk mengatur file serta output window yang tersimpan selama proses

pengolahan data. Project Manager terdiri dari beberapa folder dan window dari suatu

folder.

4. Graph Window

Graph Window merupakan tampilan dalam ruang lingkup Minitab yang menampilkan

grafik data yang muncul secara otomatis jika output berupa grafik.



Menu Bar Minitab

Program Minitab memiliki menu bar yang merupakan menu utama program

Minitab. Beberapa menu utama dalam program Minitab diantaranya sebagai berikut:

1. File

Menu File menyediakan berbagai macam submenu yang berkaitan dengan

menyimpan dan membuka hasil olahan data dan worksheet, mengeksport data,

mencetak grafik, keluar dari program Minitab, dan lain sebagainya.

2. Edit

Menu Edit menyediakan berbagai macam fasilitas sunting (edit) untuk olahan input

data.

3. Data

Menu Data menyediakan berbagai fasilitas submenu untuk melakukan olahan pada

worksheet data.

4. Calc

Menu Calc digunakan untuk menghitung data pada worksheet data, selain itu dapat

digunakan untuk membangkit data acak (random) dari distribusi tertentu.

5. Stat

Menu Stat digunakan untuk melakukan berbagai macam analisis statistika yang

disediakan pada Minitab seperti penampilan statistika deskriptif, uji hipotesis tertentu,

selang kepercayaan, regresi, korelasi, dan lain sebagainya.



6. Graph

Menu Graph merupakan menu untuk menampilkan berbagai Graph selain yang ada

pada submenu Stat.

7. Editor

Menu Editor digunakan untuk melakukan sunting pada Graph di Graph Window dan

Command pada Session Wiondow.

8. Tools

Menu Tools menyediakan berbagai fasilitas untuk menampilkan alat bantu dalam

mengoperasikan pengolahan data di Minitab serta menampilkan berbagai toolbar

pada program Minitab.

9. Window

Menu Window mengatur Window yang muncul dalam pengoperasian Minitab.

10. Help

Menu Help merupakan fasilitas menu bantuan yang berisikan mengenai penjelasan

penggunaan menu dan teori.

11. Assistant

Menu Assistant merupakan fasilitas menu yang mengarahkan dalam menentukan

analisa statistika yang tepat apabila belum mengetahui analisa yang digunakan.

Toolbar Minitab

Toolbar merupakan icon yang terdiri dari sekumpulan tombol gambar untuk menjalankan

suatu perintah dengan cepat yang ditunjukkan pada Gambar berikut:

Sebagai contoh, jika ingin menyimpan hasil olahan data dapat menyimpannya di menu File dan

memilih submenu Save Project As. Dalam toolbar, cukup melakukan klik pada icon bergambar

disket atau untuk menyimpan hasil olahan data.



Program SPSS

Program SPSS (Statistical Package For Social Science) merupakan software statistika

yang digunakan untuk mengolah data dan menganalisa data statistika. Sama halnya dengan

Minitab, program SPSS merupakan program yang populer digunakan bagi kalangan saintis dan

sosial. Penggunaan program SPSS sedikit berbeda dengan Minitab khususnya dalam melakukan

input data.

Tampilan Utama SPSS

Ruang Lingkup dalam melakukan input data pada SPSS terdiri dari dua bagian yang

diantaranya sebagai berikut:

1. Variable View

Variable View merupakan worksheet input data yang digunakan untuk

mendefinisikan suatu variabel pada data. Dalam melakukan input variabel perlu

mendefinisikan beberapa hal tertentu di dalam SPSS:

a. Name : memberikan nama input variabel dalam SPSS. Penamaan input variabel

tidak boleh mengandung spasi atau huruf angka diawal nama input variabel. Jika

ingin memberikan spasi dapat diganti oleh karakter garis bawah (Underscore atau

“_”) atau tanpa spasi sekalipun.

b. Type : memberikan tipe variabel pada input variabel. Tipe variabel dapat berupa

numerik, string (kalimat/huruf), komma, dot, notasi bilangan baku, tanggal,

dollar, dan satuan mata uang tertentu.

c. Width : mengatur panjang karakter yang diizinkan dalam SPSS.

d. Decimals : mengatur panjang angka dibelakang koma (desimal) yang diizinkan

dalam SPSS.



e. Label : memberikan penamaan/label variabel dari input variabel dalam SPSS.

Label digunakan untuk memudahkan pembacaan output dari suatu input variabel

yang dihasilkan dari hasil pengolahan data.

f. Values : memberikan nama dari kode angka tertentu. Values berguna untuk

apabila jenis variabel merupakan variabel ordinal dan nominal.

g. Missing : memberikan kode angka yang dianggap sebagai data hilang.

h. Columns : mengatur panjang kolom untuk data view variabel.

i. Align : mengatur rataan sel pada data view variabel.

j. Measure : memberikan skala pengukuran dari suatu variabel. Apabila variabel

berskala numerik (kuantitatif), baik interval maupun rasio dapat dipilih Scale.

Apabila variabel berskala kategorik (kualitatif) dapat dipilih nominal (untuk

variabel penggolongan) atau ordinal (untuk variabel pengurutan)

2. Data View

Data View merupakan worksheet input data yang digunakan untuk menginput sel-sel

data. Apabila variabel data belum didefinisikan pada Variable View maka ketika

melakukan input pada sel data di Data View akan tampil kata pada kolom variabel

yang tertulis VAR####, oleh karena itu, sebelum melakukan input data pada sel data

di Data View perlu dilakukan input variabel terlebih dahulu untuk memudahkan

dalam melakukan input serta membaca input data tertentu.



Menu Bar SPSS

Program SPSS memiliki menu bar sebagai menu utama dalam melakukan operasi

program SPSS yang diantaranya sebagai berikut:

1. File

Menu File menyediakan berbagai fasilitas submenu dalam mengoperasikan file seperti

menyimpan data, mencetak data, membuka data dari direktori tertentu, dan lain

sebagainya.

2. Edit

Menu Edit menyediakan berbagai fasilitas submenu untuk melakukan sunting (edit) pada

data.

3. View

Menu View digunakan untuk mengubah tampilan program SPSS.

4. Data

Menu Data menyediakan fasilitas submenu dalam melakukan pengolahan data pada Data

View di SPSS.

5. Transform

Menu Transformasi digunakan untuk melakukan transformasi variabel yang terdapat

pada Data View.

6. Analyze

Menu Analyze menyediakan berbagai macam fasilitas analisa data statistika seperti

penyajian data frekuensi, data deskriptif, analisa model linear, model regresi, korelasi,

analisa statistika nonparametrik, dan lain sebagainya.



7. Graph

Menu Graph digunakan untuk menampilkan diagram, plot, dan grafik dari variabel-

variabel tertentu dapat memodifikasi grafik sesuai keinginan.

8. Utilites

Menu Utilities digunakan untuk menampilkan informasi mengenai variabel dari file data

yang sedang aktif.

9. Add-Ons

Menu Add-Ons merupakan menu dalam menambahkan fasilitas tambahan untuk program

SPSS.

10. Window

Menu Window digunakan untuk mengatur serta berpindah tampilan antar Window SPSS.

11. Help

Menu Help merupakan menu bantuan untuk mendapatkan bantuan mengenai fasilitas

yang tersedia di SPSS.

Toolbar SPSS

Toolbar dalam software SPSS digunakan untuk menampilkan serta menjalankan perintah

program dengan cepat. Gambar 5.10 berikut merupakan tampilan Toolbar pada software SPSS.

Penggunaan Toolbar SPSS sama dengan penggunaan Toolbar pada software Minitab serta

software yang lainnya dalam melakukan pengolahan data secara cepat.



Deskripsi Data

Deskripsi Data merupakan teknik penyajian dan peringkasan data sehingga menjadi

informasi yang mudah dipahami. Ringkasan data dapat dibentuk dalam ukuran pemusatan,

ukuran dispersi, dan ukuran penyebaran.

1. Ukuran Pemusatan

Ukuran pemusatan merupakan nilai tunggal yang mewakili semua data atau kumpulan

pengamatan yang nilai tersebut menunjukkan pusat data. Ukuran pemusatan data

diantaranya sebagai berikut:

a. Rata-rata

b. Median

c. Modus

d. Kuantil (Kuartil, Desil, Persentil)

2. Ukuran Dispersi

Ukuran dispersi merupakan suatu ukuran yang menyatakan besarnya penyimpangan

nilai-nilai data dengan nilai pusatnya. Ukuran dispersi data diantaranya sebagai berikut:

a. Simpangan baku

b. Ragam

c. Simpangan rata-rata

d. Range

e. Simpangan kuantil

3. Ukuran Penyebaran

Ukuran penyebaran merupakan suatu ukuran untuk melihat besaran penyebaran yang

terdapat pada suatu data. Ukuran penyebaran data terdiri:

a. Skewness (Kemencengan)

b. Kurtosis (Keruncingan)



Selain itu, data juga dapat disajikan dalam bentuk tabel maupun grafik. Penyajian data dalam

bentuk tabel digolongkan menjadi 3 macam yaitu:

1. Tabel Frekuensi

2. Tabel Distribusi Frekuensi

3. Tabel Kontingensi

Penyajian data dalam bentuk grafik digolongkan berdasarkan skala pengukuran data yaitu:

1. Data Kualitatif (Data Kategorik, yaitu skala Nominal atau Ordinal)

a. Diagram Batang

b. Diagram Lingkaran

2. Data Kuantitatif (Data Numerik, yaitu skala Interval atau Rasio)

a. Histogram

b. Diagram Garis

c. Diagram Pencar (Scatter Plot)

d. Diagram Kotak Garis (Boxplot)

e. Diagram Dahan Daun (Stem-and-Leaf Plot)



BAB II

STATISTIKA DESKRIPTIF DENGAN SPSS

Cara Menampilkan Statistika Deskriptif dengan SPSS

Menu analyze dapat mengelola data yang sudah dimasukkan dalam Data View SPSS,

salah satunya menampilkan statistika deskriptif. Ada beberapa cara umum untuk menampilkan

statistika deskriptif dari suatu data menggunakan software SPSS pada menu Analyze bagian

submenu Descriptive Statistics, yaitu:



1. Frequency

Digunakan untuk tabel frekuensi dan statistika deskriptif masing-masing variabel serta

menampilkan Histogram, Diagram Lingkaran, dan Diagram Batang.

2. Descriptive

Digunakan untuk menampilan statistika deskriptrif dan menyimpan nilai standardisasi z.

3. Explore

Digunakan untuk menampilkan statistika deskriptif berdasarkan faktor-faktor yang

mempengaruhi, menampilkan uji normalitas, menampilkan uji homogenitas berdasarkan

bentuk transformasi, menampilkan diagram dahan daun, dan menampilkan boxplot.

4. Crosstab

Digunakan untuk menampilkan tabel tabulasi silang (Crosstab) atau tabel kontingensi

dari dua atau lebih variabel kategorik, menampilkan nilai harapan, persentase, dan

residual dari tabel tabulasi silang, menampilkan uji korelasi kategorik seperti Chi-Square,

Pearson Chi-Square, Contingency, Phi, Gamma, Somers, Kendall, dan lain-lainnya.

Contoh 1

Seorang peneliti di rumah sakit melakukan pengumpulan data mengenai karakteristik

responden mengenai perbedaan kepuasan orang tua pasien anak rawat jalan terhadap pelayanan

obat racikan dan non racikan di BLUD RS Sekarwangi. Pengumpulan data dilakukan dengan

membagikan kuesioner kepada orang tua pasien anak rawat jalan. Berikut merupakan sampel 10

responden yang terkumpul:

NoUsia OrangTua Pasien

Jenis KelaminOrang Tua Pasien

Pendidikan OrangTua Pasien

Pekerjaan Orang TuaPasien

Pendapatan PerBulan

1 28 Perempuan SMA Ibu Rumah Tangga 1,200,000

2 38 Perempuan SMP Ibu Rumah Tangga 1,350,000

3 37 Perempuan SD Ibu Rumah Tangga 950,000

4 40 Laki-laki SMA Wiraswasta 2,750,000

5 30 Laki-laki SMP Karyawan Swasta 3,000,000





10 37 Laki-laki SD Karyawan Swasta 2,500,000



Langkah-Langkah Input Data di SPSS

1. Klik Variable View untuk mendefinisikan kolom variabel terlebih dahulu seperti gambar

dibawah:

2. Input data seperti gambar dibawah

Dengan Values diisi sebagai berikut sebagai berikut:

JK:

Value Label

1 Perempuan

2 Laki-Laki

Pendidikan:

Value Label

1 SD

2 SMP

3 SMA



Pekerjaan:

Value Label

1 Ibu Rumah Tangga

2 Wiraswasta

3 Karyawan Swasta

3. Klik Data View untuk menginput data pada Tabel 2.1 sebagai berikut:

JK, Pendidikan, dan Pekerjaan harus diinput sesuai dengan angka pada Values Label.

