A.

PENDAHULUAN

Untuk merancang percobaan yang diperlukan maka unit eksperiment yang

akan kita lakukan harus homogen untuk memperkecil kesalahan error yang timbul
karena disebabkan variasi, dan setiap perlakuan dipberi perlakuan dan pengulangan
yang sama dan secara acak. Untuk rancangan acak lengkap bias dilakukan secara
manual namun seiring perkembangan zaman sehingga muncul program-program lain
yang berkembang, yang lebih praktis, efisien dan hasil nya akurat, salah atunya yaitu
program SAS.

Rancangan acak lengkap atau completely randomized design merupakan

salah satu model rancangan dalam rancangan percobaan. Rancangan acak lengkap ini
digunakan bila unit percobaan homogen.

Rancangan ini disebut rancangan acak lengkap, karena pengacakan

perlakuan dilakukan pada seluruh unit percobaan. Rancangan ini dapat digunakan
untuk melakukan percobaan di di laboratorium atau di rumah kaca atau lapangan .
Rancangan acak lengkap digunakan bila faktor yang akan diteliti satu faktor atau
lebih dari satu faktor. Pada percobaan dengan menggunakan rancangan faktorial (lebih
dari satu faktor) rancangan acak lengkap menjadi rancangan lingkungan ( Syukri , M ,
Nur. 2005).

Rancangan ini tergolong yang paling sederhana, digunakan bila bahan-bahan

percobaan relatif seragam atau homogen. RAL sering dipakai dalam percobaan pada
lingkungan yang (relatif) terkendali seperti percobaan laboratorium atau rumah kaca.
Pengacakan perlakuan dilakukan hanya sekali untuk seluruh satuan percobaan.
Banyaknya ulangan dalam setiap perlakuan tidak mesti sama meskipun jumlah
ulangan yang sama lebih memudahkan dalam analisis data.

Layout RAL 5 perlakuan (A, B, C, D, E) dan empat ulangan adalah

seperti berikut.

B1 A2 B2 C1 D3

B3 C2 D2 E2 E3

C3 B4 E1 A4 D1

C4 A3 A1 D4 E4
 (I.Marzuki. 2005)

Model linier yang tepat untuk rancangan acak lengkap adalah:

Yij(t) = µ + P(t) + ε(t)

dimana:

I = 1, 2, ...n; dan t = 1, 2, ...n

Yij(t) = nilai pengamatan pada baris ke-i, kolom ke-j yang mendapat perlakuan

ke-t.

µ = nilai rata-rata umum

P(t) = pengaruh perlakuan ke-t

e(t) = pengaruh galat yang memperoleh perlakuan ke-t

Hipotesis

H0 : τ1 = τ2 = . . . = τt = 0 atau tidak ada pengaruh perlakuan terhadap respons yang

diamati.

H1 : minimal ada satu τi ≠ 0, untuk i = 1, 2, … ,t atau paling sedikit ada sepasang τi

yang tidak sama.

Rancangan acak lengkap berguna untuk melaksanakan percobaan bila

unit percobaan homogen. Pelaksanaan percobaan dengan menggunakan rancangan
acak lengkap dilaksanakan dengan langkah-langkah sebagai berikut :

1. Pengacakan, yaitu penempatan perlakuan pada unit percobaan dilakukan secara

acak, Analisis Ragam

2. Terdapat dua sumber keragaman dalam RAL yaitu keragaman yang terjadi karena
perlakuan dan keragaman antar satuan percobaan yang mendapat perlakuan sama.
Keragaman yang kedua ini disebut galat percobaan (experimental error). Oleh karena
itu, tabel ANOVA RAL memiliki dua komponen keragaman, perlakuan dan galat.
Tabel analisis ragam RAL ulangan sama tampak seperti berikut :

Sumber Derajat bebas Jumlah Kuadrat Kuadrat

Fhitung
keragaman (db) (JK) Tengah (KT)

Perlakuan t-1 JKP KTP KTP/KTG

(P)

Galat (G) t (r-1) JKG KTG -

Total (T) tr -1 JKT - -

 t = banyaknya perlakuan (P); r = banyaknya ulangan.
Menghitung RAL dapat menggunakan program SAS. SAS menggunakan
bahasa pemograman, dan memungkinkan programmer melakukan entri data, analisis
statistik, peramalan untuk mendukung keputusan riset operasi, peningkatan kualitas
pengembangan aplikasi data dan lain sebagainya. Pemograman dalam SAS
dikategorikan dalam 2 jenis, yaitu data step untuk membuat, membaca atau pun
memanipulasi data, dan proc step (procedure step) digunakan untuk menganalisa,
meringkas atau pun membuat tabulasi dari sebuah data. SAS dibangun sejak versi 6.0
hingga versi 9.2. Baik tahapan data maupun tahapan prosedur diawali dengan kata
“data” atau “proc”, dan diakhiri dengan kata “run”.( Kismiantini, 2010).

