Library:

> #install.packages("knitr")
> #install.packages("rmarkdown")
> #install.packages("prettydoc")
> #install.packages("dplyr")
> #install.packages("tidyr")
> #install.packages("ggplot2")
> #install.packages("tseries")
> #install.packages("car")
> #install.packages("lmtest")

1 PENDAHULUAN

1.1 Latar Belakang

Tanaman seledri (Apium graveolens L.) merupakan tanaman sayuran yang berasal dari kawasan subtropika Asia dan Eropa. Tanaman ini dapat hidup di ketinggian 900 meter di atas permukaan laut. Seledri merupakan salah satu tanaman dengan nilai ekspor yang tinggi. Selain itu, seledri dimanfaatkan sebagai bumbu dapur, obat-obatan karena mengandung senyawa flavonoid, tanin, saponin, kolin, minyak atsiri, apigenin, vitamin A, B, C serta zat pahit asparigin, dan juga bahan kosmetik (Rachmawati, 2019).

Setiap tahun, jumlah penduduk bertambah yang menyebabkan kebutuhan akan sayuran juga meningkat. Salah satunya kebutuhan akan seledri. Dengan begitu, perlu ditingkatkan lagi hasil dari produksi seledri. Pemberian pupuk bokashi merupakan salah satu cara alternatif dalam meningkatkan hasil dari budidaya tanaman seledri. Bokashi adalah pupuk kompos yang dihasilkan melalui fermentasi dengan pemberian Effektive Mikroorganisme-4 (EM4) yang merupakan salah satu aktivator untuk mempercepat proses pembuatan kompos (Kastalani et al., 2017).

Bahan utama (bahan organik) dalam pembuatan pupuk bokashi, yaitu kotoran hewan, rumput, jerami, pupuk kandang, sekam, pupuk hijau serta serbuk geraji. Pupuk bokashi mampu memperbaiki sifat fisika, sifat kimia dan biologi tanah, meningkatkan produksi tanaman serta menghasilkan kualitas dan kuantitas hasil pertanian yang berkonsep lingkungan serta mempertahankan kestabilan produksi tanaman. Jika bokashi dimasukkan ke dalam tanah, bahan organiknya bisa dipakai sebagai tambahan persediaan unsur hara bagi tanaman sekaligus sebagai pakan oleh mikroorganisme efektif untuk berkembang biak dalam tanah.

Pemberian beberapa dosis pupuk bokashi akan menghasilkan berat basah tanaman seledri yang berbeda-beda. Maka dari itu, penelitian ini dilakukan untuk menganalisis apakah terdapat perbedaan rata-rata berat basah tanaman seledri. Data dalam penelitian ini diambil dari penelitian Hafizah Asby pada tahun 2020 berjudul “Pengaruh Pemberian Pupuk Bokashi Terhadap Pertumbuhan Dan Produksi Tanaman Seledri (Apium graveolens L.)”.

1.2 Statistika

Statistika adalah ilmu yang mempelajari tentang teknik pengumpulan, penyajian, analisis, dan pengambilan kesimpulan dari data secara umum berdasarkan atas hasil dari penelitian menyeluruh yang sudah dilakukan. Lebih lanjut, statistika merupakan ilmu pengetahuan, murni dan terapan mengenai penciptaan, pengembangan, dan penerapan teknik-teknik sedemikian rupa sehingga ketidakpastian inferensia induktif dapat dievaluasi. Statistika dalam pengertian sebagai ilmu dibedakan menjadi dua, yaitu statistika deskriptif dan statistika inferensial.

1.2.1 Statistika Deskriptif

Statistika deskriptif mempunyai tujuan untuk mendeskripsikan atau memberikan gambaran mengenai objek yang diteliti sebagaimana adanya tanpa menarik kesimpulan atau generalisasi. Dalam statistika deskriptif ini dijelaskan terkait cara panyajian data dalam bentuk tabel maupun diagram, penentuan rata-rata (mean), median, modus, rentang serta simpangan baku.

1.2.2 Statistika Inferensial

Statistika inferensial mempunyai tujuan untuk menarik kesimpulan. Sebelum penarikan kesimpulan, dilakukan suatu dugaan yang diperoleh dari statistika deskriptif. Statistika inferensial merupakan suatu metode yang dapat digunakan untuk menganalisis kelompok kecil dari data induknya atau sampel yang diambil dari populasi sampai pada peramalan dan penarikan kesimpulan pada kelompok data induknya atau populasi. Ruang lingkup bahasan statistika inferensial, yaitu probabilitas, distribusi teoritis, analisis kovarians, sampling dan distribusi sampling, pendugaan populasi, ANOVA, uji hipotesis, analisis korelasi dan uji signifikansi serta analisis regresi untuk peramalan.