Misalnya, apabila baris satu pada kolom JK dituliskan Perempuan maka tidak akan

muncul pada sel. Oleh karena itu, variabel kategorik harus diinput menggunakan angka.

4. Untuk menampilkan label dari masing-masing angka pada variabel kategorik, dapat

dilakukan dengan klik View, dan klik Value Labels



Sehingga data variabel kategorik yang awalnya berupa angka, berubah menjadi label

yang sesuai dengan yang sudah diinputkan di Variable View.

5. Dari data tersebut, sudah bisa dilakukan pengolahan data untuk menampilkan statistika

deskriptif, tabel frekuensi, tabel kontingensi, dan berbagai jenis grafik, diagram, maupun

plot yang diinginkan.

Langkah-Langkah Menampilkan Tabel Frekuensi

1. Klik Analyze → Klik Descriptive Statistics → Frequency

2. Pada tampilan frequencies. klik Jenis Kelamin Orang Tua Pasien > klik Tombol Panah

Kanan . Kemudian Klik Pendidikan Orang Tua Pasien > Klik Tombol Panah Kanan



. Kemudian Klik Pekerjaan Orang Tua Pasien > Klik Tombol Panah Kanan .

Dan ceklis display frequency tables seperti digambar berikut:

3. Klik OK. Maka akan muncul Output sebagai berikut:

Output diatas menunjukkan banyaknya sampel dari setiap variabel yang valid (ada) dan

yang hilang. Dalam hal ini dapat disimpulkan mengenai data yang diperoleh bahwa

seluruh responden telah mengisi data diri mengenai jenis kelamin orang tua pasien,

pendidikan orang tua pasien, dan pekerjaan orang tua pasien serta tidak ada responden

yang tidak mengisi jenis kelamin, pendidikan, dan pekerjaannya.



Hasil Output diatas merupakan hasil tabel frekuensi dari setiap variabel kategorik Jenis

Kelamin Orang Tua Pasien, Pendidikan Orang Tua Pasien, dan Pekerjaan Orang Tua

Pasien yang terdiri dari jumlah frekuensi, persentase, valid Percent, dan Cumulative

Percent. Berdasarkan data yang didapat dari hasil olahan data yang ada, dapat

disimpulkan bahwa orang tua pasien yang berkunjung di rumah sakit untuk mendapatkan

pelayanan obat racikan dan non racikan di BLUD RS Sekarwangi lebih banyak dikunjung

oleh orang tua pasien berjenis kelamin perempuan sebesar 60%, pendidikan terakhir SMP

dan SMA sebesar 40%, dan bekerja sebagai Ibu Rumah Tangga sebesar 60% dari total

responden yang didata.



Langkah-Langkah Menampilkan Statistika Deskriptif

1. Klik Analyze → Klik Descriptive Statistics → Frequency

2. Pada tampilan Frequencies, keluarkan semua yang ada di kotak Variable(s) dengan klik

variabel dan klik tanda panah kiri satu per satu. Kemudian klik Usia Orang Tua

Pasien > klik Tombol Panah Kanan . Kemudian Klik Pendapatan Per Bulan > Klik

Tombol Panah Kanan . Dan ceklis display frequency tables seperti digambar

berikut:

3. Klik tombol Statistics. Ceklis Mean, Median, Mode, Sum, Std. Deviation, Variance,

Range, Minimum, dan Maximum sesuai pada gambar dibawah:



4. Klik Continue. Maka akan muncul Output sebagai berikut:

Hasil output diatas menunjukkan tabel statistika deskriptif berdasarkan variabel Usia

Orang Tua Pasien dan Pendapatan Per Bulan yang terdiri dari informasi mengenai jumlah

sel yang ada pada variabel (N Valid), sel yang hilang (N Missing), Mean, Median,

Modus (Mode), Std. Deviation (Standar Deviasi/Simpangan Baku), Variance

(Varians/Ragam), Range (Jarak), Minimum, Maximum (Maksimum), dan Sum (Jumlah.

Nilai mode 37.00a pada variabel Usia Orang Tua Pasien menunjukkan bahwa terdapat

lebih dari satu nilai modus, sehingga SPSS hanya menampilkan nilai modus terkecil pada

data. Sementara itu, nilai Variance 5.217E11 pada variabel Pendapatan Per Bulan

merupakan nilai dalam bentuk notasi baku 115.217 10 .



Hasil output diatas menunjukkan tabel frekuensi untuk variabel numerik Usia Orang Tua

Pasien dan Pendapatan Per Bulan untuk memperoleh informasi mengenai jumlah atau

persentase angka yang muncul dari masing-masing variabel pada data yang diperoleh.



Langkah-Langkah Menampilkan Tabel Tabulasi Silang

Contoh berikut menampilkan tabel tabulasi silang pada variabel Pendidikan Orang Tua Pasien

dan Pekerjaan Orang Tua Pasien.

1. Klik Analyze → Klik Descriptive Statistics → Crosstab

2. Pada tampilan Crosstabs, klik Pendidikan Orang Tua Pasien ke tanda panah kanan

pada kotak Row(s). Kemudian klik Pekerjaan Orang Tua Pasien ke tanda panah kanan

seperti pada gambar berikut:



Keterangan: tidak ada aturan khusus mengenai variabel apa saja yang dimasukkan

dalam Row(s) (Baris) maupun Column(s) (Kolom) pada tampilan Crosstabs.

3. Klik OK. Maka akan muncul output sebagai berikut:

Hasil output diatas merupakan tabel tabulasi silang antara Pendidikan Orang Tua Pasien

dengan Pekerjaan Orang Tua Pasien. Tabel tersebut memberikan informasi mengenai

jumlah orang tua pasien yang berkunjung di rumah sakit untuk mendapatkan pelayanan

obat racikan dan non racikan di BLUD RS Sekarwangi berdasarkan gabungan Pendidikan

Orang Tua Pasien dan Pekerjaan Orang Tua Pasien. Sebagai contoh, banyaknya orang tua

pasien dengan pendidikan terakhir SMP dan bekerja sebagai Ibu Rumah Tangga sebesar

3 orang.



Langkah-Langkah Menampilkan Diagram Batang

Contoh berikut menampilkan diagram batang rata-rata pendapatan per bulan orang tua pasien

berdasarkan pendidikan terakhir:

1. Klik Graphs → Legacy Dialogs → Bar…

2. Pada tampilan Bar Charts pilih Simple. Pada Data in Chart Are dipilih “Summaries for

Groups of Cases” seperti gambar dibawah. Klik Define.



3. Pada tampilan Define Simple Bar: Summaries for Groups of Cases pilih “Other Statistic

(e.g. mean)”. Kemudian klik variabel Pendapatan Per Bulan dan klik tanda panah kanan

pada kotak Variabel. Kemudian klik variabel Pendidikan Orang Tua Pasien dan

klik tanda panah kanan pada kotak Category Axis seperti pada gambar berikut:

4. Klik OK. Maka akan keluar output sebagai berikut:



5. Hasil diagram batang diatas sedikit sulit untuk dilakukan intepretasi karena kurangnya

label angka pada data. Untuk menampilkan label angka dari masing-masing batang,

dapat dilakukan dengan klik kanan pada diagram batang, pilih Edit Content, klik In

Separate Window

6. Pada tampilan Chart Editor klik icon Show Data Label menampilkan label angka

dari masing-masing batang. Kemudian Close tampilan Properties dan Close tampilan

Chart Editor. Dengan demikian, setiap batang memiliki label angka pada output diagram

batang sebagai berikut:



Hasil diagram batang diatas dapat dilakukan intepretasi mengenai karakteristik rata-rata

pendapatan per bulan orang tua pasien yang ingin mendapatkan pelayanan obat racikan

dan non racikan di BLUD RS Sekarwangi berdasarkan pendidikan terakhir orang tua

pasien. Sebagai contoh, rata-rata pendapat per bulan orang tua pasien dengan pendidikan

terakhir SMA yang mendapatkan pelayanan obat racikan dan non racikan di BLUD RS

Sekarwangi sebesar Rp. 2.050.000, yang merupakan rata-rata pendapat per bulan

tertinggi dibandingkan dengan pendidikan terakhir SMP sebesar Rp. 1.837.500 dan

pendidikan terakhir SD sebesar Rp. 1.725.000.



BAB III

DASAR-DASAR RANCANGAN PERCOBAAN DENGAN SPSS

Pengolahan Data Rancangan Percobaan dengan SPSS

Menu analyze dapat mengolah data yang sudah dimasukkan dalam Data View SPSS

selain statistika deskriptif, yaitu dapat mengolah data rancangan percobaan (desain eksperimen).

Untuk kasus Rancangan Acak Lengkap, dapat menggunakan dua cara:

Menggunakan submenu Compare Mean → One-Way ANOVA

Menggunakan submenu General Linear Model → Univariate



Sementara itu, untuk Rancangan Percobaan selain Rancangan Acak Lengkap, seperti Rancangan

Acak Kelompok, Rancangan Bujur Sangkar Latin, Faktorial Rancangan Acak Lengkap, dan lain-

lainnya, dapat menggunakan submenu General Linear Model → Univariate. Dalam praktek ini,

digunakan submenu General Linear Model → Univariate.

Contoh 1 (Rancangan Acak Lengkap)

Suatu penelitian di laboratorium mencit dan tikus putih dilakukan untuk mengetahui

pengaruh pemberian berbagai kombinasi formula kalsium dan magnesium terhadap pertumbuhan

akhir tinggi tikus putih dari pemberian berbagai formula kalsium yang berbeda. Formula kalsium

yang diberikan terdiri dari 5 macam, formula kontrol positif dengan pemberian formula kalsium

550 mg tanpa magnesium, formula 1 dengan pemberian kalsium 300 mg + magnesium 300 mg,

formula 2 dengan pemberian kalsium 200 mg + magnesium 200 mg, formula 3 dengan

pemberian kalsium 100 mg + magnesium 100 mg, dan formula kontrol negatif dengan pemberian

aquades. Masing-masing formula dibetikan kepada 5 tikus putih berumur 5-7 bulan sesuai

dengan kombinasi formula kalsium dan magnesium yang tersedia selama 30 hari. Hasil

pengukuran tinggi tikus putih ditunjukkan pada tabel berikut:

Tinggi Tikus Putih (cm) Berdasarkan FormulaKontrol

(+)Formula

1Formula

2Formula

3Kontrol

(-)20 21 17 15 1122 19 12 12 925 19 15 14 1225 23 16 10 13

Sumber: Simulasi.



Langkah-Langkah Input Data Rancangan Acak Lengkap dengan SPSS

1. Input Variabel di Variabel View terlebih dahulu seperti gambar dibawah ini:

Dengan Values pada Formula diisi dengan:

1 = Kontrol +

2 = Formula 1

3 = Formula 2

4 = Formula 3

5 = Kontrol –

2. Input Sel Data di Data View sebagai berikut:

Klik View → Value Label



Langkah-Langkah Pengolahan Data Rancangan Acak Lengkap dengan SPSS

Dalam praktek ini, digunakan dua cara dalam melakukan pengolahan data rancangan

acak lengkap dengan menggunakan software SPSS.

Cara 1: Menggunakan Compare Mean → One-Way ANOVA

1. Klik Analyze → Compare Mean → One-Way ANOVA

2. Klik variabel Tinggi Tikus Putih dan klik tanda panah kanan ke kotak Factor

Dependent List → Klik variabel Formula Kalsium+Magnesium dan klik tanda panah

kanan ke kotak Factor → Klik Options

3. Pada bagian Statistics, ceklis Descriptive dan Homogeneity of variance test →

Missing Value dipilih Excluded cases analysis by analysis → klik Continue.



4. Klik OK, maka akan muncul output sebagai berikut:

Output diatas merupakan tabel hasil statistika deskriptif yang digunakan untuk

mengetahui gambaran umum/karakteristik faktor yang mempengaruhi respon dari

masing-masing perlakuan yang terdiri dari kolom:

N: Banyaknya pengulangan/sampel dari setiap perlakuan.

Mean: Rata-rata hasil respon dari setiap perlakuan.

Std. Deviation: Simpangan baku hasil respon dari setiap perlakuan.

Std. Error: Simpangan galat/error hasil respon dari setiap perlakuan.

95% Confidence Interval for Mean: Selang kepercayaan 95% untuk rata-

rata, yang digunakan untuk menunjukkan bahwa dengan tingkat kepercayaan

sebesar 95% dipastikan bahwa nilai dugaan rata-rata yang sebenarnya terletak

diantara Lower-Bound hingga Upper Bound. Dan digunakan untuk uji 1-

sampel rata-rata bahwa nilai dugaan rata-rata dapat menerima hipotesis H0



apabila nilai rata-rata berada diantara Lower-Bound hingga Upper Bound pada

tingkat kepercayaan 95%.

