PENANGANAN KETIDAKHOMOGENAN RAGAM AKIBAT KEBERADAAN DATA EKSTRIM MELALUI PENDEKATAN EM-AMMI NADA TSURAYYA
|
|
- Yohanes Oesman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENANGANAN KETIDAKHOMOGENAN RAGAM AKIBAT KEBERADAAN DATA EKSTRIM MELALUI PENDEKATAN EM-AMMI NADA TSURAYYA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
2
3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Penanganan Ketidakhomogenan Ragam Akibat Keberadaan Data Ekstrim Melalui Pendekatan EM-AMMI adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juli 2014 Nada Tsurayya NIM G
4 ABSTRAK NADA TSURAYYA. Penanganan Ketidakhomogenan Ragam Akibat Keberadaan Data Ekstrim Melalui Pendekatan EM-AMMI. Dibimbing oleh ITASIA DINA SULVIANTI dan I MADE SUMERTAJAYA. Percobaan multilokasi dilakukan untuk mengidentifikasi daya adaptasi genotipe dari berbagai lokasi. Additive Main Effect Multiplicative Interaction (AMMI) dapat mengidentifikasi genotipe yang mampu beradaptasi pada berbagai lokasi (genotipe stabil) maupun genotipe yang sesuai pada lokasi tertentu (genotipe spesifik). Percobaan multilokasi dengan ragam galat yang homogen terkadang tidak selalu terpenuhi. Hal ini menyebabkan terjadinya pelanggaran asumsi kehomogenan ragam yang merupakan bagian dari analisis AMMI. Penelitian ini menggunakan data percobaan multilokasi dari PAIR- BATAN yang terdiri dari 12 genotipe dengan 5 lokasi pengujian. Respon yang diukur adalah produksi gabah kering giling tanaman padi (ton ha -1 ). Eksplorasi terhadap keberadaan data ekstrim menunjukkan bahwa pada penelitian ini terdapat 6 amatan kombinasi genotipe dengan lokasi yang memiliki ragam sangat tinggi. Metode Expectation Maximization-AMMI (EM-AMMI) dapat dilakukan untuk mengatasi pelanggaran asumsi kehomogenan ragam galat dengan melakukan pengeliminasian data ekstrim terlebih dahulu sehingga analisis ragam pada AMMI dapat digunakan dengan tepat. Hasil analisis AMMI menunjukkan bahwa genotipe G9 stabil dan memiliki rata-rata produksi gabah kering giling yang lebih tinggi dibandingkan rata-rata umum maupun rata-rata genotipe kontrol. Kata kunci: data ekstrim, EM-AMMI, homogen ABSTRACT NADA TSURAYYA. Handling Heterogeneity of Variance Caused by The Presence of Extreme Data by EM-AMMI Approach. Supervised by ITASIA DINA SULVIANTI and I MADE SUMERTAJAYA. Multilocation trial is applied to identify adaptation of genotypes from various locations. Additive Main Effect Multiplicative Interaction (AMMI) can identify genotypes that able to adapt in some locations (stable genotype) or genotype that adapt in specific location (specific genotype). Multilocation trial with homogeneity error variance sometimes is not required. So it causes the violation of homogeneity of variance that is part of AMMI analysis. This research uses multilocation trial data from PAIR-BATAN that are consists of 12 genotypes at 5 trial locations. Measurement of responses is dried unhusked rice production (ton ha -1 ). The exploration of the presence of extreme data shows there are 6 observations of combination genotype by location that have too high variance. The Expectation Maximization-AMMI (EM-AMMI) will solve the violation of homogeneity error variance by eliminating extreme data initially so, AMMI analysis will be used appropriately. AMMI analysis shows that genotype G9 is stable and has a higher average of dried unhusked rice production than both total average and control genotype average. Keywords: extreme data, EM-AMMI, homogeneous
5 PENANGANAN KETIDAKHOMOGENAN RAGAM AKIBAT KEBERADAAN DATA EKSTRIM MELALUI PENDEKATAN EM-AMMI NADA TSURAYYA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
6
7 Judul Skripsi : Penanganan Ketidakhomogenan Ragam Akibat Keberadaan Data Ekstrim Melalui Pendekatan EM-AMMI Nama : Nada Tsurayya NIM : G Disetujui oleh Dra Itasia Dina Sulvianti, MSi Pembimbing I Dr Ir I Made Sumertajaya, MSi Pembimbing II Diketahui oleh Dr Anang Kurnia, MSi Ketua Departemen Tanggal Lulus:
8 PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta ala atas rahmat dan karunia-nya sehingga karya ilmiah ini berhasil diselesaikan. Karya ilmiah ini berjudul Penanganan Ketidakhomogenan Ragam Akibat Keberadaan Data Ekstrim Melalui Pendekatan EM-AMMI. Karya ilmiah ini disusun sebagai salah satu syarat untuk mendapat gelar Sarjana Statistika di Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Terima kasih penulis ucapkan kepada Ibu Dra Itasia Dina Sulvianti, MSi dan Bapak Dr Ir I Made Sumertajaya, MSi selaku dosen pembimbing, serta Bapak Dr Bagus Sartono, MSi selaku dosen penguji yang telah banyak memberi saran. Selain itu, penghargaan penulis sampaikan kepada Bapak Dr Ir Sobrizal yang telah memberikan data penelitiannya. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, kakak, teman-teman, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat. Bogor, Juli 2014 Nada Tsurayya
9 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 1 METODOLOGI 2 Data 2 Metode 3 HASIL DAN PEMBAHASAN 7 Analisis Deskriptif 7 Pengujian Awal Asumsi Analisis Ragam Gabungan 9 Pengeliminasian Data Ekstrim 9 Analisis Kestabilan dengan EM-AMMI 11 Pendugaan Data Hilang 11 Analisis Ragam Gabungan 11 Analisis Ragam AMMI 13 SIMPULAN DAN SARAN 15 Simpulan 15 Saran 15 DAFTAR PUSTAKA 16 LAMPIRAN 17 RIWAYAT HIDUP 24
10 DAFTAR TABEL 1 Kode genotipe 2 2 Kode lokasi 2 3 Komponen analisis ragam AMMI 6 4 Pengeliminasian data produksi gabah kering giling 11 5 Analisis ragam gabungan 12 6 Analisis ragam AMMI 13 DAFTAR GAMBAR 1 Rata-rata produksi gabah kering giling menurut genotipe 8 2 Rata-rata produksi gabah kering giling menurut lokasi 8 3 Rata-rata produksi gabah kering giling setiap genotipe menurut lokasi 9 4 Diagram kotak garis produksi gabah kering giling 10 5 Diagram kotak garis ragam produksi gabah kering giling 10 6 Interaksi rata-rata produksi gabah kering giling menurut genotipe dengan rata-rata produksi gabah kering giling menurut lokasi 12 7 Biplot AMMI 1 produksi gabah kering giling 14 8 Biplot AMMI 2 produksi gabah kering giling 15 DAFTAR LAMPIRAN 1 Pengujian asumsi analisis ragam 17 2 Rata-rata produksi gabah kering giling sebelum pengeliminasian data ekstrim 18 3 Ragam produksi gabah kering giling sebelum pengeliminasian data ekstrim 19 4 Nilai dugaan akhir data hilang 20 5 Skor Komponen Utama Interaksi (KUI) 21 6 Metode penelitian 22 7 Metode EM-AMMI 23
11 PENDAHULUAN Latar Belakang Pemuliaan tanaman bertujuan untuk memperbaiki karakter tanaman sesuai dengan kebutuhan manusia (Syukur 2012). Hal ini dilakukan dengan memanfaatkan potensi genetik tanaman dan mengkaji interaksi genotipe dengan lingkungan sesuai dengan kondisi lahan yang berbeda-beda di Indonesia. Oleh karena itu, percobaan multilokasi memiliki peran yang sangat penting dalam pemuliaan tanaman. Percobaan multilokasi melibatkan dua faktor utama yaitu genotipe tanaman dan kondisi lingkungan (Mattjik et al. 2011). Interaksi genotipe dengan lingkungan pada percobaan multilokasi ditunjukkan oleh perbedaan daya hasil genotipe antar lokasi. Hal ini menyebabkan pentingnya mengidentifikasi genotipe yang mampu beradaptasi pada berbagai lokasi (genotipe stabil) maupun genotipe yang sesuai pada lokasi tertentu (genotipe spesifik). Berbagai metode telah dikembangkan oleh berbagai tokoh statistika seperti Eberhart dan Russell serta Finlay dan Wilkinson untuk melakukan analisis stabilitas genotipe. Metode tersebut masih meninggalkan keragaman interaksi genotipe dengan lingkungan yang cukup besar karena pendekatan ini hanya menjelaskan pengaruh interaksi genotipe dengan lingkungan secara linier. Oleh karena itu, jika pola interaksi genotipe terhadap lingkungan tidak linier maka pendekatan ini akan menyisakan keragaman yang cukup besar (Mattjik et al. 2011). Additive Main Effect Multiplicative Interaction (AMMI) merupakan salah satu analisis yang dapat digunakan untuk melihat kestabilan genotipe di berbagai lingkungan secara efektif. AMMI menggabungkan dua analisis yaitu analisis ragam aditif bagi pengaruh utama perlakuan dan analisis komponen utama ganda bagi pengaruh interaksi genotipe dengan lingkungan. (Crossa 1990; Mattjik dan Sumertajaya 2006). Pengaruh interaksi genotipe dengan lingkungan dimodelkan secara bilinier sehingga interaksi genotipe dengan lingkungan dapat dipetakan dengan jelas melalui biplot (Mattjik et al. 2011). Percobaan multilokasi dengan ragam galat yang homogen terkadang tidak selalu terpenuhi. Hal ini menyebabkan terjadinya pelanggaran asumsi analisis ragam yang merupakan bagian dari analisis AMMI. Ragam galat yang tidak homogen dapat disebabkan oleh keberadaan data-data ekstrim. Penanganan data ekstrim dapat dilakukan untuk mengatasi pelanggaran asumsi analisis ragam tersebut. Metode Expectation Maximization-AMMI (EM-AMMI) akan digunakan untuk menduga data ekstrim yang telah dieliminasi secara iteratif melalui pembentukan model AMMI terlebih dahulu. Tujuan Penelitian Penelitian ini bertujuan untuk mengidentifikasi genotipe yang mampu beradaptasi pada berbagai lokasi (genotipe stabil) dibandingkan genotipe kontrol maupun genotipe yang sesuai pada lokasi tertentu (genotipe spesifik).