Analisis data yang telah dilakukan akan menghasilkan kesimpulan apakah Ho

atau H1 yang diterima setelah dilakukan uji F, untuk mengetahui apakah terdapat
perbedaan perlakuan yang dicobakan.

H0 : µ1 = µ2 = µ3 = µ4 …….= µn

H1 : µ1 ≠ µ2 ≠ µ3 ≠ µ4 ……. ≠ µn

Jika Ho diterima berarti semua perlakuan yang dicobakan memberikan

pengaruh yang sama, tetapi jika H1 yang diterima berarti paling sedikit terdapat
sepasang nilai tengah perlakuan yang berbeda. Untuk mengetahui pasangan perlakuan
mana yang mempunyai nilai tengah yang berbeda tersebut, maka perlu dilakukan
pengujian lanjutan untuk mengetahui perbedaan diantara nilai tengah perlakuan
tersebut. Pengujian tersebut diistilahkan dengan uji lanjutan atau biasa juga disebut uji
pembanding berganda.

Untuk melakukan uji lanjutan, digunakan beberapa jenis uji lanjutan. Setiap
jenis uji lanjutan memerlukan kriteria-kriteria tertentu yang harus dipenuhi sehingga
pengunaannya tidak boleh sembarang. Penggunaan uji lanjutan digunakan untuk
mengetahui pasangan perlakuan mana yang mempunyai nilai tengah yang berbeda.
Untuk menentukan jenis uji lanjutan yang sesuai maka harus diperhatikan apakah uji
yang akan digunakan adalah untuk perbandingan yang bersifat terencana atau tidak.
Perbandingan terencana adalah perbandingan yang memang direncanakan sebelum
data suatu percobaan diperoleh atau sebelum percobaan dilakukan, sedangkan
perbandingan tidak terencana adalah perbandingan yang dilakukan setelah data
diperoleh.
 Berbagai macam jenis uji lanjut diantaranya adalah Uji duncan dan Uji BNt
(Beda Nyata terkecil) atau yang lebih dikenal sebagai uji LSD (Least Significance
Different.

Uji Ducan adalah prosedur perbandingan dari nilai tengah perlakuan (rata-rata
perlakuan) untuk semua pasangan perlakuan yang ada. Uji lanjut ini menggunakan
nilai pembanding sebagai alat uji sesuai dengan jumlah nilai tengah atau rataan yang
ada diwilayah dua perlakuan yang dibandingkan.

Uji jarak ganda Duncan atau Uji DMRT ( Duncan Multiple Range Test) untuk
mengetahui jenis terbaik berdasarkan rankingnya. Uji ini dilakukan kareana adanya
perbedaan nyata pada hasil analisis varians. Uji ini juga dilakukan untuk mengetahui
adanya perbedaan dari pemberian perlakuan yang dilakukan uji F.

Uji Duncan juga digunakan untuk melihat adanya pengaruh antar perlakuan
yang diuji Uji Duncan atau juga dikenal dengan istilah Duncan Multiple Range Test
(DMRT) memiliki nilai kritis yang tidak tunggak tetapi mengikuti urutan rata –rata
yang dibandingkan. Nilai kritis uji Duncan dinyatakan dalam nilai least significant
range:

Di mana :

Rp : wilayah nyata terkecil Duncan

qα : sebaran wilayah di student kan untuk uij Duncan pada α, p dan dbf

p : nomor urutan rata – rata dari nilai terkecil (p= 2,3,4...,t)

Untuk menggunakan uji ini, atribut yang perlukan adalah:

1. data rata-rata perlakuan

2. taraf nyata

3. jumlah perlakuan

4. derajad bebas (db) galat

5. tabel Duncan untuk menentukan nilai kritis uji perbandingan.

Uji DMRT ini dilakukan hanya apabila hasil analisis ragam minimal
berpengaruh nyata.