Minimum: Nilai minimum hasil respon dari setiap perlakuan.

Maximum: Nilai maximum hasil respon dari setiap perlakuan.

Hasil output diatas merupakan tabel hasil uji Homogenitas dengan menggunakan

metode uji Levene. Berikut merupakan hipotesis uji Homogenitas dengan

menggunakan metode uji Levene:

H0: Setiap sepasang perlakuan memiliki keragaman yang sama terhadap respon

ATAU

Keragaman respon yang diberikan dari berbagai perlakuan berasal dari

populasi satuan pengamatan yang homogen.

H1: Ada sepasang perlakuan memiliki keragaman yang berbeda terhadap respon

ATAU


populasi satuan pengamatan yang tidak homogen.

Dengan kriteria keputusan:

Tolak H0 apabila nilai 1 2; ,df dfL F atau nilai Sig .

Terima H0 apabila nilai 1 2; ,df dfL F atau nilai Sig .

Dari hasil output diatas diperoleh bahwa nilai 0.05;4,50.348 5.192L F atau

nilai 0.841 0.05Sig yang mengindikasikan bahwa hipotesis H0 diterima

yang menyatakan bahwa keragama tinggi tikus putih yang diberikan dari berbagai

kombinasi formula berasal dari populasi tikus putih yang homogen. Dengan

diterimanya hipotesis H0, maka asumsi homogenitas pada rancangan acak lengkap



terpenuhi sehingga dapat dilakukan pengujian selanjutnya dengan menggunakan uji

ANOVA.

Output diatas merupakan tabel uji ANOVA yang terdiri dari kolom sebagai berikut:

Sum of Squares: Jumlah Kuadrat

df: Derajat Bebas (Degree of Freedom)

Mean Square: Kuadrat Tengah

F: Nilai hitungF

Sig.: Nilai signifikansi atau nilai P-Value

Dengan baris keragaman:

Between Groups (BG): Perlakuan (Antar Perlakuan)

Within Groups (WG): Error/Galat (Dalam Perlakuan)

Total: Total

Dalam hasil output SPSS, cukup memperhatikan baris Between Groups pada kolom

nilai F atau Sig untuk pengambilan keputusan hipotesis pada uji ANOVA. Jika

memperhatikan pada kolom F, maka keputusan hipotesis harus dibandingkan dengan

nilai ; ;BG WGtabel df dfF F . Jika memperhatikan pada kolom Sig maka keputusan

hipotesis harus dibandingkan dengan nilai taraf nyata atau . Berikut merupakan

hipotesis uji ANOVA:



H0: Setiap sepasang perlakuan memberikan pengaruh perlakuan yang sama

terhadap respon yang dihasilkan.

ATAU

Tidak ada perbedaan pemberian perlakuan terhadap respon yang dihasilkan.

H1: Ada sepasang perlakuan yang memberikan pengaruh perlakuan yang berbeda

terhadap respon yang dihasilkan

ATAU

Ada perbedaan pemberian perlakuan terhadap respon yang dihasilkan.


Tolak H0 apabila nilai ; ,BG WGhitung df dfF F atau nilai Sig .

Terima H0 apabila nilai ; ,BG WGhitung df dfF F atau nilai Sig .

Dari hasil output SPSS diperoleh bahwa nilai 0.05;4,1523.036 3.056hitungF F atau

0.000 0.05Sig yang menunjukkan bahwa hipotesis H0 ditolak. Artinya

ada perbedaan pemberian kombinasi formula terhadap pertumbuhan tinggi tikus

putih. Oleh karena itu, harus dilakukan uji lanjut untuk mengetahui pasangan

kombinasi formula apa saja yang memberikan hasil pertumbuhan tinggi tikus yang

sama. Berikut langkah untuk melakukan uji lanjut:

1. Klik Analyze → Compare Mean → One-Way ANOVA

2. Klik Post Hoc

3. Ceklis uji lanjut yang diinginkan. Dalam contoh praktek ini, ceklis Tukey dan

Duncan → Significance level dipilih 0.05 → Continue



4. Klik OK maka akan muncul output sebagai berikut:

Hasil output tabel diatas merupakan hasil uji lanjut dengan menggunakan uji

Tukey HSD (Honest Significance Difference) dalam bentuk tabel pembanding

ganda (Multiple Comparions) yang terdiri dari kolom sebagai berikut:

Mean Difference (I-J): Selisih rata-rata perlakuan ke-i dan ke-j.

Std. Error: Simpangan galat/error dari selisih rata-rata perlakuan ke-i dan

ke-j.



Sig: Nilai signifikansi atau nilai P-Value berdasarkan metode uji lanjut

yang digunakan dari setiap selisih rata-rata perlakuan ke-i dan ke-j.

95% Confidence Interval: Selang kepercayaan 95% yang digunakan

untuk mengetahui bahwa nilai dugaan selisih rata-rata yang sebenarnya

berada terletak diantara Lower Bound hingga Upper Bound pada tingkat

kepercayaan sebesar 95%. Atau digunakan untuk menguji perbedaan hasil

respon dari pasangan pemberian perlakuan. Apabila nilai selang

kepercayaan selisih rata-rata memuat nilai selisih rata-rata 0, maka

pasangan pemberian perlakuan memberikan rata-rata hasil respon yang

sama.

Untuk mengetahui adanya pasangan perlakuan yang memberikan pengaruh yang

berbeda, dilihat dari kolom Mean Difference (I-J). Jika ada angka yang memiliki

tanda bintang “*”, maka pasangan perlakuan tersebut memberikan pengaruh yang

berbeda terhadap respon. Sebagai contoh:

Kontrol (+) dengan Formula 1 karena tidak ada tanda bintang, maka

dikatakan bahwa pasangan Kontrol (+) dengan Formula 1 memberikan

pengaruh perlakuan yang sama terhadap tinggi tikus putih.

Kontrol (+) dengan Formula 2 karena ada tanda bintang, maka dikatakan

bahwa psangan Kontrol (+) dengan formula 2 memberikan pengaruh

perlakuan yang berbeda terhadap tinggi tikus putih.

Formula 2 dengan Formula 3 karena tidak ada tanda bintang, maka

dikatakan bahwa pasangan Formula 2 dengan Formual 3 memberikan

pengaruh perlakuan yang sama terhadap tinggi tikus putih.

Formula 3 dengan Formula 1 karena ada tanda bintang, maka dikatakan

bahwa psangan Kontrol (+) dengan formula 2 memberikan pengaruh

perlakuan yang sama terhadap tinggi tikus putih.

Dan seterusnya…



Hasil Tabel di atas menunjukkan hasil uji lanjut Tukey HSD dan uji lanjut Duncan

dalam bentuk Tabel Homogeneous Subsets. Cara membaca tabel di atas dilihat

dari kolom subset dan disesuaikan dengan perlakuan disampingnya. Apabila

terdapat angka dalam satu subset, maka pasangan perlakuan pada angka yang

berada dalam satu subset yang sama memiliki pengaruh perlakuan yang sama

terhadap respon. Sebagai contoh untuk uji lanjut Tukey HSD:

Pasangan perlakuan Formula Kontrol (-), Formula 3, dan Formula 2

berada di dalam satu subset yang sama (yaitu subset 1), yang artinya

pemberian perlakuan Formula Kontrol (-), Formula 3, dan Formula 2

memberikan pengaruh pertumbuhan tinggi tikus putih yang sama.

Pasangan perlakuan Formula 1 dan Kontrol (+) berada di dalam satu

subset yang sama (yaitu subset 2), yang artinya pemberian perlakuan

Formula 1 dan Kontrol (+) memberikan pengaruh pertumbuhan tinggi

tikus putih yang sama.

Pasangan perlakuan Formula 3 berada di subset 1, sementara itu Formula 2

berada di subset 2. Artinya pemberian perlakuan Formula 3 dan Formula 2

memberikan pengaruh pertumbuhan tinggi tikus putih yang berbeda.



Sebagai contoh untuk uji lanjut Duncan:

Pasangan perlakuan Kontrol (-) dan Formula 3 berada di dalam satu subset

yang sama (yaitu subset 1) walaupun Formula 3 juga ada di subset yang

berbeda (yaitu subset 2), maka pemberian Kontrol (-) dan Formula 3

memberikan pertumbuhan tinggi tikus putih yang sama.

Pasangan perlakuan Formula 3 dan Formula 2 berada di dalam satu subset

yang sama (yaitu subset 2), maka pemberian Formula 3 dan Formula 2

memberikan pertumbuhan tinggi tikus putih yang sama.

Pasangan perlakuan Formula 1 dan Kontrol (+) berada di dalam satu

subset yang sama (yaitu subset 3), maka pemberian Formula 1 dan Kontrol

(+) memberikan pengaruh pertumbuhan tinggi tikus putih yang sama.

Pasangan perlakuan Kontrol (-) berada di subset 1 dan Formula 2 berada di

subset 2, maka pemberian Kontrol (-) dan Formula 2 memberikan

pengaruh pertumbuhan tinggi tikus putih yang berbeda.

Pasangan perlakuan Formula 2 berada di subset 2 dan Formula 1 berada di

subset 1, maka pemberian Formula 2 dan Formula 1 memberikan pengaruh

pertumbuhan tinggi tikus putih yang berbeda.



Cara 2: Menggunakan General Linear Model → Univariate

1. Klik Analyze → General Linear Model → Univariate

2. Klik Variable Tinggi Tikus Putih dan klik tombol panah kanan di kotak Dependent

Variable → Klik Variable Formula Kalsium+Magnesium dan klik tanda panah kanan

di kotak Fixed Factor(s) → Klik tombol Options…



3. Pada bagian Display ceklis Descriptive Statistics dan Homogeneity tests →

Significance Levels diisi 0.05 → Klik tombol Continue

4. Klik tombol OK maka akan muncul Output sebagai berikut:

Tabel diatas merupakan hasil statistika deskriptif yang menggambarkan gambaran

umum mengenai tinggi tikus putih setelah diberikan kombinasi formula kalsium dan

magnesium dengan kolom tabel berupa nama perlakuan, rata-rata hasil respon,

simpangan baku hasil respon, dan banyaknya pengulangan dari masing-masing

respon (N). Hasil output diatas berbeda dengan menggunakan submenu Compare



Mean → One-Way ANOVA yang terdapat kolom simpangan galat hasil respon, nilai

selang kepercayaan, nilai minimum hasil respon, dan nilasi maksimum hasil respon.

Hasil tabel diatas merupakan hasil uji homogenitas dengan menggunakan metode

Levene. Hipotesis uji homogenitas dengan uji Levene sebagai berikut:

H0: Keragaman galat/error pada variabel bergantung/terikat adalah sama di setiap

perlakuan.

ATAU

Setiap sepasang perlakuan memiliki keragaman yang sama terhadap respon

ATAU


populasi satuan pengamatan yang homogen.

H1: Keragaman galat/error pada variabel bergantung/terikat adalah berbeda di

setiap perlakuan.

ATAU

Ada sepasang perlakuan memiliki keragaman yang berbeda terhadap respon

ATAU


populasi satuan pengamatan yang tidak homogen.


Tolak H0 apabila nilai 1 2; ,hitung df dfF F atau nilai Sig .

Terima H0 apabila nilai 1 2; ,hitung df dfF F atau nilai Sig .



Dari hasil output SPSS menunjukkan bahwa nilai 0.841 0.05Sig yang

menandakan bahwa uji homogenitas dengan uji Levene terima H0 yang

mengindikasikan bahwa keragaman tinggi tikus putih yang dihasilkan dari berbagai

pemberian kombinasi formula berasal dari populasi tikus putih yang homogen.

Sehingga asumsi rancangan acak lengkap terpenuhi dan dapat digunakan untuk

pengujian dengan menggunakan analisis ragam (Analysis of Variance/ANOVA).

Hasil tabel diatas merupakan tabel output analisis ragam mengenai model pengaruh

pemberian formula terhadap tinggi tikus putih. Arti masing-masing kolom:

Source : Sumber Keragaman

Type III Sum of Squares : Jumlah Kuadrat Tipe III

df : Derajat Bebas (Degree of Freedom)

Mean Square : Kuadrat Tengah

F : Nilai hitungF

Sig. : Nilai Signifikan/Nilai P-Value]

Dalam hasil output SPSS, cukup memperhatikan baris Perlakuan pada kolom Source

(Diantara baris Intercept dan Error), yaitu “Formula”. Dalam hal ini, dapat diberikan

kesimpulan secara langsung mengenai hipotesis yang diperoleh dari hasil output

SPSS dengan melihat nilai Sig pada baris “Formula” dengan membandingkan nilai

taraf nyata. Hasil SPSS pada baris Formula menunjukkan nilai

0.000 0.05Sig , maka hipotesis H0 ditolak yang menunjukkan bahwa



terdapat perbedaan pemberian kombinasi formula kalsium dan magnesium terhadap

tinggi tikus putih.