12 2 METODOLOGI Data Penelitian ini menggunakan data sekunder yang diperoleh dari Pusat Aplikasi Isotop dan Radiasi (PAIR), Badan Tenaga Nuklir Nasional (BATAN), yaitu produksi gabah kering giling tanaman padi (ton ha -1 ) pada tahun 2013 di musim hujan. Genotipe tanaman padi yang diamati (Tabel 1) terdiri dari 12 genotipe yang ditanam pada 5 lokasi (Tabel 2), yaitu Kendari (Sulawesi Tengah), Jambi, Pontianak (Kalimantan Barat), Batam (Riau), dan Bantul (Daerah Istimewa Yogyakarta). Genotipe tersebut terdiri dari 10 genotipe mutan padi (G1-G10) dan 2 genotipe padi lainnya (G11 dan G12) sebagai kontrol. Rancangan percobaan yang digunakan pada setiap lokasi yaitu rancangan acak kelompok yang terdiri dari 3 kelompok. Tabel 1 Kode genotipe Kode G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 Genotipe OSV001 OSV002 OSV003 OSV004 OSV005 OSV006 OSV007 OSV008 OSV009 OSV010 OSV011 (kontrol) Ciherang (kontrol) Tabel 2 Kode lokasi Kode L1 L2 L3 L4 L5 Lokasi Kendari (Sulawesi Tengah) Jambi Pontianak (Kalimantan Barat) Batam (Riau) Bantul (Daerah Istimewa Yogyakarta)
13 3 Metode Perangkat lunak yang digunakan pada penelitian ini antara lain Microsoft Excel, AMMI in R, dan perangkat lunak lainnya. Metode analisis yang digunakan adalah sebagai berikut: 1. Melakukan analisis deskriptif yang meliputi grafik batang untuk melihat ratarata respon antar genotipe, rata-rata respon antar lokasi, dan rata-rata respon setiap genotipe menurut lokasi. 2. Melakukan analisis ragam beserta pengujian asumsi analisis ragam yang meliputi kenormalan dan kehomogenan ragam galat. Jika terdapat pelanggaran asumsi analisis ragam maka dapat dilakukan eksplorasi keberadaan data ekstrim dengan melihat ragam yang terlalu tinggi pada genotipe dengan lokasi tertentu. Pengeliminasian data dapat dilakukan pada salah satu kelompok dari suatu kombinasi genotipe dengan lokasi yang sangat menyimpang dari median pada kombinasi genotipe dengan lokasi tersebut. Model linier yang akan digunakan pada analisis ragam gabungan (Mattjik et al. 2011) adalah sebagai berikut: dengan, : pengamatan pada genotipe ke-i, di lokasi ke-j, pada kelompok ke-k : rata-rata umum :pengaruh aditif genotipe ke-i ( 1,2,3,,a), a adalah banyaknya genotipe : pengaruh aditif lokasi ke-j ( 1,2,3,,b), b adalah banyaknya lokasi : pengaruh interaksi genotipe ke-i di lokasi ke-j : pengaruh kelompok ke-k yang tersarang di lokasi ke-j ( 1,2,3,,r), r a a a ba a a :galat dari pengamatan pada genotipe ke-i, di lokasi ke-j, pada kelompok ke-k Berdasarkan model di atas diperoleh penduga parameter melalui metode kuadrat terkecil (MKT) sebagai berikut: = = - = - = - dengan, : dugaan rata-rata umum, dengan = abr : rata-rata pada genotipe ke-i, dengan = br : rata-rata di lokasi ke-j, dengan = ar : rata-rata pada kelompok ke-k yang tersarang di lokasi ke-j, dengan = a Penduga parameter tersebut pada tahap selanjutnya akan digunakan untuk membentuk model pada tahapan pendugaan data hilang melalui metode EM-
14 4 AMMI. Adapun asumsi-asumsi analisis ragam gabungan adalah sebagai berikut: a. Galat percobaan menyebar normal Asumsi ini berlaku dalam pengujian hipotesis. Hipotesis yang diuji adalah sebagai berikut: H 0 : galat menyebar normal H 1 : galat tidak menyebar normal. Uji formal yang digunakan pada penelitian ini adalah uji Kolmogorov-Smirnov. Perhitungan statistik uji kenormalan dengan metode ini adalah sebagai berikut (Daniel 1990): a dengan, : sebaran kumulatif contoh : sebaran kumulatif normal D merupakan nilai maksimum dari selisih mutlak antara S(x) dan F 0 (x) atau dapat pula diartikan secara grafis sebagai jarak vertikal terbesar antara S(x) dan F 0 (x). Jika <,, dengan n adalah banyaknya pengamatan, maka asumsi kenormalan terpenuhi. b. Galat percobaan memiliki ragam yang homogen Nilai tengah atau ragam beberapa perlakuan yang lebih tinggi daripada yang lainnya dapat mengakibatkan ragam galat yang tidak homogen (Mattjik dan Sumertajaya 2006). Hipotesis yang akan diuji adalah sebagai berikut: H 0 : H 1 : paling sedikit ada satu dari ragam yang tidak sama Uji formal yang dapat digunakan dalam pengujian kehomogenan ragam galat yaitu uji Bartlett. Menurut Mattjik dan Sumertajaya (2006), uji Bartlett dapat diperoleh dengan perhitungan sebagai berikut: { 2 dengan, : banyaknya lokasi : derajat bebas galat di lokasi ke-i : derajat bebas galat gabungan 2 : kuadrat tengah galat lokasi ke-i 2 : kuadrat tengah galat gabungan, } Nilai 2 perlu dikoreksi dengan faktor koreksi (FK) sebelum dibandingkan dengan nilai 2, -1. Nilai 2 terkoreksi adalah sebagai berikut: = 1 2 Adapun perhitungan faktor koreksi adalah sebagai berikut: FK = 1 + ( (1-1 1 ) Kriteria keputusan yang diambil, yaitu jika 2 < maka ragam galat, -1 percobaan homogen. c. Galat percobaan saling bebas Kebebasan galat menunjukkan bahwa nilai galat dari suatu pengamatan tidak bergantung dari nilai-nilai galat pengamatan yang lain. 2
15 Pengacakan yang tepat dapat menghasilkan galat percobaan yang saling bebas (Gomez dan Gomez 2007). 3. Melakukan pendugaan data hilang melalui metode EM-AMMI dengan langkah sebagai berikut: a. Menduga nilai awal data yang hilang dengan mencari rata-rata respon yang ada pada seluruh kelompok dari setiap kombinasi genotipe dengan lokasi. b. Penyusunan matriks dugaan pengaruh interaksi genotipe dengan lokasi Pengaruh interaksi genotipe ke- 1,2,3,,a dengan a adalah banyaknya genotipe, di lokasi ke-j 1,2,3,,b dengan b adalah banyaknya lokasi diduga melalui perhitungan sebagai berikut: Oleh karena itu, matriks dugaan pengaruh interaksi genotipe dengan lokasi (matriks ) dituliskan sebagai berikut: = [ 11 1b a1 ab c. Penguraian nilai singular matriks dugaan pengaruh interaksi genotipe dan lokasi menjadi Komponen Utama Interaksi (KUI) genotipe dan lokasi. Penguraian nilai singular matriks Z digunakan untuk menduga pengaruh interaksi genotipe dengan lokasi. Matriks Z dapat dituliskan sebagai hasil perkalian matriks sebagai berikut (Jolliffe 2002; Mattjik dan Sumertajaya 2006): dengan, Z : matriks data terpusat berukuran a b : matriks diagonal berukuran r r dengan diagonal utamanya akar dari akar ciri positif bukan nol, selanjutnya unsur diagonal utama matriks disebut nilai singular : matriks ortogonal ( r) yang terdiri dari beberapa vektor ciri : matriks ortogonal ( r) dengan rumus, Pendugaan pengaruh interaksi genotipe dengan lokasi dapat pula diperoleh dari perkalian skor komponen genotipe dengan skor komponen lokasi. 1 merupakan matriks diagonal yang unsur-unsur diagonalnya merupakan elemen matriks dipangkatkan. Hal yang sama 1-1- berlaku pada matriks,, dan sehingga penguraian nilai singular dapat dituliskan menjadi. Oleh karena itu, diperoleh dugaan skor komponen untuk genotipe adalah kolom-kolom matriks dan dugaan skor komponen untuk lokasi adalah kolom-kolom matriks. Nilai yang digunakan pada analisis AMMI adalah 0.5 (Mattjik dan Sumertajaya 2006). d. Penentuan banyaknya KUI yang nyata dengan metode keberhasilan total (postdictive success). Postdictive success melibatkan kemampuan suatu model yang tereduksi untuk menduga data yang digunakan dalam membentuk model tersebut. Menurut Gauch dan Zobel (1990), penentuan banyaknya ] -1 5
16 6 komponen AMMI pada postdictive success dilakukan dengan menentukan banyaknya KUI yang nyata pada uji F (analisis ragam). e. Pembentukan model AMMI. Setelah komponen penyusun model AMMI yang terdiri dari pengaruh utama dan pengaruh interaksi genotipe dengan lokasi diketahui maka dapat dibentuk model AMMI. Model AMMI dapat dituliskan sebagai berikut (Gauch dan Zobel 1990; Matjjik dan Sumertajaya 2006): dengan, : pengamatan pada genotipe ke-i, di lokasi ke-j, pada kelompok ke-k : rata-rata umum : pengaruh aditif genotipe ke-i, 1,2,3,,a : pengaruh aditif lokasi ke-j, 1,2,3,,b : pengaruh kelompok ke-k yang tersarang di lokasi ke-j, 1,2,3,,r : jumlah KUI yang nyata pada taraf nyata 5% : nilai singular ke-n, 1,2,3,, ; 1 2 m : pengaruh ganda genotipe ke-i melalui komponen bilinier ke-n : pengaruh ganda lokasi ke-j melalui komponen bilinier ke-n : galat dari pemodelan bilinier : galat dari pengamatan pada genotipe ke-i, di lokasi ke-j, pada kelompok ke-k f. Pemerikasaan rata-rata tingkat perubahan nilai dugaan data hilang Jika rata-rata tingkat perubahan kurang dari 10-5, maka nilai dugaan baru merupakan nilai dugaan terakhir. Adapun jika rata-rata tingkat perubahan lebih dari 10-5, maka nilai dugaan diganti dengan dugaan baru dan ulangi langkah 3b sampai dengan 3e. 1 Tabel 3 Komponen analisis ragam AMMI Sumber Derajat bebas Jumlah kuadrat Genotipe a-1 JKG Lokasi b-1 JKL Kelompok (Lokasi) b(r-1) JKB Genotipe*Lokasi (a-1) (b-1) JKGL KUI 1 a+b-1-2(1) JKKUI 1 KUI 2 a+b-1-2(2) JKKUI 2 KUI m a+b-1-2(m) JKKUI m Sisaan db(genotipe*lokasi- JK Sisaan Galat total b(a-1)(r-1) JKG Total abr-1 JKT