Uji BNT atau LSD-test juga dikenal dengan Uji t berganda

atau multiple t test, uji ini akan bekerja secara lebih efektif (lebih teliti) apabila
perlakuan yang akan diperbandingkan sebelumnya telah direncanakan, sehingga
sering juga dikenal sebagai perbandingan terencana.  Pengujian dilakukan
berdasarkan dua nilai baku (α) pembanding terhadap perbedaan rata-rata, yaitu
LSD(α=5%) dan LSD(α=1%), yang diperoleh dengan mengalikan nilai t-sudent dengan
nilai galat baku rerata deviasi (Sδ).  Berdasarkan contoh soal, maka bentuk BNT yang
digunakan adalah unutk RAL dengan ulangan yang sama, maka nilai BNT, diperoleh
melalui persamaan berikut:

Selanjutnya perhatikan tabel distribusi t-studen yang dapat diperoleh pada

lampiran buku-buku statistik atau buku-buku rancangan percobaan.
 pada selisih nilai tengah yang lebih kecil dengan nilai BNT5%.  Dari tabel
terlihat bahwa, perbandingan antara P1 (0%) dengan P2 (1%)  dan antara P3 (2%)
dengan P4 (3%) menunjukkan nilai selisih nilai tengah 0,052 dan 0,059 lebih kecil
dari nilai BNT5%.  Hal ini berati bahwa tidak terdapat perbedaan yag nyata (P>0,05)
diantara perlakuan-perlakuan tersebut, beri pangkat ns.  Selanjutnya perhatikan nilai-
nilai dengan selisih nilai tengah > dari nilai BNT5% dan 1%.  Beri pangkat (*)
apabila selisih nilai tengah > dibandingkan dengan nilai BNT5% dan beri pangkat
(**) apabila selisih nilai lebih besar dari nilai BNT 1%.

( Mawardi , 2013)

B. HASIL PENGAMATAN

Hasil Analisis Varietas-RAL

16:07 Monday, May 5, 1997

OBS TREAT R KONS

1 R0 1 6.6
2 R0 2 6.4
3 R0 3 5.9
4 R0 4 6.6
5 R0 5 6.2
6 R0 6 6.7
7 R0 7 6.3
8 R0 8 6.5
9 R0 9 6.5
10 R0 10 6.8
11 R1 1 5.6
12 R1 2 5.2
13 R1 3 5.3
14 R1 4 5.1
15 R1 5 5.7
16 R1 6 5.6
17 R1 7 5.6
18 R1 8 6.3
19 R1 9 5.0
20 R1 10 5.4
21 R2 1 6.9
22 R2 2 7.1
23 R2 3 6.4
24 R2 4 6.7
 25 R2 5 6.5
26 R2 6 6.6
27 R2 7 6.6
28 R2 8 6.6
29 R2 9 6.8
30 R2 10 6.8

Hasil Analisis Varietas-RAL

General Linear Models Procedure

Class Level Information

Class Levels Values

TREAT 3 R0 R1 R2

Number of observations in data set = 30

General Linear Models Procedure

Dependent Variable: KONS

Sum of Mean
Source DF Squares Square F Value Pr > F

Model 2 8.30600000 4.15300000 49.59 0.0001

Error 27 2.26100000 0.08374074

Corrected Total 29 10.56700000

R-Square C.V. Root MSE KONS Mean

0.786032 4.659902 0.289380 6.210000

Source DF Type I SS Mean Square F Value Pr > F

TREAT 2 8.30600000 4.15300000 49.59 0.0001

M 0.0001

OBS TREAT R KONS

1 R0 1 6.6
2 R0 2 6.4
3 R0 3 5.9
4 R0 4 6.6
5 R0 5 6.2
6 R0 6 6.7
7 R0 7 6.3
8 R0 8 6.5
9 R0 9 6.5
10 R0 10 6.8
 11 R1 1 5.6
12 R1 2 5.2
13 R1 3 5.3
14 R1 4 5.1
15 R1 5 5.7
16 R1 6 5.6
17 R1 7 5.6
18 R1 8 6.3
19 R1 9 5.0
20 R1 10 5.4
21 R2 1 6.9
22 R2 2 7.1
23 R2 3 6.4
24 R2 4 6.7
25 R2 5 6.5
26 R2 6 6.6
27 R2 7 6.6
28 R2 8 6.6
29 R2 9 6.8
30 R2 10 6.8