Karena terdapat perbedaan kombinasi formula yang diberikan, dapat dilakukan uji

lanjut untuk mengetahui pasangan formula apa saja yang memberikan pengaruh yang

sama dan pengaruh yang berbeda terhadap tinggi tikus. Berikut langkah untuk

melakukan uji lanjut:


2. Klik Post Hoc

3. Pada kotak Factor(s), klik Formula dan klik tanda panah kanan → ceklis uji lanjut

yang diinginkan. Dalam contoh praktek ini, ceklis Tukey dan Duncan → Continue

4. Klik OK maka akan muncul output sebagai berikut:



Hasil Tabel di atas menunjukkan hasil uji lanjut Tukey HSD dan uji lanjut Duncan

dalam bentuk Tabel Multiple Comparisons (untuk uji lanjut Tukey HSD) dan

Tabel Homogeneous Subsets (untuk uji lanjut Tukey HSD dan Duncan). Hasil

output diatas sama dengan output pada submenu Compare Mean → One-Way

ANOVA.



Contoh 2 Rancangan Acak Kelompok

Suatu eksperimen dilakukan untuk studi pengukuran kemampuan banyaknya pemberian

nitrogen dalam menghasilkan Nitrogen Nitrat pada dahan tanaman gandum. Ada enam jenis

banyaknya pemberian nitrogen., yaitu “kontrol” tidak diberi nitrogen, 2 kali, 3 kali, 4 kali, 5 kali,

dan 6 kali, masing-masing taraf pemberian nitrogen dilakukan di empat 4 jenis lahan yang

berbeda. Hal ini dikarenakan setiap lahan memiliki arah aliran irigasi yang berbeda yang

membuat tingkat kesuburan lahan tanaman juga berbeda. Tabel berikut adalah merupakan hasil

kandungan nitrogen nitrat pada dahan tanaman Gandum 210ppm pada perlakuan enam jenis

pemberian nitrogen dalam empat jenis lahan:

BanyaknyaPemberianNitrogen

Jenis Lahan

1 2 3 4

0 34.98 41.22 36.94 39.97

2 40.89 46.69 46.65 41.9

3 42.07 49.42 52.68 42.91

4 37.18 45.85 40.23 39.2

5 37.99 41.99 37.61 40.25

6 34.89 50.15 44.57 43.29Sumber: Kuehl, R.O. (2000)

Langkah-Langkah Input Data Rancangan Acak Kelompok dengan SPSS


Dengan Value:

Nitrogen:

Value Label

1 Nitrogen 0 kali

2 Nitrogen 2 kali

3 Nitrogen 3 kali

4 Nitrogen 4 kali

5 Nitrogen 5 kali

6 Nitrogen 6 kali



Lahan:

Value Label

1 Jenis Lahan 1

2 Jenis Lahan 2

3 Jenis Lahan 3

4 Jenis Lahan 4





Langkah-Langkah Pengolahan Data Rancangan Acak Kelompok dengan SPSS


2. Klik Variable Kandungan Nitrogen Nitrat dan klik tombol panah kanan di kotak

Dependent Variable → Klik Variable Banyaknya Pemberian Nitrogen dan klik tanda panah

kanan di kotak Fixed Factor(s) → Klik Variable Jenis Lahan dan klik tanda panah kanan di

kotak Fixed Factor(s) → Klik tombol Model…

3. Pada Specify Model, klik Custom → Klik Nitrogen dan klik tanda panah kanan pada Build

Term(s) → Klik Lahan dan klik tanda panah kanan pada Build Term(s) → Klik Continue

→ Klik tombol Post Hoc



4. Pada kotak Factor(s), klik Nitrogen dan klik tanda panah kanan → klik Lahan dan klik

tanda panah kanan → ceklis uji lanjut yang diinginkan. Dalam contoh praktek ini, ceklis

Tukey dan Duncan → Continue → Klik tombol Options

5. Pada bagian Display ceklis Descriptive Statistics dan Homogeneity tests → Significance

Levels diisi 0.05 → Klik tombol Continue



6. Klik tombol OK maka akan muncul Output sebagai berikut:

Descriptive Statistics

Dependent Variable:Kandungan Nitrogen Nitrat

Banyaknya

Pemberian

Nitrogen Jenis Lahan Mean Std. Deviation N

Nitrogen 0 kali Jenis Lahan 1 34.9800 . 1

Jenis Lahan 2 41.2200 . 1



Total 38.2775 2.83932 4





Total 44.0325 3.07335 4



Descriptive Statistics

Dependent Variable:Kandungan Nitrogen Nitrat

Banyaknya

Pemberian

Nitrogen Jenis Lahan Mean Std. Deviation N





Total 46.7700 5.12966 4





Total 40.6150 3.71281 4





Total 39.4600 2.05007 4





Total 43.2250 6.30452 4

Total Jenis Lahan 1 38.0000 2.97933 6

Jenis Lahan 2 45.8867 3.69510 6

Jenis Lahan 3 43.1133 6.04750 6

Jenis Lahan 4 41.2533 1.68407 6

Total 42.0633 4.69512 24



Hasil Output tersebut menunjukkan gambaran umum mengenai pengaruh banyaknya

pemberian nitrogen terhadap kandungan nitrogen nitrat berdasarkan jenis lahan yang

digunakan. Karena pengulangan dari masing-masing pasangan faktor banyaknya

pemberian nitrogen dan faktor jenis lahan hanya 1, maka nilai simpangan baku tidak

dapat ditampilkan di SPSS.

Hasil tabel output diatas merupakan uji homogenitas dengan menggunakan metodeuji Levene. Karena nilai hitungF dan nilai Sig tidak ada, maka Rancangan Acak

Kelompok tidak dapat dilakukan uji lanjut. Hal tersebut dikarenakan banyaknya

ulangan pada pasangan faktor banyaknya pemberian nitrogen dan faktor jenis lahan

sebesar 1 kali yang menyebabkan nilai derajat bebas kedua bernilai 0. Sehingga

langsung pada tahapan uji analisis ragam.

Hasil tabel diatas merupakan tabel uji analisis ragam. Dalam kasus Rancangan Acak

Kelompok hanya perlu melihat nilai Sig pada baris faktor Perlakuan dan faktor

Kelompok, yaitu faktor Nitrogen dan Lahan. Karena nilai Sig pada Nitrogen yaitu



0.004 0.05Sig maka keputusan hipotesis H0 dapat ditolak yang

menyatakan bahwa terdapat perbedaan banyaknya pemberian nitrogen terhadap

kandungan nitrogen nitrat pada dahan tanaman gandum. Selain itu, karena nilai Sigpada Lahan yaitu 0.001 0.05Sig , maka keputusan hipotesis H0 dapat

ditolak yang menyatakan bahwa terdapat perbedaan jenis lahan yang digunakan

terhadap kandungan nitrogen nitrat pada dahan tanaman gandum. Karena faktor

perlakuan (Nitrogen) dan faktor kelompok (Lahan) terdapat perbedaan, maka harus

dilakukan uji lanjut untuk mengetahui pasangan yang memberikan pengaruh yang

sama dan yang berbeda pada Kandungan Nitrogen Nitrat pada dahan tanaman

gandum.

Hasil uji lanjut diatas merupakan uji lanjut Banyaknya Pemberian Nitrogen terhadap

Kandungan Nitrogen Nitrat pada Dahan Tanaman Gandum dengan metode Tukey

HSD dan Duncan. Berdasarkan uji Tukey HSD, dapat disimpulkan bahwa pemberian

nitrogen sebanyak 0 kali, 5 kali, 4 kali, 6 kali, dan 2 kali memberikan pengaruh yang

sama terhadap kandungan nitrogen nitrat pada dahan tanaman gandum. Sementara itu,

pemberian nitrogen sebanyak 6 kali, 2 kali, dan 3 kali memberikan pengaruh yang

sama terhadap kandungan nitrogen nitrat pada dahan tanaman gandum.



Sementara itu, berdasarkan uji Duncan diperoleh bahwa pasangan banyaknya

pemberian nitrogen berikut yang memberikan pengaruh yang sama terhadap

kandungan nitrogen nitrat pada dahan tanaman gandum:

Nitrogen 0 kali, Nitrogen 5 kali, dan Nitrogen 4 kali




Hasil uji lanjut diatas merupakan uji lanjut untuk jenis lahan yang digunakan. Dengan

menggunakan uji lanjut Tukey HSD dan metode Duncan, diperoleh hasil yang sama

bahwa Jenis Lahan 1 dengan Jenis Lahan 4 memberikan pengaruh yang sama

terhadap Kandungan Nitrogen Nitrat pada dahan tanaman gandum. Jenis Lahan 4

dengan Jenis Lahan 3 memberikan pengaruh yang sama terhadap Kandungan

Nitrogen Nitrat. Dan Jenis Lahan 3 dengan Jenis Lahan 2 memberikan pengaruh yang

sama terhadap Kandungan Nitrogen Nitrat.



BAB IV

METODE STATISTIKA DASAR DENGAN SPSS

Daftar Metode Statistika Dasar

Metode statistika dasar yang sering digunakan di bidang farmasi ditunjukkan pada tabel

sebagai berikut:

Metode Kegunaan

Uji 1-sampel t Mengetahui adanya perbedaan satu sampel rata-rata yang

digunakan

Uji 2-sampel t bebas Mengetahui adanya perbedaan selisih dua sampel rata-rata yang

digunakan dari kondisi sampel yang berbeda

Uji 2-sampel t berpasangan Mengetahui adanya perbedaan selisih dua sampel rata-rata yang

digunakan dari sampel berpasangan

Uji ANOVA Mengetahui adanya perbedaan n-sampel rata-rata yang digunakan

Korelasi Mengetahui hubungan dua variabel numerik

Uji Chi-Square Mengetahui hubungan dua variabel kategorik (baik nominal

maupun ordinal)

Regresi Mengetahui besaran pengaruh suatu variabel bergantung terhadap

faktor-faktor yang mempengaruhi

Risk Estimate Mengetahui besaran peluang penyebab dalam mempengaruhi

akibat dari data kategori berukuran 2x2



Contoh 1 (Uji 2-sampel t bebas)




membagikan kuesioner kepada orang tua pasien anak rawat jalan secara acak untuk responden

pada pelayanan obat racikan dan responden pada pelayanan obat non racikan. Berikut merupakan

sampel 10 responden dari hasil penilaian kuesioner kepuasan pelayanan obat racikan dan non

racikan secara terpisah:

Racikan Non Racikan30 4432 3835 3231 3729 3332 3735 3628 3927 3629 39

Dalam kasus ini, pelayanan obat racikan dan non racikan merupakan pelayanan yang berbeda.

Selain itu, penilaian untuk kepuasan racikan dan nonracikan dilakukan oleh responden secara

acak dan berbeda sehingga tidak mungkin responden sudah mengisi kuesioner mengenai

kepuasan pelayanan obat racikan dan mendapat pelayanan obat racikan mengisi kuesioner

mengenai kepuasan pelayanan obat non racikan di waktu yang sama. Sehingga metode statistika

yang tepat digunakan untuk mengetahui perbedaan kepuasan pelayanan antara pelayanan obat

racikan dan non racikan adalah uji 2-sampel t bebas.



Langkah-Langkah Input Data Uji 2-sampel t Bebas dengan SPSS


Dengan Values pada JenisRacikan:

0 = Non Racikan

1 = Racikan

2. Input sel data di Data View sebagai berikut:


3. Klik Menu Analyze → Compare Mean → Independent-Samples T Test…



4. Klik variabel Penilaian Kepuasan dan klik tanda panah kanan ke kotak Test Variable(s)

→ klik variabel Jenis Racikan dan klik tanda panah kanan ke kotak Test Variable(s) →

Klik Define Groups → Klik Use Specified values Group 1 diisi angka 0 dan Group 2

diisi angka 1 → Klik Continue → Klik OK.

5. Maka output yang tertampil sebagai berikut:

Output diatas merupakan tabel statistika deskriptif mengenai jumlah responden yang ada

dari setiap sampel, rata-rata setiap sampel, simpangan baku setiap sampel, dan simpangan

galat rata-rata dari setiap sampel.