17 4. Melihat pengaruh interaksi genotipe dengan lokasi pada analisis ragam. Jika interaksi genotipe dengan lokasi berpengaruh nyata maka analisis AMMI dapat digunakan. Selanjutnya dilakukan pengujian asumsi analisis ragam seperti langkah kedua. 5. Membuat biplot AMMI. Interpretasi AMMI dapat dapat ditampilkan dalam bentuk biplot. Biplot AMMI 1 menyajikan nilai KUI pertama terhadap rata-rata respon. Biplot antara nilai KUI kedua dengan KUI pertama dapat dilakukan jika kedua KUI tersebut nyata Ha a a a 2 4. Interpretasi biplot AMMI 1 dilihat dari titik-titik yang sejenis. Jarak titiktitik amatan berdasarkan sumbu datar memperlihatkan perbedaan pengaruh utama amatan-amatan tersebut sedangkan titik-titik amatan berdasarkan sumbu tegak memperlihatkan perbedaan efek interaksi genotipe maupun lokasi. 6. Mengidentifikasi genotipe yang stabil dan genotipe yang sesuai pada lokasi tertentu. Selang kepercayaan sebaran normal ganda yang berbentuk elips pada biplot AMMI 2 dapat digunakan untuk melihat kestabilan genotipe. Jika suatu genotipe berada di luar elips maka genotipe tersebut tidak stabil begitu pun sebaliknya. Menurut Johnson dan Winchern (2007), persamaan jari-jari elips melalui pusat (0,0) dapat diperoleh sebagai berikut: dengan, r r = ± ( -1) -,, - : panjang jari-jari (jari-jari panjang dan jari-jari pendek) : banyaknya pengamatan (genotipe dan lokasi) : banyaknya peubah : akar ciri ke-i dari matriks koragam skor komponen genotipe lokasi (matriks ), adapun matriks adalah sebagai berikut: = * Genotipe yang sesuai pada lokasi tertentu dapat dilihat melalui pembuatan poligon pada biplot AMMI 2. Langkah pertama, poligon dibuat dengan menghubungkan seluruh titik lokasi terluar dari titik pusat. Kemudian, garis tegak lurus ditarik dari titik pusat ke tiap sisi poligon sehingga poligon terbagi menjadi beberapa kuadran. Genotipe-genotipe yang sesuai pada lokasi tertentu berada pada kuadran yang sama dengan lokasi tersebut (Yan dan Hunt 2002). 7 HASIL DAN PEMBAHASAN Analisis Deskriptif Gambar 1 menunjukkan bahwa genotipe G4 menghasilkan rata-rata produksi gabah kering giling tertinggi yaitu ton ha -1 sedangkan genotipe G11 (kontrol) menghasilkan rata-rata produksi gabah kering giling terendah yaitu ton ha -1. Berdasarkan Gambar 1 juga terlihat bahwa teknik pemuliaan
18 8 tanaman melalui mutasi yang diterapkan pada kesepuluh genotipe tersebut dapat menghasilkan rata-rata produksi gabah kering giling yang berbeda-beda dibandingkan kedua genotipe kontrol (G11 dan G12). Rata-rata produksi gabah kering giling (ton ha -1 ) G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 Genotipe Gambar 1 Rata-rata produksi gabah kering giling menurut genotipe Kondisi lingkungan tempat penanaman genotipe pun dapat menunjukkan produksi gabah kering giling yang berbeda-beda. Gambar 2 menunjukkan bahwa lokasi L4 memperlihatkan rata-rata produksi gabah kering giling tertinggi yaitu ton ha -1 sedangkan lokasi L3 memperlihatkan rata-rata produksi gabah kering giling terendah yaitu ton ha Rata-rata produksi gabah kering giling (ton ha -1 ) L1 L2 L3 L4 L5 Lokasi Gambar 2 Rata-rata produksi gabah kering giling menurut lokasi Perbedaan rata-rata produksi gabah kering giling dari setiap genotipe antar lokasi terlihat pada Gambar 3. Berdasarkan Gambar 3 terlihat bahwa genotipe G6 di lokasi L4 menunjukkan rata-rata produksi gabah kering giling tertinggi yaitu ton ha -1 sedangkan genotipe G5 di lokasi L1 menunjukkan rata-rata produksi gabah kering giling terendah yaitu ton ha -1. Gambar tersebut juga menunjukkan bahwa semua genotipe menghasilkan rata-rata produksi gabah kering giling yang tertinggi di lokasi L4 kecuali genotipe G9 yang menghasilkan rata-rata produksi gabah kering giling tertinggi di lokasi L5.
19 9 Rata-rata produksi gabah kering giling (ton/ha) G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 Genotipe L1 L2 L3 L4 L5 Gambar 3 Rata-rata produksi gabah kering giling setiap genotipe menurut lokasi Pengujian Awal Asumsi Analisis Ragam Gabungan Pengujian asumsi analisis ragam gabungan yang dilakukan yaitu kenormalan galat dan kehomogenan ragam galat antar lokasi. Jika asumsi analisis ragam gabungan ini tidak terpenuhi maka harus dilakukan penanganan pelanggaran asumsi analisis ragam gabungan tersebut agar analisis ragam pada AMMI dapat digunakan. Pengujian asumsi tersebut dapat dilihat pada Lampiran 1. Berdasarkan pengujian asumsi analisis ragam gabungan tersebut diperoleh bahwa asumsi kenormalan galat terpenuhi. Hal ini dapat dilihat pada pengujian kenormalan galat melalui uji Kolmogorov-Smirnov yaitu nilai-p lebih dari Pengujian asumsi kehomogenan ragam antar lokasi dilakukan dengan menggunakan uji formal melalui uji Bartlett. Hasil pengujian menunjukkan bahwa 2 2 ragam galat tidak homogen karena (20.303) > (9.488). Hal ini 5,4 menyebabkan perlunya penanganan pelanggaran asumsi kehomogenan ragam galat tersebut. Pada penelitian ini akan dilakukan penanganan data ekstrim untuk mengatasi pelanggaran asumsi kehomogenan ragam galat. Pengeliminasian Data Ekstrim Hasil pengujian asumsi analisis ragam gabungan menunjukkan bahwa ragam galat tidak homogen. Hal ini dapat disebabkan oleh keberadaan data-data ekstrim yang menyebabkan ragam beberapa perlakuan menjadi sangat berbeda dibandingkan dengan perlakuan yang lainnya. Eksplorasi keberadaan data ekstrim dapat dilakukan untuk melihat ragam yang terlalu tinggi pada genotipe dengan lokasi tertentu. Selanjutnya, pengeliminasian data ekstrim beserta pendugaan data
20 10 yang telah dieliminasi dapat dilakukan dengan menggunakan EM-AMMI. Pengeliminasian data ekstrim dapat dilakukan dengan melihat ragam yang terlalu tinggi pada genotipe dengan lokasi tertentu terlebih dahulu. Berdasarkan Gambar 4 terlihat bahwa enam amatan genotipe dengan lokasi memiliki range yang sangat besar. Selain itu keenam amatan tersebut mengandung data suatu kelompok yang sangat menyimpang dari mediannya. Keenam amatan tersebut adalah kombinasi G1 dengan L2, G1 dengan L3, G2 dengan L2, G3 dengan L1, G3 dengan L3, dan G5 dengan L2. Ragam yang terlalu tinggi dapat juga dilihat melalui diagram kotak garis ragam produksi gabah kering giling. Amatan ragam produksi gabah kering giling yang terpisah dari amatan lainnya menunjukkan amatan ragam produksi gabah kering giling tersebut sangat berbeda dibandingkan dengan amatan ragam produksi gabah kering giling lainnya. Ragam produksi gabah kering giling yang terlalu tinggi dapat dilihat pada Gambar 5. Berdasarkan gambar tersebut terlihat bahwa terdapat enam amatan ragam produksi gabah kering giling yang terlalu tinggi. Keenam amatan tersebut sama dengan amatan yang diperoleh pada Gambar 4. Produksi gabah kering giling (ton ha -1 ) Ragam Gambar 4 Diagram kotak garis produksi gabah kering giling Selanjutnya akan dilakukan pengecekan data ekstrim dari ragam produksi gabah kering giling yang terlalu tinggi dengan melihat data pada tiga kelompok. Data yang dieliminasi adalah salah satu kelompok dari suatu kombinasi genotipe dengan lokasi yang memiliki selisih terbesar dengan median pada kombinasi genotipe dengan lokasi tersebut. Kombinasi data pada genotipe, lokasi, dan kelompok yang dieliminasi dapat dilihat pada Tabel Ragam Gambar 5 Diagram kotak garis ragam produksi gabah kering giling
21 11 Tabel 4 Pengeliminasian data produksi gabah kering giling Nomor Genotipe Lokasi Kelompok Ragam G1 L * G1 L * G2 L * G3 L * G3 L * G5 L * * Data yang dieliminasi. Analisis Kestabilan dengan EM-AMMI Pendugaan Data Hilang Berdasarkan pengecekan ragam produksi gabah kering giling yang telah dilakukan sebelumnya, enam data ekstrim dari amatan ragam produksi gabah kering giling yang terlalu tinggi telah dieliminasi. Oleh karena itu, pada tahap selanjutnya akan dilakukan pendugaan data hilang dengan EM-AMMI. Tahap awal EM-AMMI dilakukan dengan pendugaan nilai awal dari data yang telah dieliminasi. Pendugaan nilai awal dilakukan dengan mencari rata-rata pada kelompok yang tersisa dari suatu kombinasi genotipe dengan lokasi. Oleh karena itu, untuk memulai proses iterasi akan dilakukan pendugaan nilai awal pada enam amatan. Melalui pendugaan nilai awal tersebut dapat diperoleh pendugaan ratarata umum, pendugaan pengaruh genotipe ( ), pendugaan pengaruh lokasi ( ), dan pendugaan pengaruh kelompok yang tersarang pada lokasi ( ). Melalui seluruh pendugaan tersebut kemudian dilakukan penguraian nilai singular pada matriks dugaan pengaruh interaksi genotipe dengan lokasi. Melalui penguraian nilai singular tersebut diperoleh skor KUI untuk genotipe dan skor KUI untuk lokasi. Oleh karena itu, metode EM-AMMI akan menghasilkan nilai dugaan baru dari pembentukan model AMMI. Iterasi ini dilakukan sampai ratarata tingkat perubahan nilai dugaan kurang dari Analisis Ragam Gabungan Setelah diperoleh nilai dugaan baru maka dapat dilanjutkan dengan melakukan analisis ragam gabungan beserta pengujian asumsi analisis ragam gabungan. Berdasarkan pengujian asumsi analisis ragam gabungan tersebut diperoleh bahwa asumsi kenormalan galat terpenuhi. Hal ini dapat dilihat pada pengujian kenormalan galat melalui uji Kolmogorov-Smirnov yaitu nilai-p adalah Pengujian asumsi kehomogenan ragam antar lokasi dilakukan dengan menggunakan uji formal melalui uji Bartlett. Hasil pengujian menunjukkan bahwa 2 2 ragam galat homogen karena (4.141) < (9.488). Oleh karena itu, 5,4 pengelimiasian data ekstrim yang disertai pendugaan data hilang melalui metode EM-AMMI dapat menghasilkan ragam galat yang homogen. Hasil pengujian asumsi analisis ragam gabungan ini dapat dilihat pada Lampiran 1.