HASIL ANALISIS VARIETAS-RAL 5

16:07 Monday, May 5, 1997

General Linear Models Procedure

Class Level Information

Class Levels Values

TREAT 3 R0 R1 R2

Number of observations in data set = 30

 HASIL ANALISIS VARIETAS-RAL

General Linear Models Procedure

Dependent Variable: KONS

Sum of Mean
Source DF Squares Square F Value Pr > F

Model 2 8.30600000 4.15300000 49.59 0.0001

Error 27 2.26100000 0.08374074

Corrected Total 29 10.56700000

R-Square C.V. Root MSE KONS Mean

0.786032 4.659902 0.289380 6.210000

Source DF Type I SS Mean Square F Value Pr > F

TREAT 2 8.30600000 4.15300000 49.59 0.0001

Source DF Type III SS Mean Square F Value Pr > F

TREAT 2 8.30600000 4.15300000 49.59 0.0001

General Linear Models Procedure

Level of -------------KONS------------
TREAT N Mean SD

R0 10 6.45000000 0.26352314
R1 10 5.48000000 0.37357135
R2 10 6.70000000 0.20548047

General Linear Models Procedure

Duncan's Multiple Range Test for variable: KONS

NOTE: This test controls the type I comparisonwise error rate, not
the experimentwise error rate

Alpha= 0.05 df= 27 MSE= 0.083741

Number of Means 2 3
Critical Range .2655 .2790

Means with the same letter are not significantly different.

Duncan Grouping Mean N TREAT

A 6.7000 10 R2
A
A 6.4500 10 R0

B 5.4800 10 R1
HASIL ANALISIS VARIETAS-RAL 9
16:07 Monday, May 5, 1997

General Linear Models Procedure

T tests (LSD) for variable: KONS

NOTE: This test controls the type I comparisonwise error rate not
the experimentwise error rate.

Alpha= 0.05 df= 27 MSE= 0.083741

Critical Value of T= 2.05
Least Significant Difference= 0.2655

Means with the same letter are not significantly different.

T Grouping Mean N TREAT

A 6.7000 10 R2
A
A 6.4500 10 R0

B 5.4800 10 R1

C. PEMBAHASAN
Pada bagian options1s=78, angka 78 ini merupakan angka yang akan
digunakan sebanyak mana barisan yang akan digunakan, Sebelum kita menulis
program SAS, kita harus menentukan dulu nama pada setiap peubah. Kita lakukan ini
agar kita bisa membedakan peubah yang satu dengan peubah yang lain ketika
melakukan komputasi atau ketika meminta statistiknya. Nama peubah SAS harus
sesuai dengan beberapa aturan yang sederhana, Misalnya data zaitun bisa diganti
dengan data kelompok atau nama sendiri namun tidak boleh melebihi 8 karakter hal
ini dikarenakan SAS membatasi hanya sampai 8 digit keluaran nya, apabila lebih dari
itu SAS tidak dapat memunculkan datanya, Hal ini sesuai dengan pendapat SAS
Sumatera Utara (2015) yang menyatakan Pada SAS MMDDYY8. hasil keluarannya 
hanya 8 digit.
Ada beberapa jenis pernyataan SAS, tetapi umumnya di-pakai bersama-
sama yang diakhiri dengan titik koma. Titik koma dalam program SAS seperti sebuah
titik dalam bahasa inggris. Kemungkinan terbanyak ditemukannya error dalam
program SAS adalah hilangnya tanda titik koma. Hilangnya disebabkan komputer
membaca dua pernyataan sebagai suatu pernyataan yang berlanjut dan tetap menjadi
suatu hal yang salah.
 Perlu diingat bahwa semua command atau perintah SAS harus diakhiri dengan
semicolon (;) sebagai command terminator dalam SAS untuk menandai akhir suatu
command. Jika tidak ada (;) maka SAS akan menggabungkan syntax baris berikutnya
dengan syntax baris sebelumnya sebagai satu command. Hal ini merupakan sumber
kesalahan yang sering terjadi dalam pemrograman SAS.
Tanda dolar ($) setelah variabel nama dan gander menunjukkan bahwa tipe
data ialah text, sedanngkan pada umur tinggi dan berat diakhirnya tidak dilambangkan
dengan dolar hal ini dikarena variabelnya berupa angka.
Pada awal saat memasukan data Rancangan Acak Lengkap , maka dengan
mengetik data dt1; input treats$ r kons dan kemudian cards, r yang dimaksud dari data
adalah replikasi dan cards adalah perintah untuk menolah data, maka setelah kita
mengetik itu dan proc prit; run; maka pada output SAS muncul data seperti berikut :
R0 1 6.6
R0 2 6.4
R0 3 5.9
R0 4 6.6
R0 5 6.2
R0 6 6.7
R0 7 6.3
R0 8 6.5
R0 9 6.5
R0 10 6.8
R1 1 5.6
R1 2 5.2
R1 3 5.3
R1 4 5.1
R1 5 5.7
R1 6 5.6
R1 7 5.6
R1 8 6.3
R1 9 5.0
R1 10 5.4
R2 1 6.9
R2 2 7.1
R2 3 6.4
R2 4 6.7
R2 5 6.5
R2 6 6.6
R2 7 6.6
R2 8 6.6
R2 9 6.8
R2 10 6.8
Dan setelah itu dilanjutkan dengan mengetik titile ‘ hasil analisis ragam RAL ‘, proc
glm data=dt1; class treat, model kons=treats ; run; , Pada General Linear Models
Procedure adanya perintah Proc GLM, dimana Proc GLM merupakan suatu program
statistika yang bertujuan untuk menganalisa data yang berdasarkan pada penelitian
percobaan baik di lapangan maupun di laboratorium . GLM atau General Linear
Model (Model Linear Umum) dibuat olehSAS In. sebagai salah satu bagian dari
program SAS disamping program-program lainnya, maka pada output SAS nya akan
muncul data seperti berikut :
OBS TREAT R KONS
1 R0 1 6.6
2 R0 2 6.4
3 R0 3 5.9
4 R0 4 6.6
5 R0 5 6.2
6 R0 6 6.7
7 R0 7 6.3
8 R0 8 6.5
9 R0 9 6.5
10 R0 10 6.8
11 R1 1 5.6
12 R1 2 5.2
13 R1 3 5.3
14 R1 4 5.1
15 R1 5 5.7
16 R1 6 5.6
17 R1 7 5.6
18 R1 8 6.3
19 R1 9 5.0
20 R1 10 5.4
21 R2 1 6.9
22 R2 2 7.1
23 R2 3 6.4
24 R2 4 6.7
25 R2 5 6.5
26 R2 6 6.6
27 R2 7 6.6
28 R2 8 6.6
29 R2 9 6.8
30 R2 10 6.8