Hasil output diatas merupakan tabel hasil uji 2-sampel t bebas. Sebelum menguji adanya

perbedaan 2-sampel t bebas, diperlukan uji kesamaan ragam terlebih dahulu. Output

SPSS memberikan uji kesamaan ragam menggunakan metode uji Levene. Diketahui

bahwa nilai signifikansi uji kesamaan ragam sebesar 0.890 yang lebih besar dari

0.05 dengan keputusan hipotesis berupa terima H0 yang menunjukkan bahwa nilai

ragam kepuasan pelayanan antara pelayanan obat racikan dan pelayanan obat nonracikan



adalah sama. Sehingga uji 2-sampel t bebas yang digunakan merupakan uji 2-sampel t

bebas dengan asumsi ragam sama. Pada tabel output SPSS tersebut hanya diperhatikan

baris Equal Variances assumed karena uji kesamaan ragam memberikan keputusan

hipotesis berupa terima H0.

Pada baris Equal Variances assumed diperoleh bahwa nilai Sig (2-tailed) sebesar 0.000

yang lebih kecil dari 0.05 yang memberikan keputusan hipotesis berupa tolak H0.

Kesimpulan yang diperoleh dari hasil uji 2-sampel t bebas tersebut adalah bahwa

kepuasan pelayanan antara pelayanan obat racikan dengan non racikan berbeda secara

nyata.

Hipotesis uji kesamaan ragam dengan metode uji Levene:

Hipotesis Kriteria Keputusan

H0: Ragam antara sampel yang satu dengan sampel yang lain

sama.

H1: Ragam antara sampel yang satu dengan sampel yang lain

berbeda.

Tolak H0 apabila

Sig

Terima H0 apabila

Sig

Hipotesis uji 2-sampel t bebas (baik untuk asumsi ragam sama maupun asumsi ragam tidak

sama):


H0: Rata-rata antara sampel yang satu

dengan sampel yang lain sama.

H1: Rata-rata antara sampel yang satu

dengan sampel yang lain berbeda.

Tolak H0 apabila Sig atau ;hitung dft t

Terima H0 apabila Sig atau ;hitung dft t



Contoh 2 (Korelasi dan Regresi)

Suatu penelitian dilakukan untuk mengetahui hubungan dan pengaruh penambahan suatu

konsentrasi terhadap absorbansi pada larutan standar glukosa untuk menduga nilai absorbansi

pada larutan standar glukosa berdasarkan penambahan suatu konsentrasi. Hasil pengukuran

ditunjukkan pada tabel berikut:

Konsentrasi(ppm)

Absorbansi

0 0100 0.109200 0.222300 0.369400 0.547500 0.689600 0.821700 0.987800 1,013900 1,233

1000 1,296

Langkah-Langkah Input Data Contoh 2 dengan SPSS


2. Input sel data di Data View sebagai berikut:



Langkah-Langkah Menampilkan Pengujian Korelasi:

1. Klik Analyze → Correlate → Bivariate

2. Klik Konsentrasi dan klik tanda panah ke kanan pada kotak Variables → Klik

Absorbansi → Pada kotak Correlation Coefficients ceklis Pearson → Test of

Significance dipilih Two-tailed → Ceklis Flag significant correlations → Klik OK

3. Maka, akan muncul output sebagai berikut:



Hasil output diatas merupakan tabel korelasi antara konsentrasi dengan absorbansi

dengan menggunakan metode korelasi Pearson. Diperoleh bahwa nilai korelasi antara

konsentrasi dan absorbansi sebesar 0.997 yang menunjukkan bahwa konsentrasi dan

absorbansi memiliki hubungan yang sangat kuat dan searah. Apabila konsentrasi

dinaikkan, maka absorbansi yang dihasilkan naik. Sebaliknya, apabila konsentrasi

diturunkan, maka absorbansi yang dihasilkan juga turun.

Hasil nilai Sig. (2-tailed) antara konsentrasi dan absorbansi sebesar 0.000 yang lebih kecil

dari nilai taraf nyata 0.01 . Keputusan hipotesisi yang diperoleh dari nilai Sig. (2-

tailed) tersebut adalah tolak H0 yang memberikan kesimpulan bahwa teerdapat hubungan

yang sangat nyata antara konsentrasi dan absorbansi.

Hipotesis uji korelasi


H0: Tidak ada hubungan antara variabel yang satu dengan

variabel yang lain.

H1: Terdapat hubungan antara variabel yang satu dengan

variabel yang lain..

Tolak H0 apabila

Sig

Terima H0 apabila

Sig

Langkah-Langkah Menampilkan Pengujian Regresi:

1. Klik Analyze → Regression → Linear



2. Klik variabel Absorbansi dan klik tanda panah ke kanan pada kotak Dependent → klik

Konsentrasi dan klik tanda panah ke kanan pada kotak Independent(s) → Klik OK

3. Maka akan muncul output sebagai berikut:

Hasil output diatas merupakan tabel ringkasan model dari model regresi konsentrasi

terhadap absorbansi. Berikut merupakan keterangan dari masing-masing kolom tabel:

R : Nilai korelasi variabel bebas terhadap variabel

bergantung.



R Square : Nilai koefisien determinasi regresi 2R , yaitu nilai

yang menunjukan besarnya kontribusi variabel bebas

dalam mempengaruhi variabel bergantung.

Adjusted R Square : Nilai koefisien determinasi regresi yang disesuaikan,

yaitu nilai yang menunjukkan besarnya kontribusi

penambahan variabel bebas dalam mempengaruhi

variabel bergantung. Digunakan dalam

membandingkan model pada saat adanya

penambahan dan pengurangan variabel bebas.

Std. Error of the Estimate : Nilai simpangan galat penduga, yaitu nilai yang

menunjukkan besarnya penyimpangan nilai dugaan

yang dihasilkan.

Hasil output diatas merupakan tabel uji ANOVA model Regresi. Berikut merupakan

keterangan dari masing-masing kolom tabel:

Sum of Squares : Jumlah Kuadrat

df : Derajat Bebas (db)

Mean Square : Kuadrat Tengah

F : Nilai hitungF

Sig : Nilai Signifikansi atau P-Value

Dari hasil output diperoleh nilai Sig pada sumber keragaman Regresi sebesar 0.000 yang

lebih kecil dari taraf nyata 0.000 yang menyebabkan keputusan hipotesis tolak H0.

Artinya bahwa seluruh variabel bebas yang mempengaruhi absorbansi berpengaruh



sangat nyata. Oleh karena itu, diperlukan uji parameter regresi untuk mengetahui

parameter yang mempengaruhi absorbansi.

Hasil output diatas merupakan tabel hasil uji parameter regresi. Pada kolom

Unstandardied Coefficients B merupakan parameter penduga regresi absorbansi yang

dipengaruhi oleh variabel bebas konsentrasi. Model yang terbentuk sebagai berikut:

absorbansi 0.013 0.001 konsentrasi

Angka -0.013 menunjukkan bahwa apabila tidak terdapat penambahan konsentrasi, maka

nilai absorbansi menurun sebesar 0.013. Angka 0.001 menunjukkan bahwa penambahan

1 ppm konsentrasi akan meningkatkan absorbansi sebesar 0.001.

Nilai Sig. pada parameter (Constant) yaitu 0.548 yang menunjukkan bahwa nilai

parameter konstan tidak mempengaruhi nilai absorbansi (terima H0 pada taraf nyata 5%).

Sementara nilai Sig. pada parameter Konsentrasi yaitu 0.000 yang menunjukkan bahwa

nilai parameter konsentrasi mempengaruhi nilai absorbansi (tolak H0 pada taraf nyata

5%).

Hipotesis uji ANOVA Regresi:


H0: Seluruh variabel bebas/parameter yang

terbentuk dalam model regresi tidak

mempengaruhi variabel bergantung.

H1: Ada variabel bebas/parameter yang

terbentuk dalam model regresi


Tolak H0 apabila Sig atau

; ;regression residualhitung df df

F F

Terima H0 apabila Sig atau

; ;regression residualhitung df df

F F



Hipotesis uji t parameter regresi:


H0:Parameter/variabel bebas tidak mempengaruhi variabel

bergantung.

H1:Parameter/variabel bebas mempengaruhi variabel

bergantung.

Tolak H0 apabila Sig .

Terima H0 apabila Sig .

Langkah-Langkah Menampilkan Plot Regresi:

1. Klik Graphs → Legacy Dialogs → Scatter/Dot

2. Klik Simple Scatter → Define



3. Klik Absorbansi dan klik tanda panah kanan ke kotak Y-Axis → Klik Konsentrasi dan

klik tanda panah kanan ke kotak X-Axis → Klik OK

4. Output yang tertampil sebagai berikut:

Hasil output diatas merupakan plot pencar tanpa garis regresi, untuk menampilkan garis

regresi dapat dilakukan dengan klik kanan pada plot dan pilih Edit Content → In

Separate Window untuk memunculkan tampilan Chart Editor. Kemudian klik icon

atau klik menu Elements → Fit Line at Total → Apply. Untuk menambahkan teks

persamaan regresi dapat dilakukan dengan klik icon atau klik menu Options → Text



Box → dan menngetik manual persamaan regresi dari hasil regresi yang sudah

diinputkan sebelumnya.

Contoh 3 (Hubungan Variabel Kategorik dan Penduga Resiko)

Seorang mahasiswa di suatu universitas di Bogor dilakukan untuk mengetahui hubungan

antara mahasiswa yang hobi merokok dan mahasiswa yang pernah mengalami sakit pernapasan.

Pengumpulan data dilakukan dengan membagikan kuesioner kepada 15 mahasiswa untuk

menanyakan mengenai beberapa pertanyaan seperti pernah atau tidaknya merokok dan pernah

atau tidaknya mengalami sakit pernapasan. Hasil data ditunjukkan pada tabel berikut:

Merokok Sakit PernapasanTidak Pernah Merokok Tidak Mengalami Sakit PernapasanPernah Merokok Tidak Mengalami Sakit PernapasanTidak Pernah Merokok Tidak Mengalami Sakit PernapasanPernah Merokok Tidak Mengalami Sakit PernapasanTidak Pernah Merokok Tidak Mengalami Sakit PernapasanPernah Merokok Mengalami Sakit PernapasanTidak Pernah Merokok Tidak Mengalami Sakit PernapasanPernah Merokok Mengalami Sakit PernapasanTidak Pernah Merokok Mengalami Sakit PernapasanTidak Pernah Merokok Tidak Mengalami Sakit PernapasanTidak Pernah Merokok Tidak Mengalami Sakit PernapasanPernah Merokok Mengalami Sakit PernapasanTidak Pernah Merokok Mengalami Sakit Pernapasan



Merokok Sakit PernapasanPernah Merokok Mengalami Sakit PernapasanTidak Pernah Merokok Tidak Mengalami Sakit PernapasanPernah Merokok Mengalami Sakit PernapasanTidak Pernah Merokok Tidak Mengalami Sakit PernapasanPernah Merokok Mengalami Sakit PernapasanTidak Pernah Merokok Tidak Mengalami Sakit PernapasanTidak Pernah Merokok Tidak Mengalami Sakit Pernapasan

Langkah-Langkah Input Data Korelasi Kategorik dan Risk Estimate dengan SPSS


Dengan Values pada:

Merokok:

Value Label

1 Pernah Merokok

2 Tidak Pernah Merokok

Pernapasan:

Value Label

1 Pernah Mengalami Sakit Pernapasan

2 Tidak Pernah Mengalami Sakit Pernapasan





3. Klik Menu Analyze → Descriptive Statistics → Crosstab

4. Klik Pernah Merokok dan klik tanda panah kanan di kotak Row(s) → Klik Sakit

Pernapasan dan klik tanda panah kanan di kotak Column(s) → Klik Statistics



5. Ceklis Chi-Square → Ceklis Risk → Klik Continue → Klik Cells

6. Pada Counts ceklis Observed → pada Percentages ceklis Row → Klik Continue




Hasil output diatas merupakan tabel tabulasi silang yang menggambarkan banyaknya

mahasiswa yang pernah merokok dan tidak pernah merokok serta mahasiswa yang

mengalami sakit pernapasan dan tidak mengalami sakit pernapasan. Serta persentase

mahasiswa yang mengalami dan tidak mengalami sakit pernapasan berdasarkan populasi

jumlah mahasiswa yang merokok dan tidak merokok. Sebagai contoh, hasil tabel diatas

menunjukkan bahwa mahasiswa di suatu universitas di Bogor yang tidak mengalami sakit

pernapasan sebesar 83.3% dari total mahasiswa yang tidak pernah merokok. Sementara

itu, 16.7% dari total mahasiswa yang tidak pernah merokok di suatu universitas di Bogor

mengalami sakit pernapasan.