22 12 Setelah seluruh pengujian asumsi analisis ragam gabungan terpenuhi maka dapat dilakukan pengecekan pengaruh utama dan pengaruh interaksi genotipe dan lokasi pada analisis ragam gabungan. Berdasarkan Tabel 5 terlihat bahwa pengaruh genotipe, lokasi, dan kelompok yang tersarang pada lokasi berpengaruh nyata terhadap produksi gabah kering giling pada taraf nyata 5%. Pengaruh interaksi genotipe dengan lokasi pun berpengaruh nyata pada taraf nyata 5%. Oleh karena itu, analisis AMMI dapat digunakan untuk mengidentifikasi genotipe yang stabil dan genotipe yang sesuai pada lokasi tertentu. Sumber keragaman Tabel 5 Analisis ragam gabungan Derajat bebas Jumlah kuadrat Kuadrat tengah F hitung Nilai-p Genotipe Lokasi Kelompok (Lokasi) Genotipe*Lokasi Galat Total Gambar 6 menunjukkan bahwa adanya interaksi antara genotipe dengan lokasi yang nyata. Hal ini dapat dilihat dari tidak sejajarnya masing-masing kurva respon setiap genotipe, yaitu posisi dan urutan genotipe berubah dari satu lokasi ke lokasi lain. Gambar tersebut memperlihatkan pula bahwa lokasi L1 menunjukkan rata-rata produksi gabah kering giling yang sangat beragam dari setiap genotipe yang ditanam pada lokasi tersebut. 10 Rata-rata produksi gabah kering giling (ton ha -1 ) Genotipe G1 G10 G11 G12 G2 G3 G4 G5 G6 G7 G8 G9 4 L1 L2 L3 Lokasi L4 L5 Gambar 6 Interaksi rata-rata produksi gabah kering giling menurut genotipe dengan rata-rata produksi gabah kering giling menurut lokasi
23 13 Analisis Ragam AMMI Penguraian nilai singular matriks dugaan pengaruh interaksi genotipe dengan lokasi menghasilkan empat akar ciri bukan nol yaitu , 6.953, 4.818, dan Masing-masing akar ciri tersebut mempunyai kontribusi keragaman pengaruh interaksi genotipe dengan lokasi sebesar 49.06%, 24.24%, 16.80%, dan 9.90%. Analisis ragam AMMI tersebut akan diuraikan pada Tabel 6. Berdasarkan metode keberhasilan total (postdictive success) pada Tabel 6 terlihat bahwa empat KUI nyata pada taraf nyata 5%. Oleh karena itu, model AMMI yang digunakan adalah model AMMI 4. Hal ini berarti pengaruh interaksi genotipe dengan lokasi akan diuraikan menjadi empat komponen. Kontribusi keragaman pengaruh interaksi genotipe dengan lokasi pada model AMMI 4 adalah 100%, namun interpretasi analisis AMMI yang dilakukan hanya terbatas pada model AMMI 2 yang memperlihatkan skor KUI 1 dan skor KUI 2. Tabel 6 Analisis ragam AMMI Sumber keragaman Derajat Jumlah Kuadrat F hitung Nilai-p bebas kuadrat tengah Genotipe Lokasi Kelompok (Lokasi) Genotipe*Lokasi KUI KUI KUI KUI Galat Total Interpretasi AMMI dapat dilakukan dengan melihat biplot AMMI 1 dan biplot AMMI 2. Biplot AMMI 1 pada Gambar 7 menunjukkan bahwa genotipe G2, G3, G4, G6, G8, dan G9 memiliki rata-rata produksi gabah kering giling yang lebih tinggi daripada rata-rata umum dan genotipe kontrol (G11 dan G12). Adapun genotipe yang lainnya memiliki rata-rata produksi gabah kering giling yang lebih rendah daripada rata-rata umum. Pada biplot AMMI 1 pun terlihat bahwa genotipe G4 memiliki rata-rata produksi gabah kering giling tertinggi sedangkan genotipe G11 (kontrol) memiliki rata-rata produksi gabah kering giling terendah. Selain itu, pada Gambar 7 terlihat bahwa lokasi L4 dan L5 memiliki rata-rata produksi gabah kering giling yang lebih tinggi daripada rata-rata umum sedangkan lokasi L1, L2, dan L3 memiliki rata-rata produksi gabah kering giling yang lebih rendah daripada rata-rata umum. Biplot AMMI 1 juga memperlihatkan efek interaksi positif dan efek interaksi negatif. Efek interaksi positif terjadi jika skor KUI 1 dari suatu genotipe ataupun lokasi adalah positif sedangkan efek interaksi negatif terjadi jika skor KUI 1 dari suatu genotipe atau lokasi adalah negatif. Jika suatu genotipe mempunyai efek interaksi positif maka genotipe tersebut memiliki daya adaptasi yang baik pada
24 14 lokasi yang memiliki daya dukung yang baik sebaliknya jika suatu genotipe mempunyai efek interaksi negatif maka genotipe tersebut memiliki daya adaptasi yang kurang baik pada lokasi yang memiliki daya dukung yang baik. Hal yang sama berlaku pada lokasi, jika suatu lokasi memiliki efek interaksi positif maka daya dukung yang baik dari lokasi tersebut menghasilkan daya adaptasi yang baik bagi suatu genotipe sebaliknya jika suatu lokasi memiliki efek interaksi negatif maka daya dukung yang baik bagi lokasi tersebut akan menghasilkan daya adaptasi yang kurang baik bagi suatu genotipe. Berdasarkan Gambar 7 terlihat bahwa pada kuadran I dan II genotipe G1, G3, G5, G7, G9, G10 dan G12 serta lokasi L2, L3, L4, dan L5 memiliki efek interaksi positif sedangkan pada kuadran III dan IV terlihat bahwa genotipe G2, G4, G6, G8, dan G11 serta lokasi L1 memiliki efek interaksi negatif. Gambar 7 Biplot AMMI 1 produksi gabah kering giling Biplot AMMI 2 memperlihatkan struktur interaksi genotipe dengan lokasi melalui skor KUI 1 dan skor KUI 2. Keragaman pengaruh interaksi genotipe dengan lokasi yang dijelaskan pada biplot AMMI2 adalah 73.30%. Gambar 8 menunjukkan bahwa terdapat lima genotipe yang berada dalam elips yaitu genotipe G1, G7, G9, G10, dan G12. Kelima genotipe tersebut stabil terhadap kelima lokasi. Hal ini berarti kondisi lingkungan yang berbeda-beda tidak menyebabkan banyak perubahan respon terhadap kelima genotipe tersebut. Adapun genotipe G9 merupakan satu-satunya genotipe yang stabil dan memiliki rata-rata produksi gabah kering giling yang lebih tinggi dibandingkan dengan ratarata umum maupun rata-rata genotipe kontrol (G11 dan G12). Genotipe-genotipe yang tidak stabil berada di luar elips pada biplot AMMI 2. Genotipe-genotipe tersebut dapat berdaya hasil tinggi terhadap suatu lokasi tetapi berdaya hasil rendah terhadap lokasi lainnya. Genotipe-genotipe tersebut sesuai pada lokasi tertentu. Genotipe G2, G4, dan G8 sesuai di lokasi L1, genotipe G5 dan G6 sesuai di lokasi L4 dan L5, genotipe G3 sesuai di lokasi L3, serta genotipe G11 sesuai di lokasi L2.
25 15 Gambar 8 Biplot AMMI 2 produksi gabah kering giling SIMPULAN DAN SARAN Simpulan Eksplorasi terhadap keberadaan data ekstrim menunjukkan bahwa terdapat enam amatan kombinasi genotipe dengan lokasi yang memiliki ragam sangat tinggi. Metode EM-AMMI dapat dilakukan untuk mengatasi pelanggaran asumsi kehomogenan ragam galat dengan melakukan pengeliminasian data ekstrim terlebih dahulu sehingga analisis ragam pada AMMI dapat digunakan dengan tepat. Hasil analisis stabilitas genotipe menunjukkan bahwa genotipe G1, G7, G9, G10, dan G12 merupakan genotipe yang stabil. Genotipe G9 merupakan satusatunya genotipe yang stabil dan memiliki rata-rata produksi gabah kering giling yang lebih tinggi dibandingkan dengan rata-rata umum maupun rata-rata genotipe kontrol (G11 dan G12). Adapun genotipe-genotipe lainnya sesuai pada lokasi tertentu. Saran Pada penelitian ini dilakukan pengeliminasian data ekstrim pada salah satu kelompok kombinasi genotipe dengan lokasi tertentu. Pada penelitian selanjutnya diharapkan dapat dilakukan pengkajian pengeliminasian data ekstrim dari beberapa kelompok pada suatu kombinasi genotipe dengan lokasi dan dilihat pengaruhnya terhadap kehomogenan ragam.