Pada data analisis varietas Dapat dilihat pada hasil data tersebut diperoleh Df
treatment nya 2 dan df error 27, dan total nya 29, dan diperoleh SS pada treatment
sebesar 8,36 dan means squarenya 4,15300000 dan pada experimental errornya
diperoleh sum of squaresnya 2,26100000 dan means squarenya sekitar 0.8374074. dan
dari data ini diperoleh F valuenya sebesar 49,59 , jika dibandingkan dengan cara
manual maka F kalkulasinya diperoleh 46,11 , sedikit ada perbedaan besarnya. Pada
SAS Untuk mencari kesimpulannya maka dengan membandingkan f value dengan pr
> F dan pada data di peroleh pr > F nya sebesar 0,0001, sedangkan secara manual
dengan cara membandingkan F kalkuasi atau F hitung dengan F tabel.
Berdasarkan r-square dari data diatas menunjukan keakuratan suatu data,
semakin besar nilainya maka datanya semakin akurat. Dapat dilihat keakuratan
datanya yaitu 0,78 yang menunjukan data mendekati akurat. Type I SS harus sama
hasilnya dengan type III SS yang menunjukan bahwa perhitungan benar, selain itu
F value > F tabel maka Ho ditolak dan H1 diterima sehingga ada perbedaan yang
signifikan dari data tersebut.
Sehingga pada data dengan program SAS ini Pada data 1 mengenai “Hasil
Analisis Ragam RAL 1” memiliki Hipotesis nol (H0) dan Hipotesis Alternatif (Ha).
H0 yaitu tidak ada pengaruh nyata (perbedaan) dari perlakuan terhadap hasil
pengamatan analisis Ragam RAL. Sedangkan Ha yaitu ada pengaruh nyata
(perbedaan) dari perlakuan terhadap hasil pengamatan analisis Ragam RAL. Dari data
1, diperoleh bahwa F kalkulasinya senilai 54.32. Untuk Ftabel pada α 0,05 dari df
treatment= 6 dan df error= 28 adalah 2.44. Karena nilai F kalkulasi lebih besar F tabel,
maka H0 ditolak sedangkan Ha diterima, sehingga terdapat signifikan yaitu ada
pengaruh nyata (perbedaan) dari perlakuan terhadap hasil pengamatan analisis Ragam
RAL.
Pada data 2 mengenai “Hasil Analisis Ragam RAL 2” memiliki Hipotesis nol
(H0) dan Hipotesis Alternatif (Ha). H0 yaitu tidak ada pengaruh nyata (perbedaan)
dari perlakuan terhadap hasil pengamatan analisis Ragam RAL. Sedangkan Ha yaitu
ada pengaruh nyata (perbedaan) dari perlakuan terhadap hasil pengamatan analisis
Ragam RAL. Dari data 2, diperoleh bahwa F valuenya senilai 49,59. Untuk pr > F
adalah 0,0001, sehingga Hasil analisis dapat disimpulkan sebagai berikut :
karena nilai pr > F < 0.05, maka H1 diterima dan H0 ditolak. Hal ini berarti, ada
perbedaan antara perlakuan yang dicobakan