Hasil output diatas merupakan hasil uji korelasi kategorik menggunakan uji Chi-Square

yang dibagi menjadi metode uji Pearson Chi-Square, metode uji Continuity Correction,

metode uji Likelihood Correction, metode uji Fisher’s Exact Test, dan metode Linear-by-

Linear Association. Seluruh metode uji Chi-Square memiliki hipotesis sebagai berikut:

H0 : Tidak ada hubungan antara variabel yang satu dengan variabel yang lain

H1 : Terdapat hubungan antara variabel yang satu dengan variabel yang lain

Kriteria keputusan:

Tolak H0 apabila nilai Sig .

Terima H0 apabila nilai Sig .

Hasil pengujian diatas dengan menggunakan seluruh metode uji Chi-Square

menunjukkan nilai signifikansi (Sig) yang lebih kecil dari 0.05 yang menunjukkan

bahwa terdapat hubungan antara mahasiswa merokok dengan mahasiswa yang

mengalami sakit pernapasan.



Hasil output diatas merupakan tabel penduga resiko mahasiswa yang pernah merokok

yang mengakibatkan sakit pernapasan.

Pada hasil Odds Ratio for Merokok (Pernah Merokok/Tidak Pernah Merokok)

menunjukkan bahwa mahasiswa yang pernah merokok mengalami sakit pernapasan 15

kali lebih tinggi dibandingkan mahasiswa yang tidak pernah merokok. Karena selang

kepercayaan 95% bagi Odds Ratio lebih dari 1 dan tidak memut angka 1, maka terdapat

hubungan yang nyata antara mahasiswa yang pernah merokok dan mahasiswa yang

mengalami sakit pernapasan serta hubungan tersebut termasuk dalam kategori faktor

resiko yang menyebabkan penyakit.

Pada hasil “For cohort Sakit Pernapasan = Mengalami Sakit Pernapasan” merupakan nilai

Relative Risk yang menunjukkan bahwa mahasiswa yang pernah merokok memiliki

resiko untuk mengalami sakit pernapasan sebesar 4.5 kali dibandingkan mahasiswa yang

tidak pernah merokok. Karena selang kepercayaan 95% bagi Relative Risk tersebut lebih

dari 1 dan tidak memuat angka 1, maka terdapat hubungan yang nyata antara mahasiswa

yang pernah merokok dengan mahasiswa yang mengalami sakit pernapasan serta

hubungan tersebut termasuk dalam kategori faktor resiko yang menyebabkan penyakit.

Pada hasil “For cohort Pernah Sakit Pernapasan = Tidak Mengalami Sakit Pernapasan”

menunjukkan bahwa mahasiswa yang pernah merokok memiliki resiko untuk tidak

mengalami sakit pernapasan sebesar 0.3 kali dibandingkan mahasiswa yang tidak pernah



merokok. Karena selang kepercayaan 95% bagi Relative Risk tersebut memuat angka 1,

maka tidak terdapat hubungan yang nyata antara mahasiswa yang pernah merokok

dengan mahasiswa yang tidak mengalami sakit pernapasan serta hubungan tersebut

termasuk dalam faktor resiko netral.

Intepretasi Data:

Interval Nilai Odds Ratio (OR) Arti

OR > 1Terdapat hubungan antara paparan (baris) dengan

penyakit (kolom), faktor resiko menyebabkan penyakit

OR < 1Terdapat hubungan antara paparan (baris) dengan

penyakit (kolom), faktor resiko mencegah penyakit

OR = 1Tidak terdapat hubungan antara paparan (baris) dengan

penyakit (kolom), faktor resiko netral.

Interval Nilai Relative Risk (RR) Arti

RR > 1

Terdapat hubungan antara paparan (baris) dengan

penyakit yang diderita (kolom), faktor resiko

menyebabkan penyakit

RR < 1

Terdapat hubungan antara paparan (baris) dengan

penyakit derita (kolom), faktor resiko mencegah

penyakit

RR = 1

Tidak terdapat hubungan antara paparan (baris)

dengan penyakit yang diderita (kolom), faktor

resiko netral.



BAB V

STATISTIKA DESKRIPTIF DENGAN MINITAB

Cara Menampilkan Statistika Deskriptif dengan Minitab

Menu stat dapat mengelola data yang sudah dimasukkan dalam Worksheet Minitab, salah

satunya menampilkan statistika deskriptif. Ada beberapa cara umum untuk menampilkan

statistika deskriptif dari suatu data menggunakan software Minitab pada menu Stat bagian

submenu Basic Statistics, yaitu:

1. Display Descriptive Statistics

Digunakan untuk menampilkan hasil statistika deskriptif pada data, menampilkan

histogram, boxplot, dan titik nilai.

2. Descriptive

Digunakan untuk menyimpan hasil nilai statistika deskriptif ke Worksheet Minitab.

3. Graphical Summary

Digunakan untuk menampilkan statistika deskriptif yang disajikan dengan grafik

histogram, uji normalitas, dan selang kepercayaan bagi nilai rata-rata, nilai tengah, dan

simpangan baku.

Contoh




membagikan kuesioner kepada orang tua pasien anak rawat jalan. Berikut merupakan sampel 10

responden yang terkumpul:



NoUsia OrangTua Pasien

Jenis KelaminOrang Tua Pasien

Pendidikan OrangTua Pasien

Pekerjaan Orang TuaPasien

Pendapatan PerBulan



3 37 Perempuan SD Ibu Rumah Tangga 950,000


5 30 Laki-laki SMP Karyawan Swasta 3,000,000





10 37 Laki-laki SD Karyawan Swasta 2,500,000

Langkah-Langkah Input Data di Minitab

Input Data di atas secara langsung di Worksheet Minitab dengan judul variabel masuk

dalam baris berwarna abu-abu seperti gambar berikut:

Langkah-Langkah Menampilkan Statistika Descriptive

Berikut merupakan cara untuk menampilkan statistika deskriptif menggunakan submenu Display

Descriptive Statistics:

1. Klik Menu Stat → Klik Basic Statistics → Klik Display Descriptive Statistics



2. Pada tampilan Display Descriptive Statistics → klik pada kotak Variables → klik tombol

Usia Orang Tua Pasien → klik Select → klik Pendapatan Per bulan → klik tombol

Select. Kemudian klik Statistics

3. Klik Statistics → Ceklis statistik yang ingin ditampilkan. Jika ingin menampilkan default

pilihan dari Minitab, klik Default pada Check statistics → Klik OK.



4. Kemudian Klik OK. Maka pada Tampilan Session akan keluar Output sebagai berikut:

Hasil Output diatas merupakan hasil statistika deskriptif untuk variabel Usia Orang Tua

Pasien dan variabel Pendapatan Per Bulan yang memberikan beberapa informasi

mengenai karakteristik Usia dan Pendapatan Per Bulan Orang Tua Pasien yang

mendapatkan pelayanan obat racikan dan non racikan. Nilai kolom N* menunjukkan

jumlah sampel yang hilang

Berikut merupakan cara untuk menampilkan statistika deskriptif menggunakan submenu

Graphical Summary:

1. Klik Menu Stat → Klik Basic Statistics → Klik Graphical Summary

2. Pada tampilan Display Descriptive Statistics → klik pada kotak Variables → klik tombol

Usia Orang Tua Pasien → klik Select → klik Pendapatan Per bulan → klik tombol Select

→ Confidence level diisi 95.0 → Klik OK



3. Klik OK. Maka akan muncul tampilan grafik sebagai berikut:

Hasil grafik diatas menunjukkan statistika deskriptif dengan menggunakan grafik.

Terlihat bahwa variabel Usia Orang Tua Pasien dan variabel Pendapatan Per Bulan

cenderung berdistribusi normal. Hasil tersebut ditunjukkan pada uji normalitas dengan

metode Anderson-Darling yang menyatakan untuk menerima hipotesis H0 dari hasil nilai

P-Value yang lebih besar dari taraf nyata 5%. yaitu variabel Usia Orang Tua Pasien dan

Pendapatan Per Bulan yang mendapatkan pelayanan obat racikan dan nonracikan

cenderung berdistribusi normal.

Hipotesis Uji Normalitas Metode Anderson-Darling

H0: Variabel berdistribusi normal.

H1: Variabel tidak berdistribusi normal.

Tolak H0 apabila P-Value < Taraf nyata 5%



Langkah-Langkah Menampilkan Diagram Batang

Contoh berikut menampilkan diagram batang rata-rata usia orang tua pasien berdasarkan

pendidikan terakhir:

1. Klik Graph → Bar Chart

2. Pada kotak Bars represent dipilih “A function of a variable” → Pada bagian One Y

dipilih Simple → OK



3. Pada kotak Function dipilih Mean → Klik kotak Graph variables → Klik Usia Orang

Tua Pasien → Klik tombol Select → Klik kotak Categorical variable → Klik Pendapatan

Per Bulan → Klik tombol Label

4. Pada tampilan Bar Chart: Labels dipilih tab Data Labels → Label Type dipilih Use

y-value labels → Klik OK

5. Klik OK. Maka akan muncul grafik sebagai berikut:



Hasil grafik diatas merupakan diagram batang dari rata-rata usia orang tua pasien

berdasarkan pendidikan terakhir orang tua pasien. Dengan adanya label, dapat

mempermudah untuk membaca dan mengintepretasikan grafik.

SMPSMASD

50

40

30

20

10

0

Pendidikan Orang Tua Pasien

MeanofUsiaOrangTuaPasien

38.535.25

37

Chart of Mean( Usia Orang Tua Pasien )



BAB VI

DASAR-DASAR RANCANGAN PERCOBAAN DENGAN MINITAB

Pengolahan Data Rancangan Percobaan dengan Minitab

Menu Stat dapat mengolah data yang sudah dimasukkan dalam Worksheet Minitab selain

statistika deskriptif, yaitu dapat mengolah data rancangan percobaan (desain eksperimen). Untuk

kasus Rancangan Acak Lengkap, dapat menggunakan dua cara:

Menggunakan submenu ANOVA → One-Way…

Menggunakan submenu ANOVA → General Linear Model → Fit General Linear

Model…



Sementara itu, untuk Rancangan Percobaan selain Rancangan Acak Lengkap, seperti Rancangan

Acak Kelompok, Rancangan Bujur Sangkar Latin, Faktorial Rancangan Acak Lengkap, dan lain-

lainnya, dapat menggunakan submenu ANOVA → General Linear Model → Fit General Linear

Model….

Contoh 1 (Rancangan Acak Lengkap)

Suatu penelitian di laboratorium mencit dan tikus putih dilakukan untuk mengetahui

pengaruh pemberian berbagai kombinasi formula kalsium dan magnesium terhadap pertumbuhan

akhir tinggi tikus putih dari pemberian berbagai formula kalsium yang berbeda. Formula kalsium

yang diberikan terdiri dari 5 macam, formula kontrol positif dengan pemberian formula kalsium

550 mg tanpa magnesium, formula 1 dengan pemberian kalsium 300 mg + magnesium 300 mg,

formula 2 dengan pemberian kalsium 200 mg + magnesium 200 mg, formula 3 dengan

pemberian kalsium 100 mg + magnesium 100 mg, dan formula kontrol negatif dengan pemberian

aquades. Masing-masing formula dibetikan kepada 5 tikus putih berumur 5-7 bulan sesuai

dengan kombinasi formula kalsium dan magnesium yang tersedia selama 30 hari. Hasil

pengukuran tinggi tikus putih ditunjukkan pada tabel berikut:

Tinggi Tikus Putih (cm) Berdasarkan FormulaKontrol

(+)Formula

1Formula

2Formula

3Kontrol

(-)20 21 17 15 1122 19 12 12 925 19 15 14 1225 23 16 10 13

Sumber: Simulasi.



Langkah-Langkah Pengolahan Data Rancangan Acak Lengkap dengan Minitab

1. Input Data secara langsung di Worksheet Minitab:

2. Klik menu Stat → submenu ANOVA → General Linear Model → Fit General Linear

Model…

3. Pada tampilan General Linear Model klik kotak Response, klik variabel Tinggi Tikus dan

klik tombol Select → klik kotak Factors, klik variabel Formula dan klik tombol Select



4. Klik OK, maka akan muncul output pada tampilan Session Minitab sebagai berikut:

Hasil output diatas merupakan hasil uji ANOVA dari pengaruh pemberian kombinasi

formula kalsium dan magnesium terhadap pertumbuhan tinggi tikus putih. Arti dari

masing-masing kolom:

Source : Sumber Keragaman

DF : Derajat Bebas (DB)

Adj SS : Jumlah Kuadrat

Adj MS : Kuadrat Tengah

F-Value : F hitung

P-Value : Nilai signifikansi (nilai peluang)

Untuk mengambil keputusan hipotesis dari Rancangan Acak Lengkap, cukup melihat

nilai P-Value sumber keragaman Perlakuannya saja dan bandingkan dengan nilai taraf

nyata. Dalam praktek contoh ini, nilai P-Value pada formula sebesar



0.000 0.05P Value yang menunjukan bahwa hipotesis H0 pada faktor

Formula ditolak. Sehingga diperoleh kesimpulan bahwa terdapat perbedaan pemberian

kombinasi perlakuan terhadap pertumbuhan tinggi tikus.