26 16 DAFTAR PUSTAKA Crossa J Statistical Analysis of Multilocation Trials. Advanced in Agronomy. 44: Daniel WW Applied Nonarametric Statistics. Boston (US): PWS Kent Publishing Gauch HG Jr, Zobel RW Imputing Missing Yield Trial Data. Theoretical and Applied Genetics. 79: Gomez KA, Gomez AA Prosedur Statistik untuk Penelitian Pertanian. Ed ke-2. Jakarta (ID): UI Pr. Ha A, a a H 2 4 A I I ra a Jurnal Ilmu Dasar. 5(1): Johnson RA, Winchern DW Applied Multivariate Statistical Analysis. Ed ke-5. London (UK): Prentice Hall International. Jolliffe IT Principal Component Analysis. New York (US): Springer- Verlag. Mattjik AA, Sumertajaya IM Perancangan Percobaan dengan Aplikasi SAS dan Minitab. Ed ke-2. Bogor (ID): IPB Pr. Mattjik AA, Sumetajaya IM, Hadi AF, Wibawa GNA Pemodelan Additive Main-effect & Multiplicative Interaction (AMMI): kini dan yang akan datang. Bogor (ID): IPB Pr. Syukur M Teknik Pemuliaan Tanaman. Jakarta (ID): Penebar Swadaya. Yan W, Hunt LA Biplot Analysis of Multi-environment Trial Data. Di dalam: Kang MS, Editor. Quantitative Genetics Genomics and Plats Breeding; 2001 Mar 26-28; Lousiana, Amerika Serikat. Lousiana (US): CABI. hlm
27 Percent Percent 17 Lampiran 1 Pengujian asumsi analisis ragam 1.1 Uji kenormalan galat sebelum pengeliminasian data ekstrim Normal Mean E-16 StDev N 180 KS P-Value > RESI Uji kenormalan galat setelah pengeliminasian data ekstrim dan pendugaan data hilang Mean E-16 StDev N 180 KS P-Value RESI
28 18 Lampiran 2 Rata-rata produksi gabah kering giling 2.1 Sebelum pengeliminasian data ekstrim L1 L2 L3 L4 L5 Rata-rata genotipe G Rata-rata umum G G G G G G G G G G G Rata-rata lokasi Setelah pengeliminasian data ekstrim dan pendugaan data hilang L1 L2 L3 L4 L5 Rata-rata genotipe Rata-rata umum G G G G G G G G G G G G Rata-rata lokasi
29 Lampiran 3 Ragam produksi gabah kering giling sebelum pengeliminasian data ekstrim L1 L2 L3 L4 L5 G G G G G G G G G G G G
30 20 Lampiran 4 Nilai dugaan akhir data hilang Genotipe Lokasi Kelompok Dugaan akhir G1 L G1 L G2 L G3 L G3 L G5 L
31 21 Lampiran 5 Skor Komponen Utama Interaksi (KUI) 5.1 Skor KUI untuk genotipe KUI1 KUI2 KUI3 KUI4 G G G G G G G G G G G G Skor KUI untuk lokasi KUI1 KUI2 KUI3 KUI4 L L L L L
32 22 Lampiran 6 Metode Penelitian Analisis deskriptif Tidak terpenuhi Pengujian asumsi analisis ragam Terpenuhi Transformasi Eksplorasi data ekstrim AMMI AMMI EM-AMMI Biplot Klasifikasi genotipe Stabil Spesifik
33 23 Lampiran 7 Metode EM-AMMI a aa awa a a r ar ra a a a r aa P ra a a ar a r a U a a I ra UI a a P a UI a a a P b a A I P r aa r ba a a aa Lebih dari 10-5 Kurang dari 10-5 N a aa a r
34 24 RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 3 Desember 1992 dari pasangan Bapak Gatot Praptoriadi dan Ibu Kunuz Nikmah. Penulis adalah anak kedua dari dua bersaudara. Penulis menyelesaikan pendidikan di SD Negeri Batan Indah Kota Tangerang Selatan pada tahun 2004, SMP Negeri 2 Cisauk Kota Tangerang Selatan pada tahun 2007, dan SMA Negeri 2 Kota Tangerang Selatan pada tahun Penulis diterima sebagai mahasiswa di Deapartemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor pada tahun 2010 melalui jalur Ujian Talenta Mandiri (UTM). Selama berkuliah di IPB, penulis pernah mengikuti kegiatan praktik lapang di Pusat Aplikasi Isotop dan Radiasi (PAIR), Badan Tenaga Nukllir Nasional (BATAN), Jakarta Selatan. Selain itu penulis aktif sebagai staf Biro Kesekertariatan Himpunan Keprofesian Gamma Sigma Beta periode Penulis juga mengikuti kegiatan kepanitiaan berbagai acara, diantaranya Pekan Olahraga Statistika (PORSTAT) sebagai staf divisi konsumsi pada tahun 2011, The 8 th Statistika Ria sebagai staf divisi Dana dan Usaha pada tahun 2012, dan Welcome Ceremony of Statistics sebagai staf divisi Dana dan Usaha pada tahun 2013.
PENERAPAN PEMBOBOTAN KOMPONEN UTAMA UNTUK PEREDUKSIAN PEUBAH PADA ADDITIVE MAIN EFFECT AND MULTIPLICATIVE INTERACTION GERI ZANUAR FADLI
PENERAPAN PEMBOBOTAN KOMPONEN UTAMA UNTUK PEREDUKSIAN PEUBAH PADA ADDITIVE MAIN EFFECT AND MULTIPLICATIVE INTERACTION GERI ZANUAR FADLI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciForum Statistika dan Komputasi : Indonesian Journal of Statistics. journal.ipb.ac.id/index.php/statistika
PENERAPAN PEMBOBOTAN KOMPONEN UTAMA UNTUK PEREDUKSIAN PEUBAH PADA ADDITIVE MAIN EFFECT AND MULTIPLICATIVE INTERACTION (Application of Weighted Principal Component for Variable Reduction in Additive Main
Lebih terperinciKeywords: Factorial Experiment, CRBD, AMMI, Analysis of Variance, PCA, Biplot
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 529-536 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS VARIAN PERCOBAAN FAKTORIAL DUA FAKTOR RAKL DENGAN METODE
Lebih terperinciMODEL AMMI PERCOBAAN LOKASI GANDA PEMUPUKAN N, P, K
, April 2009 p : 11-15 ISSN : 0853-8115 Vol 14 No.1 MODEL AMMI PERCOBAAN LOKASI GANDA PEMUPUKAN N, P, K Mohammad Masjkur 1 dan Niken Dyah Septiastuti Departemen Statistika FMIPA-IPB E-mail : 1 masjkur@gmail.com
Lebih terperinciANALISIS VARIAN PERCOBAAN FAKTORIAL DUA FAKTOR RAKL DENGAN METODE FIXED ADDITIVE MAIN EFFECTS AND MULTIPLICATIVE INTERACTION SKRIPSI
ANALISIS VARIAN PERCOBAAN FAKTORIAL DUA FAKTOR RAKL DENGAN METODE FIXED ADDITIVE MAIN EFFECTS AND MULTIPLICATIVE INTERACTION SKRIPSI Oleh: AKHMAD ZAKI NIM. 24010210120049 JURUSAN STATISTIKA FAKULTAS SAINS
Lebih terperinciBAB I PENDAHULUAN. dapat digunakan untuk inferensi statistika. Metode bootstrap mengesampingkan
BAB I PENDAHULUAN 1.1 Latar Belakang Metode bootstrap merupakan metode simulasi berbasiskan data yang dapat digunakan untuk inferensi statistika. Metode bootstrap mengesampingkan distribusi sampling dari
Lebih terperinciBAB II TINJAUAN PUSTAKA. digunakan sebagai rujukan ada dua penelitian. Rujukan penelitian pertama yaitu penelitian Lavoranti et al.
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terdahulu Sebagai bahan pertimbangan dalam penelitian ini dicantumkan mengenai penelitian terdahulu yang digunakan sebagai rujukan. Penelitian terdahulu yang digunakan
Lebih terperinciI. PENDAHULUAN. A. Latar Belakang. peningkatan luas pertanaman dan hasil biji kedelai. Salah satu faktor pembatas bagi
I. PENDAHULUAN A. Latar Belakang Pengembangan kultivar kedelai (Glycine max (L.) Merrill) berdaya hasil tinggi pada cakupan lingkungan yang luas merupakan faktor kunci dalam usaha peningkatan luas pertanaman
Lebih terperinciPENDAHULUAN. Latar Belakang. Salah satu upaya yang dapat ditempuh untuk meningkatkan
PENDAHULUAN Latar Belakang Salah satu upaya yang dapat ditempuh untuk meningkatkan produktivitas padi adalah melalui program pemuliaan tanaman. Program yang dilakukan bertujuan untuk mendapatkan varietas
Lebih terperinciKOREKSI METODE CONNECTED AMMI DALAM PENDUGAAN DATA TIDAK LENGKAP ABSTRAK
KOREKSI METODE CONNECTED AMMI DALAM PENDUGAAN DATA TIDAK LENGKAP I Made Sumertajaya 2 Ahmad Ansori Mattjik 3 I Gede Nyoman Mindra Jaya,2 Dosen Departemen Statistika Institut Pertanian Bogor,3 Mahasiswa
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Rancangan Percobaan Rancangan percobaan merupakan suatu uji dalam atau deretan uji baik menggunakan statistika deskripsi maupun statistika inferensia, yang bertujuan untuk mengubah
Lebih terperinciMetode Procrustes Dalam untuk Pendugaan Heritabilitas dari Karakter Agronomik Beberapa Galur Kacang Hijau
Vol. 8, No.1, 2-38, Juli 2011 Metode Procrustes Dalam untuk Pendugaan Heritabilitas dari Karakter Agronomik Beberapa Galur Kacang Hijau Raupong Abstrak Analisis model Additive Main Effects and Multiplicative
Lebih terperinciPENERAPAN AMMI RESPON GANDA DENGAN PEMBOBOTAN KOMPONEN UTAMA PADA UJI STABILITAS TANAMAN KUMIS KUCING ANNISA
PENERAPAN AMMI RESPON GANDA DENGAN PEMBOBOTAN KOMPONEN UTAMA PADA UJI STABILITAS TANAMAN KUMIS KUCING ANNISA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciE-Jurnal Matematika Vol. 4 (3), Agustus 2015, pp ISSN:
IMPLEMENTASI METODE BOOTSTRAP DALAM INFERENSI TITIK- TITIK BIPLOT AMMI MODEL AMMI CAMPURAN (MIXED AMMI) (Studi Kasus: Menduga Stabilitas Genotipe Padi) Ni Putu Ayu Dinita Trisnayanti 1, I Komang Gde Sukarsa