Jika Ho diterima berarti semua perlakuan yang dicobakan memberikan

pengaruh yang sama, tetapi jika H1 yang diterima berarti paling sedikit terdapat
sepasang nilai tengah perlakuan yang berbeda. Untuk mengetahui pasangan perlakuan
mana yang mempunyai nilai tengah yang berbeda tersebut, maka perlu dilakukan
pengujian lanjutan untuk mengetahui perbedaan diantara nilai tengah perlakuan
tersebut. Pengujian tersebut diistilahkan dengan uji lanjutan atau biasa juga disebut uji
pembanding berganda.

Habis tabel anova diperoleh data signifikan H1 diterima dan Ho ditolak tetapi
kita belum tau faktor yang mana yang menyebabkan pengaruh perbedaan itu jadi perlu
di uji lanjutan di uji yaitu dengan uji duncan dan uji lsd.

Setelah didapatkan hasil RAL maka diuji dengan uji LSD, dimana Mean perlk;
mean perlk/ducan atau kita bisa mengunakan mean perlk/lsd; dan setelah itu run;
 Dari data dengan uji ducan yang mana kita ketahui Uji ducan berfungsi untuk
mengetahui hasil uji beda nyata dengan metode Duncan pada RAL faktorial. Apabila
hasil yang diperoleh menunjukkan data signifikan H1 diterima dan H0 ditolak , maka
dapat dinyatakan data tersebut ke dalam uji beda nyata guna mengetahui lebih lanjut
letak perbedaan spesifik dari data. Untuk melihat output hasil tabel data RAL pada
program SAS klik input sampai pada proc print data ; run; dan dengan mengklik icon
seperti orang berlari pada program editor. Maka hasil output tabeL RAL faktorial akan
tampak, kemudian untuk melihat output table anova dalam RAL dengan mengklik
Proc glm ; Class A B; dan Model Y = A B A*B; run; maka output tabel anovanya
akan tampak. Untuk melihat hasil uji beda nyata itu sendiri yang signifikan atau tidak
yaitu dengan mengklik Mean A B ; Mean A B/DUNCAN; Run; maka data uji beda
nyata akan tampak.

Dari data yang diperoleh menunjukan data dari mean treat mengunakan alpa
0,05 dengan df yang bernilai sebesar 27 dan MSE (error) sebesar 0,083, dan selain itu
nilai tersebut dapat menunjukan apakah data tersebut berbeda nyata atau tidak.
Berdasarkan uji ducan diperoleh ada duncan grouping yaitu A berjumlah 3 pada
replikasi 3 dan replikasi 1 sedangkan b nya ada satu pada replikasi kedua. Sehingga
dapat disimpulkan bahwa data R3 tidak berbeda nyata dengan R1 karena memiliki
nilai mean yang hampir sama dan pada R1 dan R3 berbeda nyata karena nilai nya
mean nya jauh berbeda.

Daftar pustaka
I. Marzuki. 2005. Aplikasi Minitab Dalam Perancangan Percobaan Di Bidang
Agronomi. Ambon : Universitas Patimura.

Kismiantini.2010. SAS (Statistical Analysis System). UNY : Yogyakarta.

Mawardi . 2013. Uji Lanjut Perbandingan Berganda. Makasar

Syukri , M, Nur. 2005. Statiska Perancangan percobaan. Jakarta : PT Calprint

Indonesia.