Namun, apakah asumsi homogenitas Rancangan Acak Lengkap pada kasus tersebut

terpenuhi? Cara untuk melakukan uji Homogenitas dengan Minitab ditunjukkan sebagai

berikut:

Langkah-Langkah Uji Homogenitas dengan Minitab

1. Klik Stat → submenu ANOVA → klik Test for Equal Variances

2. Pilih Response data in one column for all factor levels → klik kotak Response → klik

variabel Tinggi Tikus Putih → klik tombol Select → klik kotak Factors → klik variabel

Formula → klik tombol Select



3. Klik OK. Maka akan muncul Output sebagai berikut:

Hasil output diatas merupakan hasil uji homogenitas dengan menggunakan metode

Levene dan metode pembanding ganda. Kedua uji menunjukkan nilai P-Value yang lebih

besar dari taraf nyata yang mengindikasikan untuk menerima H0. Dengan demikian

keragaman tinggi tikus putih yang dihasilkan dari berbagai pemberian kombinasi formula

berasal dari populasi tikus putih yang homogen. Sehingga asumsi Rancangan Acak

Lengkap terpenuhi dan dapat digunakan sebagai model perbedaan pengaruh pemberian

kombinasi formula terhadap pertumbuhan tikus putih.

Langkah-Langkah Uji Lanjut dengan Minitab

1. Klik menu Stat → submenu ANOVA → General Linear Model → Comparions…



2. Pada kotak Response dipilih Tinggi Tikus Putih → Pada kotak type of comparison dipilih

Pairwise → Pada Method dipilih secara bebas, dalam contoh praktek ini digunakan

Method Tukey dan Fisher → Klik Formula pada kotak Choose terms for comparisons →

klik tombol C = Compare levels for this item.

3. Klik OK, maka akan muncul Output pada tampilan Session Minitab sebagai berikut:



Hasil output diatas menunjukkan hasil uji lanjut dengan menggunakan metode Tukey.

Untuk pengambilan kesimpulan dari hasil uji lanjut dapat diliat secara langsung pada

Simultaneous Test atau bagian Grouping Information. Dalam contoh praktek ini

digunakan bagian output Grouping Information.

Jika perlakuan memiliki grup huruf yang sama, maka artinya pasangan perlakuan

tersebut memiliki pengaruh yang sama terhadap respon yang dihasilkan.

Jika perlakuan memiliki grup huruf yang berbeda, maka artinya pasangan

perlakuan tersebut memiliki pengaruh yang berbeda terhadap respon yang

dihasilkan.

Sebagai contoh, Kontrol (+) dengan Formula 1 memiliki kelompok huruf yang sama,

yaitu A. Artinya pemberian Kontrol (+) dan Formula 1 memberikan hasil pertumbuhan

tinggi tikus yang sama. Sementara itu, pada Formula 2, Formula 3, dan Kontrol (-)

memiliki kelompok huruf yang sama, yaitu B. Artinya pemberian Formula 2, Formula 3,

dan Kontrol (-) memberikan hasil pertumbuhan tinggi tikus yang sama. Namun Formula



1 memiliki huruf A dan Formula 3 memiliki huruf B, sehingga pemberian Formula 1 dan

Formula 3 memberikan hasil pertumbuhan tinggi tikus yang berbeda.

Hasil output diatas menunjukkan hasil uji lanjut dengan menggunakan metode Fisher.

Dari hasil output Grouping Information diperoleh bahwa:

Kontrol (+) dan Formula 1 memiliki huruf yang sama, yaitu A. Artinya pemberian

Kontrol (+) dan Formula 1 memberikan hasil pertumbuhan tinggi tikus putih yang

sama.

Formula 2 huruf B dan Formula 3 memiliki huruf B dan C. Karena kedua taraf

memiliki huruf yang sama, yaitu huruf B, maka pemberian Formula 2 dan

Formula 3 memberikan hasil pertumbuhan tinggi tikus putih yang sama.

Formula 3 memiliki huruf B dan C, serta Kontrol (-) memiliki huruf C. Karena

kedua taraf memiliki huruf yang sama, yaitu huruf C, maka pemberian Formula 3

dan Kontrol (-) memberikan hasil pertumbuhan tinggi tikus putih yang sama.



Contoh 2 Rancangan Acak Kelompok

Suatu eksperimen dilakukan untuk studi pengukuran kemampuan banyaknya pemberian

nitrogen dalam menghasilkan Nitrogen Nitrat pada dahan tanaman gandum. Ada enam jenis

banyaknya pemberian nitrogen., yaitu “kontrol” tidak diberi nitrogen, 2 kali, 3 kali, 4 kali, 5 kali,

dan 6 kali, masing-masing taraf pemberian nitrogen dilakukan di empat 4 jenis lahan yang

berbeda. Hal ini dikarenakan setiap lahan memiliki arah aliran irigasi yang berbeda yang

membuat tingkat kesuburan lahan tanaman juga berbeda. Tabel berikut adalah merupakan hasil

kandungan nitrogen nitrat pada dahan tanaman Gandum 210ppm pada perlakuan enam jenis

pemberian nitrogen dalam empat jenis lahan:

BanyaknyaPemberianNitrogen

Jenis Lahan

1 2 3 4

0 34.98 41.22 36.94 39.97

2 40.89 46.69 46.65 41.9

3 42.07 49.42 52.68 42.91

4 37.18 45.85 40.23 39.2

5 37.99 41.99 37.61 40.25

6 34.89 50.15 44.57 43.29



Langkah-Langkah Input Data Rancangan Acak Kelompok dengan Minitab

1. Input Data secara langsung di Worksheet Minitab:

1. Klik menu Stat → submenu ANOVA → General Linear Model → Fit General Linear

Model…



2. Pada tampilan General Linear Model klik kotak Response, klik variabel Kandungan

Nitrogen Nitrat dan klik tombol Select → klik kotak Factors, klik variabel Pemberian

Nitrogen dan klik tombol Select → klik kotak Factors, klik variabel Jenis Lahan dan klik

tombol Select.

3. Klik OK, maka akan muncul output pada tampilan Session Minitab sebagai berikut:



Hasil output diatas merupakan hasil uji ANOVA mengenai pengaruh perbedaan

banyaknya pemberian nitrogen dan jenis lahan yang digunakan terhadap kandungan

nitrogen nitrat pada dahan tanaman gandum. Diperoleh bahwa pada sumber keragaman

Pemberian Nitrogen memiliki nilai 0.004 0.05P Value yang memberikan

penolakan pada hipotesis H0, yaitu ada perbedaan banyaknya pemberian nitrogen

terhadap kandungan nitrogen nitrat pada dahan tanaman gandum. Selain itu pada sumber

keragaman Jenis Lahan memiliki nilai 0.001 0.05P Value yang

memberikan penolakan pada hipotesis H0, yaitu ada perbedaan jenis lahan yang

digunakan terhadap kandungan nitrogen nitrat pada dahan tanaman gandum.

Langkah-Langkah Uji Lanjut dengan Minitab

1. Klik menu Stat → submenu ANOVA → General Linear Model → Comparions…

2. Pada kotak Response dipilih Kandungan Nitrogen Nitrat → Pada kotak type of

comparison dipilih Pairwise → Pada Method dipilih secara bebas, dalam contoh praktek

ini digunakan Method Tukey dan Fisher → Klik Pemberian Nitrogen dan Jenis Lahan

pada kotak Choose terms for comparisons → klik tombol C = Compare levels for this

item.



3. Klik OK, maka akan muncul Output pada tampilan Session Minitab sebagai berikut:

Hasil output diatas merupakan hasil uji lanjut Fisher dan Tukey pada Faktor Pemberian

Nitrogen terhadap Kandungan Nitrogen Nitrat. Pada hasil uji lanjut Fisher diperoleh pada



pasangan Pemberian Nitrogen yang memberikan hasil kandungan nitrogen nitrat yang

sama antara lain:

Pemberian nitrogen 3 kali, 2 kali, dan 6 kali.




Sementara itu, pada hasil uji lanjut Tukey yang memberikan hasil kandungan nitrogen

nitrat yang sama antara lain:


Pemberian nitrogen 2 kali, 6 kali, 4 kali, 5 kali, dan 0 kali.

Hasil output diatas merupakan hasil uji lanjut Tukey dan Fisher pada jenis lahan yang

digunakan terhadap kandungan nitrogen nitrat. Hasil pada uji lanjut Tukey dan Fisher

memberikan hasil kesimpulan yang sama, yaitu pasangan jenis lahan 2 dan 3 memberikan

hasil kandungan nitrogen nitrat yang sama. Pasangan jenis lahan 3 dan 4 memberikan

hasil kandungan nitrogen nitrat yang sama, sementara itu jenis lahan 4 dan 1 memberikan

hasil kandungan nitrogen nitrat yang sama.



BAB VII

RANCANGAN RESPON PERMUKAAN

Pengolahan Data Rancangan Respon Permukaan dengan Minitab

Pengolahan Data Rancangan Respon Permukaan dengan Minitab dapat menggunakan

Menu Stat pada Submenu DOE dan subsubmenu Response Surface

Contoh 1 (Menentukan Kondisi Optimum dari Data yang Ada)

Suatu penelitian dilakukan untuk mengetahui pengaruh variasi konsentrasi ekstrak, waktu

kontak, dan suhu terhadap degradasi sabun transparan ekstrak etanol daun papaya dalam

membersihkan biofilm S.aureus. Dalam penelitian tersebut juga ingin mengetahui kondisi

optimum untuk pembersihan biofilm S. aureus dari variasi konsentrasi ekstrak 1%, 2%, dan 3%,

waktu kontak selama 5 menit, 10 menit, dan 15 menit, serta suhu sebesar 30 0C, 37 0C, dan 440C. Masing-masing perlakuan dilakukan terhadap degradasi sabun transparan ekstrak etanol daun

pepaya sebanyak 20 kali dengan kombinasi rancangan yang sudah dibuat olehnya dengan hasil

degradasi sabun transparan ekstrak etanol daun pepaya yang ditunjukkan sebagai berikut:



No SuhuWaktuKontak

KonsentrasiSampel

Degradasi Sabun EkstrakEtanol Daun Pepaya

1 30 5 1 46.47482

2 30 5 3 123.0216

3 30 10 2 69.30456

4 30 15 1 16.54676

5 30 15 3 46.85851

6 37 5 2 101.9321

7 37 10 1 79.15396

8 37 10 2 113.2398

9 37 10 2 116.8192

10 37 10 2 118.9343

11 37 10 2 110.6366

12 37 10 2 113.5652

13 37 10 2 121.8629

14 37 10 3 75.89994

15 37 15 2 109.4977

16 44 5 1 46.39153

17 44 5 3 53.54226

18 44 10 2 90.17877

19 44 15 1 51.77665

20 44 15 3 87.44207

Langkah-Langkah Pengolahan Data Response Surface Design dengan Minitab

1. Input data secara lengsung pada tampilan Worksheet Minitab sebagai berikut:



2. Klik Menu Stat → Submenu DOE → Response Surface → Define Custom Response

Surface

3. Klik kotak Continuous Variabel → Klik Suhu dan klik Select → Klik Waktu dan klik

Select → Klik Konsentrasi dan klik Select → Klik Low/High…

4. Pada Factor A Name Suhu, Low diisi 30 dan High diisi 44 (Sesuai nilai terendab dan

tertinggi) → Factor B Name Waktu, Low diisi 5 dan High diisi 15 (Sesuai nilai terendab

dan tertinggi) → Factor C Name Konsentrasi, Low diisi 1 dan High diisi 3 (Sesuai nilai

terendah dan tertinggi) → Worksheet Data Are dipilih Uncoded → Klik OK



5. Klik OK, maka pada Worksheet Minitab terdapat tambahan kolom berupa StdOrder,

RunOrder, Block, dan PtType.

6. Klik Stat → DOE → Response Surface → Analyze Response Surface Design

7. Klik kotak Response → Klik Degradasi dengan Sabun Ekstrak → Klik Tombol Select →Klik Terms…

8. Pada kotak Include the following terms dipilih Full Quadratic → Klik OK



9. Klik OK, maka output yang ditampilkan pada Session Window ditunjukkan sebagai

berikut:

Hasil output diatas merupakan hasil uji ANOVA atau uji F Parameter Model regresi.