Lebih terperinciAnalisis Stabilitas Hasil Tujuh Populasi Jagung Manis Menggunakan Metode Additive Main Effect Multiplicative Interaction (AMMI)
Analisis Stabilitas Hasil Tujuh Populasi Jagung Manis Menggunakan Metode Additive Main Effect Multiplicative Interaction (AMMI) The Analysis of Stability of Seven Sweet Corn Populations Using Additive
Lebih terperinciANALISIS KEUNGGULAN DAN STABILITAS GALUR MUTAN KACANG TANAH DENGAN METODE TAI DAN AMMI MOHAMAD DJ. PAKAYA
ANALISIS KEUNGGULAN DAN STABILITAS GALUR MUTAN KACANG TANAH DENGAN METODE TAI DAN AMMI MOHAMAD DJ. PAKAYA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011
Lebih terperinciANALISIS INTERAKSI GENOTIPE-LINGKUNGAN DENGAN METODE AMMI PADA DATA MULTIRESPON PUNGKAS EMARANI
ANALISIS INTERAKSI GENOTIPE-LINGKUNGAN DENGAN METODE AMMI PADA DATA MULTIRESPON PUNGKAS EMARANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 008 RINGKASAN
Lebih terperinciBAHAN DAN METODE. Waktu dan Tempat. Bahan dan Alat. Rancangan Penelitian
BAHAN DAN METODE Waktu dan Tempat Penelitian ini dilaksanakan pada bulan November 010 Maret 011, kecuali lokasi Sukabumi pada bulan Maret Juni 011. Tempat Penelitian dilaksanakan di 7 lokasi yaitu Bogor,
Lebih terperinciMETODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE
METODE LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI DENGAN PENCILAN AMIR A DALIMUNTHE DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2010 RINGKASAN
Lebih terperinciUJI MULTILOKASI MELALUI ANALISIS AMMI MULTIRESPON (Studi Kasus : Penelitian Galur Tanaman Tembakau Madura)
Xplore, 2013, Vol. 1(1):e6(1-5) c 2013 Departemen Statistika FMIPA IPB UJI MULTILOKASI MELALUI ANALISIS AMMI MULTIRESPON (Studi Kasus : Penelitian Galur Tanaman Tembakau Madura) Satria Yudha Herawan, I
Lebih terperinciMODEL ADDITIVE MAIN EFFECTS AND MULTIPLICATIVE INTERACTION (AMMI) PERCOBAAN LOKASI GANDA PEMUPUKAN N, P, K NIKEN DYAH SEPTIASTUTI
MODEL ADDITIVE MAIN EFFECTS AND MULTIPLICATIVE INTERACTION (AMMI) PERCOBAAN LOKASI GANDA PEMUPUKAN N, P, K NIKEN DYAH SEPTIASTUTI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciIDENTIFIKASI INTERAKSI GENOTIPE X LINGKUNGAN PADA PADI HIBRIDA BERDASARKAN RESPON GABUNGAN SUCI TIARA
IDENTIFIKASI INTERAKSI GENOTIPE X LINGKUNGAN PADA PADI HIBRIDA BERDASARKAN RESPON GABUNGAN SUCI TIARA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciForum Statistika dan Komputasi, April 2010 p : ISSN :
, April 2010 p : 28-35 ISSN : 0853-8115 Vol 15 No.1 PENDUGAAN KESTABILAN GENOTIPE PADA MODEL AMMI MENGGUNAKAN METODE RESAMPLING BOOTSTRAP (Genotype Stability Estimation of AMMI Model by Bootstrap Resampling)
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Semakin berkembangnya peradaban manusia maka perkembangan ilmu pengetahuan dan teknologi berbanding lurus. Pada dasarnya ini merupakan usaha manusia untuk melangsungkan
Lebih terperinciPENGARUH UTAMA ADITIF DENGAN INTERAKSI GANDA (UAIG)
1 PENGARUH UTAMA ADITIF DENGAN INTERAKSI GANDA (UAIG) SKRIPSI LASTRI MANURUNG 090823012 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2011 2 PENGARUH
Lebih terperinciANALISIS STABILITAS DAYA HASIL VARIETAS KEDELAI DI LAHAN SAWAH KABUPATEN MADIUN, JAWA TIMUR
ANALISIS STABILITAS DAYA HASIL VARIETAS KEDELAI DI LAHAN SAWAH KABUPATEN MADIUN, JAWA TIMUR Amik Krismawati 1 dan D. M. Arsyad 2 1 Balai Pengkajian Teknologi Pertanian Jawa Timur Jl. Raya Karangploso Km
Lebih terperinciDATA DAN METODE. Data
DATA DAN METODE Data Data yang digunakan dalam penelitian ini adalah data sekunder hasil percobaan padi varietas IR 64 yang dilaksanakan tahun 2002 pada dua musim (kemarau dan hujan). Lokasi penelitian
Lebih terperinciINFERENSI TITIK-TITIK PADA BIPLOT AMMI MENGGUNAKAN RESAMPLING BOOTSTRAP SKRIPSI
INFERENSI TITIK-TITIK PADA BIPLOT AMMI MENGGUNAKAN RESAMPLING BOOTSTRAP SKRIPSI Oleh Permata Atsna ul Laili NIM 081810101054 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciIMPLEMENTASI METODE BOOTSTRAP DALAM INFERENSI TITIK- TITIK BIPLOT AMMI MODEL AMMI CAMPURAN (MIXED AMMI)
LEMBAR JUDUL IMPLEMENTASI METODE BOOTSTRAP DALAM INFERENSI TITIK- TITIK BIPLOT AMMI MODEL AMMI CAMPURAN (MIXED AMMI) (Studi Kasus: Menduga Stabilitas Genotipe Padi) KOMPETENSI STATISTIKA [SKRIPSI] NI PUTU
Lebih terperinciAPLIKASI GGE BIPLOT UNTUK EVALUASI STABILITAS DAN ADAPTASI GENOTIPA-GENOTIPA DENGAN DATA PERCOBAAN LINGKUNGAN GANDA. E. Jambormias dan J.
JAMBORMIAS & RIRY: Aplikasi GGE Biplot untuk Evaluasi Stabilitas APLIKASI GGE BIPLOT UNTUK EVALUASI STABILITAS DAN ADAPTASI GENOTIPA-GENOTIPA DENGAN DATA PERCOBAAN LINGKUNGAN GANDA Application of GGE Biplot
Lebih terperinciIDENTIFIKASI STABILITAS DAN ADAPTABILITAS GENOTIPE PADA PERCOBAAN MULTILOKASI PADI SAWAH DENGAN METODE AMMI. Oleh: Miftachul Hudasiwi G
IDENTIFIKASI STABILITAS DAN ADAPTABILITAS GENOTIPE PADA PERCOBAAN MULTILOKASI PADI SAWAH DENGAN METODE AMMI Oleh: Miftachul Hudasiwi G40004 DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperincipendekatan dalam penelitian ini dinilai cukup beralasan.
Tabel Hasil pendugaan model pengaruh tetap dengan Y sebagai peubah respon dan X, X dan X sebagai C -. 00 X -5 0.50 X.05 00 X 00 R 0.6 Adjusted R 0.6 Hasil pendugaan model data panel dengan Y sebagai peubah
Lebih terperinciPEMODELAN DATA PANEL SPASIAL DENGAN DIMENSI RUANG DAN WAKTU TENDI FERDIAN DIPUTRA
PEMODELAN DATA PANEL SPASIAL DENGAN DIMENSI RUANG DAN WAKTU TENDI FERDIAN DIPUTRA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 RINGKASAN TENDI
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Implementasi Biplot Kanonik dan Analisis Procrustes dengan Mathematica Biplot biasa dengan sistem perintah telah terintegrasi ke dalam beberapa program paket statistika seperti SAS,
Lebih terperinciMIXED ADDITIVE MAIN EFFECTS AND MULTIPLICATIVE INTERACTION (M-AMMI) DAN APLIKASINYA SKRIPSI
MIXED ADDITIVE MAIN EFFECTS AND MULTIPLICATIVE INTERACTION (M-AMMI) DAN APLIKASINYA SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk memenuhi sebagian
Lebih terperinciINTERAKSI GENETIK X LINGKUNGAN UNTUK KETAHANAN CABAI (Capsicum annuum L.) TERHADAP ANTRAKNOSA YANG DISEBABKAN OLEH Colletotrichum acutatum
INTERAKSI GENETIK X LINGKUNGAN UNTUK KETAHANAN CABAI (Capsicum annuum L.) TERHADAP ANTRAKNOSA YANG DISEBABKAN OLEH Colletotrichum acutatum The Genetic x Environmental Interaction for Resistance of Pepper
Lebih terperinciRancangan Petak Terpisah dalam RAL
Rancangan Petak Terpisah dalam RAL KULIAH 11 PERANCANGAN PERCOBAAN (STK222) rahmaanisa@apps.ipb.ac.id Latar Belakang Sejarah : Rancangan ini awalnya berkembang pada bidang pertanian (Montgomery, 1997;
Lebih terperinciANALISIS POLA KELAHIRAN MENURUT UMUR STUDI KASUS DI INDONESIA TAHUN 1987 DAN TAHUN 1997 SUMIHAR MEINARTI
ANALISIS POLA KELAHIRAN MENURUT UMUR STUDI KASUS DI INDONESIA TAHUN 1987 DAN TAHUN 1997 SUMIHAR MEINARTI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciANALISIS KINERJA INSTITUT PERTANIAN BOGOR BERDASARKAN SURVEI KEPUASAN MAHASISWA DAN EPBM AHMAD CHAERUS SUHADA
ANALISIS KINERJA INSTITUT PERTANIAN BOGOR BERDASARKAN SURVEI KEPUASAN MAHASISWA DAN EPBM AHMAD CHAERUS SUHADA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPENILAIAN CARA MENGAJAR MENGGUNAKAN RANCANGAN ACAK LENGKAP (STUDI KASUS: JURUSAN MATEMATIKA FMIPA UNPATTI)
Jurnal Ilmu Matematika dan Terapan Maret 016 Volume 10 Nomor 1 Hal. 9 16 PENILAIAN CARA MENGAJAR MENGGUNAKAN RANCANGAN ACAK LENGKAP (STUDI KASUS: JURUSAN MATEMATIKA FMIPA UNPATTI) Elvinus R. Persulessy
Lebih terperinciPendugaan Data Hilang Menggunakan Metode Connected EM-AMMI dalam Bahasa R
Pendugaan Data Hilang Menggunakan Metode Connected EM-AMMI dalam Bahasa R Siskha Maulana Basrul #1, Atus Amadi Putra *2, Yenni Kurniawati *3 # Student of Mathematics Department State University of Padang,
Lebih terperinciKAJIAN MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY DAN APLIKASINYA PADA HARGA GABAH KERING PANEN T A M U R I H
KAJIAN MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY DAN APLIKASINYA PADA HARGA GABAH KERING PANEN T A M U R I H SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI
Lebih terperinciANALISIS VARIAN DUA FAKTOR DALAM RANCANGAN PENGAMATAN BERULANG ( REPEATED MEASURES )
ANALISIS VARIAN DUA FAKTOR DALAM RANCANGAN PENGAMATAN BERULANG ( REPEATED MEASURES ) SKRIPSI Disusun Oleh: ALIF HARTATI J2E009036 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciTransformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan
Transformasi Biplot Simetri Pada Pemetaan Karakteristik Kemiskinan Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail: Desi_its@yahoo.com Mustika Hadijati Fakultas MIPA, Universitas Mataram e-mail:
Lebih terperinciPERBANDINGAN METODE INTERPOLASI ABRIDGED LIFE TABLE
PERBANDINGANN METODE INTERPOLASI ABRIDGED LIFE TABLE DAN APLIKASINYA PADA DATAA KEMATIAN INDONESIA VANI RIALITA SUPONO SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS
Lebih terperinciKLASIFIKASI GENOTIPE PADA DATA TIDAK LENGKAP DENGAN PENDEKATAN MODEL AMMI
KLASIFIKASI GENOTIPE PADA DATA TIDAK LENGKAP DENGAN PENDEKATAN MODEL AMMI Oleh: Pika Silvianti G 45 DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 5 ABSTRAK
Lebih terperinciLAPORAN PENELITIAN HIBAH PENELITIAN STRATEGIS NASIONAL TAHUN ANGGARAN 2009
LAPORAN PENELITIAN HIBAH PENELITIAN STRATEGIS NASIONAL TAHUN ANGGARAN 2009 UJI ADAPTASI POPULASI-POPULASI JAGUNG BERSARI BEBAS HASIL PERAKITAN LABORATORIUM PEMULIAAN TANAMAN UNIVERSITAS BRAWIJAYA Peneliti
Lebih terperinciANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA
ANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciPERBANDINGAN METODE MKT, LTS, WIN, DAN THEIL PADA PENDUGAAN PARAMETER REGRESI APABILA GALATNYA MENYEBAR EKSPONENSIAL HELGA ARINA PRAMUDITYA
PERBANDINGAN METODE MKT, LTS, WIN, DAN THEIL PADA PENDUGAAN PARAMETER REGRESI APABILA GALATNYA MENYEBAR EKSPONENSIAL HELGA ARINA PRAMUDITYA STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciKAJIAN PENGARUH NOISE DALAM ANALISIS KOMPONEN UTAMA UNTUK PEUBAH-PEUBAH YANG BERKORELASI FAJRIANZA ADI NUGRAHANTO
KAJIAN PENGARUH NOISE DALAM ANALISIS KOMPONEN UTAMA UNTUK PEUBAH-PEUBAH YANG BERKORELASI FAJRIANZA ADI NUGRAHANTO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER
ESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER Siswanto 1, Raupong 2, Annisa 3 ABSTRAK Dalam statistik, melakukan suatu percobaan adalah salah satu cara untuk mendapatkan
Lebih terperinciPENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciPENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN
PENERAPAN DAN PERBANDINGAN CARA PENGUKURAN RESPON PADA ANALISIS KONJOIN (Studi Kasus: Preferensi Mahasiswa Statistika IPB Angkatan 44, 45, dan 46 terhadap Minat Bidang Kerja) DONNY ARIEF SETIAWAN SITEPU
Lebih terperinciHASIL DAN PEMBAHASAN. dengan hipotesis nolnya adalah antar peubah saling bebas. Statistik ujinya dihitung dengan persamaan berikut:
. Menyiapkan gugus data pencilan dengan membangkitkan peubah acak normal ganda dengan parameter µ yang diekstrimkan dari data contoh dan dengan matriks ragam-peragam yang sama dengan data contoh. Proses
Lebih terperinciANALISIS RAGAM SKOR KOMPONEN UTAMA PADA PERCOBAAN RESPONS-GANDA. Bahriddin Abapihi 1)
Bahriddin Abapihi//Paradigma, Vol.15 No.1 Pebruari 2011 hlm.11 18 11 ANALISIS RAGAM SKOR KOMPONEN UTAMA PADA PERCOBAAN RESPONS-GANDA Bahriddin Abapihi 1) 1) Jurusan Matematika FMIPA, Universitas Haluoleo,
Lebih terperinciAnalisis Regresi 2. Pokok Bahasan : Asumsi sisaan dan penanganannya
Analisis Regresi 2 Pokok Bahasan : Asumsi sisaan dan penanganannya Tujuan Instruksional Khusus : Mahasiswa dapat menjelaskan asumsi-asumsi yang melandasi analisis regresi linier sederhana dan berganda,
Lebih terperincigabah bernas. Ketinggian tempat berkorelasi negatif dengan karakter jumlah gabah bernas. Karakter panjang daun bendera sangat dipengaruhi oleh
81 PEMBAHASAN UMUM Faktor-faktor yang mempengaruhi pertumbuhan selama cekaman suhu rendah diantaranya; (a) faktor fisiologi, faktor lingkungan sebelum dan sesudah fase penting pertumbuhan dapat mempengaruhi
Lebih terperinciPERBANDINGAN NILAI TENGAH NOMOR SOMAKLON JAHE (Zingiber officinale Rosc.) DENGAN MENGGUNAKAN UJI LANJUT SCOTT-KNOTT HABIBAH
PERBANDINGAN NILAI TENGAH NOMOR SOMAKLON JAHE (Zingiber officinale Rosc.) DENGAN MENGGUNAKAN UJI LANJUT SCOTT-KNOTT HABIBAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 3. Skala pengukuran tingkat penggunaan
3 Tabel 3. Skala pengukuran tingkat penggunaan Nilai Skala Tingkat Penggunaan 1 Sama sekali tidak menggunakan 2 Jarang menggunakan 3 Agak sering menggunakan 4 Sering menggunakan 5 Sangat sering menggunakan
Lebih terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinciANALISIS KETAHANAN DAN APLIKASINYA UNTUK PEMODELAN INTERVAL KELAHIRAN ANAK PERTAMA HARNANTO
ANALISIS KETAHANAN DAN APLIKASINYA UNTUK PEMODELAN INTERVAL KELAHIRAN ANAK PERTAMA HARNANTO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciPEMODELAN PRODUKSI KEDELAI NASIONAL DENGAN METODE SUR PAULUS BASUKI KUWAT SANTOSO
PEMODELAN PRODUKSI KEDELAI NASIONAL DENGAN METODE SUR PAULUS BASUKI KUWAT SANTOSO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya
Lebih terperinciPENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI
PENGKAJIAN KEAKURATAN TWOSTEP CLUSTER DALAM MENENTUKAN BANYAKNYA GEROMBOL POPULASI KUDSIATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciPENGGUNAAN REGRESI SPLINE ADAPTIF BERGANDA UNTUK DATA RESPON BINER AZWIRDA AZIZ SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2005
1 PENGGUNAAN REGRESI SPLINE ADAPTIF BERGANDA UNTUK DATA RESPON BINER AZWIRDA AZIZ SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2005 2 SURAT PERNYATAAN Dengan ini saya menyatakan bahwa tesis yang berjudul
Lebih terperinciIV. PERBANDINGAN KONFIGURASI MATRIKS INTERAKSI: METODE PROCRUSTES
IV. PERBANDINGAN KONFIGURASI MATRIKS INTERAKSI: METODE PROCRUSTES 4.1 Pendahuluan Dua pendekatan dalam menangani ketaknornalan data pada pemodelan bilinier telah dibicarakan pada bab-bab sebelumnya. Bab
Lebih terperinciMANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO
MANAJEMEN DATA PENCILAN PADA ANALISIS REGRESI KOMPONEN UTAMA MAGRI HANDOKO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2011 RINGKASAN MAGRI HANDOKO. Manajemen
Lebih terperinciPEMODELAN STOK GABAH/BERAS DI KABUPATEN SUBANG MOHAMAD CHAFID
PEMODELAN STOK GABAH/BERAS DI KABUPATEN SUBANG MOHAMAD CHAFID SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2006 SURAT PERNYATAAN Dengan ini saya menyatakan bahwa tesis yang berjudul : PEMODELAN STOK GABAH/BERAS
Lebih terperinciANALISIS KOVARIANSI DALAM RANCANGAN BUJURSANGKAR YOUDEN DENGAN DATA HILANG
Vol. 11, No. 2, 93-104, Januari 2015 ANALISIS KOVARIANSI DALAM RANCANGAN BUJURSANGKAR YOUDEN DENGAN DATA HILANG ENDY NUR CAHYANTO*, NASRAH SIRAJANG*, M. SALEH AF* dy Nur Cahyanto, ABSTRAK Penelitian ini
Lebih terperinciMANAJEMEN RISIKO DI PERUSAHAAN BETON (STUDI KASUS UNIT READYMIX PT BETON INDONESIA) MUAMMAR TAWARUDDIN AKBAR
MANAJEMEN RISIKO DI PERUSAHAAN BETON (STUDI KASUS UNIT READYMIX PT BETON INDONESIA) MUAMMAR TAWARUDDIN AKBAR SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinci(α = 0.01). Jika D i > , maka x i atau pengamatan ke-i dianggap pencilan (i = 1, 2,..., 100). HASIL DAN PEMBAHASAN
4 karena adanya perbedaan satuan pengukuran antar peubah. 1.. Memastikan tidak adanya pencilan pada data dengan mengidentifikasi adanya pencilan pada data. Pengidentifikasian pencilan dilakukan dengan
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Diagram kotak garis
TINJAUAN PUSTAKA Diagram Kotak Garis Metode diagram kotak garis atau boxplot merupakan salah satu teknik untuk memberikan gambaran tentang lokasi pemusatan data, rentangan penyebaran dan kemiringan pola
Lebih terperinciII. TINJAUAN PUSTAKA. Untuk menguji kesamaan dari beberapa nilai tengah secara sekaligus diperlukan
II. TINJAUAN PUSTAKA 2.1 Analisis Ragam Klasifikasi Satu Arah Untuk menguji kesamaan dari beberapa nilai tengah secara sekaligus diperlukan sebuah teknik yang disebut analisis ragam. Analisis ragam adalah
Lebih terperinciTINJAUAN PUSTAKA. dianalisis dan hasilnya ditransformasi menjadi matriks berukuran??