Nilai P-Value pada sumber keragaman Model sebesar 0.001 lebih kecil dibandingkan

taraf nyata 0.05 yang mengindikasikan untuk menolak Hipotesis H0 yang berarti

bahwa model regresi kuadratik penuh layak digunakan sebagai model penduga degradasi

dengan sabun ekstrak yang dipengaruhi oleh suhu, waktu kontak, dan konsentrasi ekstrak

pada faktor linear, faktor kuadratik, serta faktor interaksinya.



Sementara itu, pada sumber keragaman Lack-of-Fit (Ketidakpasan) menunjukan nilai

P-Value lebih kecil dibandingkan taraf nyata 0.05 yang mengindikasikan untuk

menolak Hipotesis H0 yang berarti bahwa model regresi kuadratik penuh yang dibentuk

memerlukan penambahan satu derajat polinomial. Karena Minitab 17 hanya menyediakan

pembentukan model hingga model kuadratik saja, maka diperlukan software lain untuk

mengelola model regresi dengan derajat polinomial lebih dari 2. Untuk praktek kali ini,

asumsi ketidakpasan ini diabaikan.

Hipotesis untuk uji ANOVA:

Sumber Keragaman Hipotesis

Model H0: Model yang terbentuk dari variabel-variabel bebas dan

kombinasinya tidak layak digunakan sebagai model penduga

variabel bergantung.

H1: Model yang terbentuk dari variabel bebas dan kombinasinya

layak digunakan sebagai model penduga variabel

bergantung.

Model Linear (Linear) H0: Model yang terbentuk dari faktor linear tidak mempengaruhi

variabel bergantung.

H1: Model yang terbentuk dari faktor linear mempengaruhi

variabel variabel bergantung.

Model Kuadratik (Square) H0: Model yang terbentuk dari faktor kuadratik tidak


H1: Model yang terbentuk dari faktor kuadratik mempengaruhi


Model Interaksi (2-Way

Interaction)

H0: Model yang terbentuk dari interaksi dua faktor tidak


H1: Model yang terbentuk dari interaksi dua faktor mempengaruhi


Ketidakpasan H0: Model yang terbentuk dari faktor linear tidak memerlukan

penambahan deerajat polinomial.

H1: Model yang terbentuk dari faktor linear memerlukan

penambahan derajat polinomial



Langkah selanjutnya yaitu menampilkan plot kontur dan plot permukaan dari hasil model

yang sudah dibentuk. Berikut langkah-langkah untuk menampilkan plot kontur untuk

variabel suhu dan waktu:

1. Klik Stat → Submenu DOE → Response Surface → Contour Plot

2. Pada kotak Response pilih Degradasi dengan Sabun Ekstrak → Pada variables pilih

Select a pair of variables for a single plot → X axis dipilih Suhu, Y Axis dipilih

Waktu → Klik Contours

3. Contour Levels dipilih Use defaults → Data Display ceklis Area, Contour lines, dan

Symbols at Design Points → Klik OK




Dari hasil output diatas menunjukkan plot kontur suhu dan waktu terhadap degradasi

dengan sabun ekstrak pada saat nilai konsentrasi ekstrak 2%. Dari hasil tersebut,

terlihat bahwa warna hijau paling tua merupakan degradasi dengan sabun ekstrak

tertinggi yang berada diantara suhu 30 hingga 40 derajat Celcius dan waktu kontak

berada diantara 5 hingga 13 menit. Degradasi dengan sabun ekstrak terendah berada

diantara suhu 30 hingga 32 Celcius dan waktu kontak berada diantara 9 menit hingga

15 menit. Hasil gambar diatas akan lebih bagus apabila terdapat label angka pada

garis batas dan warna area menjadi spektrum.

Konstransi 2Hold Values

Suhu

Waktu

4442403836343230

15.0

12.5

10.0

7.5

5.0

>––––––< 60

60 7070 8080 9090 100100 110110 120

120

EkstrakSabundenganDegradasi

Contour Plot of Degradasi dengan Sabun Ekstrak vs Waktu, Suhu



Cara menampilkan label angka pada garis batas dengan klik kanan pada garis batas

→ Edit Contour Lines → Pada tab Contour Labels klik Show Labels → Pada tab

Font Background pada kotak Fill Pattern pilih Custom → Pada kotak Type pilih

bentuk → klik OK.

Cara menampilkan warna spektrum pada area plot kontur klik kanan pada area kontur

plot → Edit Area → pada tab Attributes pada kotak Fill Color dipilih Spectrum

Colors → Klik OK


110

100

100

90

90

80

70

Suhu

Waktu

4442403836343230

15.0

12.5

10.0

7.5

5.0

>––––––< 60

60 7070 8080 9090 100100 110110 120

120

EkstrakSabundenganDegradasi

Contour Plot of Degradasi dengan Sabun Ekstrak vs Waktu, Suhu



Berikut merupakan langkah-langkah untuk menampilkan plot tiga dimensi untuk variabel

suhu dan waktu:

1. Klik Stat → Submenu DOE → Response Surface → Surface Plot

2. Pada kotak Response pilih Degradasi dengan Sabun Ekstrak → Pada variables pilih

Select a pair of variables for a single plot → X axis dipilih Suhu, Y Axis dipilih

Waktu → Klik OK



3. Maka akan tampil output sebagai berikut:

Output diatas merupakan plot permukaan pada variabel waktu dan suhu terhadap

degradasi pada saat nilai konsentrasi ekstrak 2%. Sebagai contoh, apabila suhu

dinaikan dari 30 hingga sekitar 37 derajat Celcius pada saat waktu kontak konstan,

maka degradasi sabun ekstrak mengalami meningkat, namun suhu dari sekitar 37

hingga sekitar 45 derajat Celcius pada saat waktu konstan, maka degradasi sabun

ekstrak mengalami penurunan. Untuk melihat dan mengatur posisi plot permukaan

dapat memanfaat Toolbar 3D Graph Tools. Apabila tidak tertampil, maka dapat

menggunakan menu Tools → Toolsbars → 3D Graph Tools.


15

05 10

75

100

0335

50454

100

125

isadargeD

utkaW

uhuS

urface Plot of Degradasi dengan Sabun Ekstrak vs Waktu, SuhS u



Icon Digunakan Untuk

Memutar grafik searah jarum jam atau berlawanan

jarum jam pada sumbu x


jarum jam pada sumbu y


jarum jam pada sumbu z

Memutar seluruh grafik pencahayaan plot

permukaan 3D searah jarum jam atau berlawanan

jarum jam pada sumbu x



jarum jam pada sumbu y



jarum jam pada sumbu z

Memperbesar ukuran kotak 3D

Memperkecil ukuran kotak 3D

Mengembalikan grafik pada posisi dan ukuran

semula

Mengembalikan seluruh pencahayaan pada posisi

semula.

Setelah mengetahui pembentukan model, plot kontur, dan plot permukaan, maka dapat

mencari nilai optimum dari model yang sudah dibentuk. Dalam kasus ini, nilai degradasi

sabun transparan ekstrak etanol daun pepaya yang terbaik merupakan nilai degradasi

tertinggi. Oleh karena itu, untuk mengetahui nilai degradasi tertinggi harus mengetahui



nilai suhu, waktu kontak, dan konsetrasi ekstrak yang optimal yang menyebabkan nilai

degradasi menjadi tinggi. Berikut langkah-langkah melakukan optimalisasi dari model

yang sudah dibentuk:

1. Klik Stat → Submenu DOE → Response Surface → Response Optimizer

2. Pada baris Degradasi dengan Sabu, Goal dipilih Maximize




Hasil output diatas merupakan kondisi optimum suhu, waktu, dan konsentrasi untuk

memperoleh nilai degradasi yang maksimum. Diperoleh bahwa agar degradasi sabun

transparan ekstrak etanol daun papaya dalam membersihkan biofilm S. aureus

mencapai nilai maksimum, maka suhu yang optimal adalah pada suhu 34.9495 derajat

Celcius, waktu kontak 5 menit, dan konsentrasi ekstrak yang digunakan sebesar

2.2609% dengan nilai degradasi transparan ekstrak etanol daun pepaya yang

dihasilkan sebesar 121.9204%.

Nilai d dan D pada hasil Minitab merupakan nilai desirability. Nilai d pada hasil

output Minitab menunjukkan nilai Individual desirability yang mengukur seberapa

dekat nilai dugaan satu respons berada dekat dengan nilai tujuan yang diinginkan.

Sementara itu, nilai D pada hasil output Minitab menunjukkan nilai Composite

desirability yang mengukur seberapa dekat nilai dugaan seluruh respons keseluruhan

berada dekat dengan nilai tujuan yang diinginkan. Nilai desirability diukur dalam

skala 0 sampai 1.

Apabila nilai desirability mendekati 1, maka solusi umum untuk memperoleh nilai

tujuan merupakan solusi yang ideal sehingga dapat digunakan sebagai solusi yang

optimum.

Apabila nilai desirability mendekati 0, maka terdapat satu atau lebih nilai respons

yang berada di luar batas penerimaan sehingga tidak dapat digunakan sebagai solusi



optimal sehingga harus dilakukan penentuan titik optimum kembali dengan

melakukan spesifikasi model dan melakukan penambahan titik awal optimalisasi.

Dari hasil output diatas menunjukkan nilai d dan D secara berturut-turut mempunyai

nilai desirability sebesar 0.9897 yang menunjukkan bahwa sekitar 98.97% nilai

dugaan degradasi sabun transparan ekstrak etanol daun pepaya sebesar 121.9204%

dari solusi umum suhu 34.9495 derajat Celcius, waktu kontak 5 menit, dan

konsentrasi ekstrak yang digunakan sebesar 2.2609% berasal dari batas bawah

degradasi sabun transparan etanol daun pepaya 16.54676 hingga nilai tujuan

123.0216. Dengan demikian, solusi umum tersebut merupakan kondisi optimal untuk

memaksimumkan degradasi sabun transparan ekstrak etanol daun pepaya.



Contoh 2 (Membangkitkan Rancangan Respon Permukaan Sendiri)

Suatu Penelitian dilakukan untuk mengetahui pengaruh waktu pemanasan dan suhu

pemanasan terhadap kadar beta karoten yang terkandung dalam wortel Nantes pada saat

dipanaskan dalam oven. Penelitian tersebut melakukan pengulangan sebanyak 2 kali dengan

menetapkan waktu pemanasan tercepat dan terlama yang digunakan, yaitu berkisar dari 10 menit

hingga 30 menit. Sementara itu, suhu terendah dan tertinggi yang ditetapkan berkisar dari 40

derajat Celcius hingga 60 derajat Celcius. Penelitian tersebut ingin mengetahui kondisi optimum

waktu pemanasan dan suhu pemanasan pada wortel agar kadar beta karoten yang diinginkan

tetap 3000 μg/100g.

Langkah-Langkah Pengolahan Data dengan Minitab

1. Klik Menu Stat → Submenu DOE → Response Surface → Create Response Surface

Design

2. Type of Design dipilih Central composite → Number of Continous factors dipilih 3 →Klik Display Available Design…



3. Pilih Design Central composite full unblocked dengan Continous Factors 13 → Klik OK

→ Klik Designs…

4. Pilih Design paling atas → Number of Center Points dipilih Default → Value of Alpha

dipilih Face Centered → Number of replicates diisi 2 → Klik OK → Klik Factors

5. Levels Define dipilih Cube Points → Factor A pada Name diisi Waktu, Low diisi 10,

high diisi 30 → Factor B pada Name diisi Suhu, Low disii 40, High diisi 60 → Klik OK



6. Klik OK → Maka akan muncul output pada Worksheet Minitab sebagai berikut:

Hasil output diatas merupakan hasil pembangkit data untuk melakukan rancangan respon

permukaan sendiri. Hasil setiap pembangkitan data pada setiap sel datanya selalu

berbeda, sehingga contoh pada praktek ini tidak akan sama dengan contoh hasil output

Worksheet diatas. Berikut merupakan arti dari masing-masing kolom:



Kolom StdOrder merupakan kolom Standar Order, yaitu urutan standar dalam

melakukan percobaan.

Kolom RunOrder merupakan kolom Run Order, yaitu urutan percobaan yang

dilakukan.

PtType merupakan Point Type, yaitu jenis titik yang digunakan dalam percobaan.

Kode 0 menunjukkan titik pusat, kode 1 menunjukkan titik kubus, dan kode -1

menunjukkan titik aksial.

Block merupakan kelompok yang digunakan pada percobaan.

Waktu dan Suhu merupakan taraf dari faktor waktu dan suhu yang digunakan

dalam suatu percobaan.

Dengan melakukan pembangkit data rancangan respon permukaan dengan Minitab, maka

dapat mempermudah dalam pengambilan nilai respon sesuai pasangan taraf faktor setiap

percobaan. Hasil nilai respon dapat diinput di kolom setelah kolom faktor waktu dan

suhu.

MODUL PELATIHAN - STTIF

Documents