TINJAUAN PUSTAKA Data Disagregat dan Agregat Berdasarkan cara pengumpulannya, data dapat dibedakan atas data internal dan data eksternal. Data internal berasal dari lingkungan sendiri sedangkan data eksternal
Lebih terperinciPENGGUNAAN MODEL LINIER SEBAGAI ALTERNATIF ANOVA RANCANGAN PERCOBAAN FAKTORIAL TERSARANG PADA DATA NON NORMAL
PENGGUNAAN MODEL LINIER SEBAGAI ALTERNATIF ANOVA RANCANGAN PERCOBAAN FAKTORIAL TERSARANG PADA DATA NON NORMAL Prasetyo Universitas Negeri Malang E-mail : pras_kazekage@yahoo.com Pembimbing: (I) Ir. Hendro
Lebih terperinciARSYAD DAN NUR: STABILITAS HASIL GALUR KEDELAI DI LAHAN MASAM. Analisis AMMI untuk Stabilitas Hasil Galur-galur Kedelai di Lahan Kering Masam
Analisis AMMI untuk Stabilitas Hasil Galur-galur Kedelai di Lahan Kering Masam Darman M. Arsyad dan Amin Nur Balai Penelitian Tanaman Kacang-kacangan dan Umbi-umbian Jl. Raya Kendalpayak, PO Box 66 Malang,
Lebih terperinciPerbedaan Analisis Univariat dan Multivariat
Perbedaan Analisis Univariat dan Multivariat Jika kita menganalisis data yang mempunyai lebih dari satu variabel, belum tentu analisis data tersebut dikategorikan analisis multivariat, bisa saja analisis
Lebih terperinciPENGGEROMBOLAN DUA TAHAP DESA-DESA DI JAWA TENGAH ALIFTA DIAH AYU RETNANI
PENGGEROMBOLAN DUA TAHAP DESA-DESA DI JAWA TENGAH ALIFTA DIAH AYU RETNANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2012 RINGKASAN ALIFTA DIAH AYU RETNANI.
Lebih terperinciPEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Mike Susmikanti *
PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN Mike Susmikanti * ABSTRAK PEMAKAIAN VARIABEL INDIKATOR DALAM PEMODELAN. Pemodelan dalam penelitian berbagai bidang khususnya bidang industri, merupakan kebutuhan
Lebih terperinciMATERI DAN METODE. Tabel 3. Jumlah Kuda Delman yang Diamati pada Masing-masing Lokasi
MATERI DAN METODE Lokasi dan Waktu Penelitian ini menggunakan data sekunder pengamatan yang dilakukan oleh Dr. Ir. Ben Juvarda Takaendengan, M.Si. Pengolahan data dilakukan di Laboratorium Pemuliaan dan
Lebih terperinciBAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi,
BAB II LANDASAN TEORI Beberapa teori yang diperlukan untuk mendukung pembahasan diantaranya adalah regresi linear berganda, pengujian asumsi analisis regresi, metode kuadrat terkecil (MKT), outlier, regresi
Lebih terperinciPERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA
PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA Ni Luh Putu Ratna Kumalasari 1, Ni Luh Putu Suciptawati 2,, Made Susilawati
Lebih terperinciPERBANDINGAN ANTARA UNWEIGHTED LEAST SQUARES (ULS) DAN PARTIAL LEAST SQUARES (PLS) DALAM PEMODELAN PERSAMAAN STRUKTURAL MUHAMMAD AMIN PARIS
PERBANDINGAN ANTARA UNWEIGHTED LEAST SQUARES (ULS) DAN PARTIAL LEAST SQUARES (PLS) DALAM PEMODELAN PERSAMAAN STRUKTURAL MUHAMMAD AMIN PARIS SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN
Lebih terperinciANALISIS KERAGAMAN PADA DATA HILANG DALAM RANCANGAN KISI SEIMBANG
ISSN: 2339-254 JURNAL GAUSSIAN, Volume 5, Nomor, Tahun 206, Halaman 53-62 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian ANALISIS KERAGAMAN PADA DATA HILANG DALAM RANCANGAN KISI SEIMBANG Nariswari
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN
Lebih terperinciPENGAMATAN PENCILAN PADA ANALISIS KESTABILAN GENOTIPE: ANTARA MODEL AMMI DAN METODE HUEHN
PENGAMATAN PENCILAN PADA ANALISIS KESTABILAN GENOTIPE: ANTARA MODEL AMMI DAN METODE HUEHN Peneliti : Halimatus Sa diyah 1 Mahasiswa terlibat : - Sumber Dana : DIPA Universitas Jember 1 Jurusan Budidaya
Lebih terperinciANALISIS POLA KELAHIRAN MENURUT UMUR STUDI KASUS DI INDONESIA TAHUN 1987 DAN TAHUN 1997 SUMIHAR MEINARTI
ANALISIS POLA KELAHIRAN MENURUT UMUR STUDI KASUS DI INDONESIA TAHUN 1987 DAN TAHUN 1997 SUMIHAR MEINARTI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciMODIFIKASI METODE RELE UNTUK MODEL PENDUDUK QUASI-STABIL CECEP A.H.F. SANTOSA
MODIFIKASI METODE RELE UNTUK MODEL PENDUDUK QUASI-STABIL CECEP A.H.F. SANTOSA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 Hak Cipta milik Institut Pertanian Bogor, tahun 2008 Hak Cipta dilindungi
Lebih terperinciSIMULASI RANCANGAN ACAK KELOMPOK TAK LENGKAP SEIMBANG DAN EFISIENSINYA
Agusrawati //Paradigma, Vol. 16 No.1, April 2012, hlm. 31-38 SIMULASI RANCANGAN ACAK KELOMPOK TAK LENGKAP SEIMBANG DAN EFISIENSINYA Agusrawati 1) 1) Jurusan Matematika FMIPA Unhalu, Kendari, Sulawesi Tenggara
Lebih terperinciTabel 4 Urutan dan penempatan bubu pada tali utama
30 Penggunaan umpan digunakan secukupnya, pada penelitian ini digunakan sebanyak kurang lebih 50 gram cacing per kantong umpan. Kemudian kawat kasa tersebut ditusukkan pada besi yang digunakan untuk pemasangan
Lebih terperinciANALISIS REGRESI TERPOTONG BEBERAPA NILAI AMATAN NURHAFNI
ANALISIS REGRESI TERPOTONG DENGAN BEBERAPA NILAI AMATAN NOL NURHAFNI SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinciANALISIS PENERAPAN METODE KUADRAT TERKECIL DAN REGRESI KOMPONEN UTAMA DALAM MULTIKOLINEARITAS OLEH : GUGUN M. SIMATUPANG
ANALISIS PENERAPAN METODE KUADRAT TERKECIL DAN REGRESI KOMPONEN UTAMA DALAM MULTIKOLINEARITAS OLEH : GUGUN M. SIMATUPANG PROGRAM PASCASARJANA INSTITUT PERTANIAN BOGOR 2002 ABSTRAK GUGUN M. SIMATUPANG.
Lebih terperinciKlasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan
Statistika, Vol. 15 No. 2, 87-97 November 215 Klasifikasi Kecamatan Berdasarkan Nilai Akhir SMA/MA di Kabupaten Aceh Selatan Menggunakan Analisis Diskriminan Fitriana A.R. 1, Nurhasanah 2, Ririn Raudhatul
Lebih terperinciANALISIS STABILITAS DELAPAN GENOTIPE TANAMAN JAHE DI TIGA LOKASI DI JAWA BARAT MUHAMMAD SIDIQ RUMAKABIS
ANALISIS STABILITAS DELAPAN GENOTIPE TANAMAN JAHE DI TIGA LOKASI DI JAWA BARAT MUHAMMAD SIDIQ RUMAKABIS DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinci: Purnomo Satria NIM : PENDISKRIPSIAN DATA
Nama : Purnomo Satria PENDISKRIPSIAN DATA NIM : 1133467162 1. Pendahuluan Dalam suatu penelitian kadang-kadang seorang peneliti menemui kesulitan dalam menyajikan sejumlah besar data statistik dalam bentuk
Lebih terperinciPERBANDINGAN TRANSFORMASI BOX-COX DAN REGRESI KUANTIL MEDIAN DALAM MENGATASI HETEROSKEDASTISITAS
E-Jurnal Matematika Vol. 4 (1), Januari 2015, pp. 8-13 ISSN: 2303-1751 PERBANDINGAN TRANSFORMASI BOX-COX DAN REGRESI KUANTIL MEDIAN DALAM MENGATASI HETEROSKEDASTISITAS Ni Wayan Yuni Cahyani 1, I Gusti
Lebih terperinciII. MODEL AMMI PADA DATA BERDISTRIBUSI BUKAN NORMAL: TRANSFORMASI KENORMALAN
II. MODEL AMMI PADA DATA BERDISTRIBUSI BUKAN NORMAL: TRANSFORMASI KENORMALAN.1 Pendahuluan Analisis AMMI adalah suatu teknik analisis data percobaan dua faktor perlakuan dengan pengaruh utama perlakuan
Lebih terperinciDidin Astriani P, Oki Dwipurwani, Dian Cahyawati (Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya)
(M.2) ANALISIS BIPLOT UNTUK MENGETAHUI KARAKTERISTIK PUTUS SEKOLAH PENDIDIKAN DASAR PADA MASYARAKAT MISKIN ANTAR WILAYAH KECAMATAN DI KABUPATEN OGAN ILIR Didin Astriani P, Oki Dwipurwani, Dian Cahyawati
Lebih terperinciSTK511 Analisis Statistika. Pertemuan 7 ANOVA (1)
STK511 Analisis Statistika Pertemuan 7 ANOVA (1) Metode Pengumpulan Data Metode Percobaan Memiliki keleluasaan untuk melakukan pengawasaan terhadap sumber-sumber keragaman data Dapat menciptakan jenis
Lebih terperinciPENDUGAAN SERAPAN KARBON DIOKSIDA PADA BLOK REHABILITASI CONOCOPHILLIPS DI HUTAN PENDIDIKAN GUNUNG WALAT, SUKABUMI PRASASTI RIRI KUNTARI
PENDUGAAN SERAPAN KARBON DIOKSIDA PADA BLOK REHABILITASI CONOCOPHILLIPS DI HUTAN PENDIDIKAN GUNUNG WALAT, SUKABUMI PRASASTI RIRI KUNTARI DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN
Lebih terperinciYuni Widyastuti, Satoto, dan I.A. Rumanti
PEMANFAATAN ANALISIS REGRESI DAN AMMI UNTUK EVALUASI STABILITAS HASIL GENOTIPE PADI DAN PENGARUH INTERAKSI GENETIK DAN LINGKUNGAN The Application of Regression Analysis and Ammi to Evaluate the Stability
Lebih terperinci