1.3 ANOVA

ANOVA (Analysis of Variance) merupakan bagian dari metode analisis statistika inferensial yang biasanya digunakan untuk menguji perbandingan dua atau lebih rata-rata suatu data populasi atau sampel. ANOVA sering diistilahkan sebagai uji-F yang merupakan pengembangan lebih lanjut dari uji-t. Uji-t atau uji-z biasanya digunakan untuk studi komparatif dua rata-rata dari sekumpulan data populasi, sedangkan uji-F atau ANOVA bisa lebih. Metode ini digunakan untuk menguraikan keragaman total menjadi beberapa komponen yang mengukur berbagai komponen keragaman. Komponen-komponen tersebut sebisa mungkin bebas satu sama lain.

1.3.1 Perlakuan, Faktor, dan Level

Perlakuan: sekumpulan kondisi tertentu yang diberikan kepada setiap satuan percobaan.
Faktor: gugus perlakuan-perlakuan yang mempunyai ciri sama.
Tiap perlakuan dalam faktor disebut taraf atau level dari faktor tersebut. Taraf dapat bersifat kualitatif maupun kuantitatif.

1.3.2 Jenis ANOVA

Univariate One Way ANOVA: apabila variabel bebas dan variabel terikat jumlahnya satu.
Univariate Two Way ANOVA: apabila variabel bebas ada 2, sedangkan variabel terikat ada satu.
Univariate Multi Way ANOVA: apabila variabel bebas ada lebih dari 2, sedangkan variabel terikat ada satu.
Multivariate One Way ANOVA: apabila variabel bebas dan variabel terikat jumlahnya lebih dari satu.
Multivariate Two Way ANOVA: apabila variabel bebas ada 2, sedangkan variabel terikat jumlahnya lebih dari satu.
Multivariate Multi Way ANOVA: apabila variabel bebas ada lebih dari 2, sedangkan variabel terikat jumlahnya lebih dari satu.

1.4 Asumsi Dasar

Terdapat beberapa asumsi-asumsi dasar yang harus dipenuhi dalam model ANOVA yaitu sebagai berikut.

1.4.1 Pengaruh Aditif

Pengaruh perlakuan dan kelompok dikatakan aditif apabila pengaruh perlakuan selalu tetap pada setiap ulangan atau kelompok. Lalu, aditif di sini juga berarti tidak ada pengaruh yang lain selain perlakuan dan pengelompokkan. Sedangkan, dikatakan multiplikatif apabila ada pengaruh lain.

1.4.2 Tidak Ada Pencilan

Data tidak memiliki pencilan (outlier) atau amatan yang memiliki nilai ekstrim dan berbeda dari amatan yang lain.

1.4.3 Normalitas Galat

Galat model haruslah berdistribusi normal dengan rataan nol.
Normalitas galat dapat diuji secara grafis (menggunakan Histogram & Q-Q Plot) maupun uji statistik (Andersen-Darling, Jarque-Bera, Shapiro-Wilk dan lainnya).
Apabila asumsi normalitas galat ini terlanggar, maka semua pengujian menjadi tidak sah.
Solusi jika galat tidak menyebar dengan normal yaitu dengan melakukan transformasi data (Akar, Log, Arcsin dan lainnya).

1.4.4 Homogenitas Ragam

Ragam bernilai sama untuk setiap amatan pada faktor sama (σi = σj ; i ≠ j).
Homogenitas ragam dapat duji secara grafis (menggunakan Plot Fitted Value vs Res.) maupun uji statistik (Breusch-Pagan, Levene).
Apabila asumsi homogenitas ragam ini terlanggar, maka pendugaan paramater menjadi bias.

1.5 Uji ANOVA Satu Arah (One Way ANOVA)

Uji ANOVA satu arah atau One Way ANOVA digunakan jika data amatan hasil eksperimen memenuhi asumsi ANOVA, mempunyai 1 variabel respon, dan mempunyai 1 variabel bebas yang bertindak sebagai faktor.
Hipotesis:
One Way ANOVA: Misalkan terdapat data n amatan yang terdiri dari p perlakuan. Tiap perlakuan ke-j terdiri dari nj amatan.
Tabel One Way ANOVA
Daerah kritis:

Tolak H0 apabila Fhitung > Ftabel. Sedangkan, terima H0 apabila Fhitung < Ftabel. Tolak H0 apabila p-value < alpha. Sedangkan, terima H0 apabila p-value > alpha.

1.6 Uji Lanjut

Penggunaan uji lanjut digunakan setelah uji F (tabel ANOVA) dan apabila keputusannya tolak H0. Uji ini digunakan untuk mengetahui pasangan perlakuan mana yang mempunyai nilai tengah berbeda. Beberapa metode yang dapat digunakan untuk membandingkan nilai tengah perlakuan yaitu Fisher’s LSD (Least Significance Difference) Test atau Uji BNT (Beda Nyata Terkecil), Tukey’s HSD (Honestly Significance Difference) Test atau Uji BNJ (Beda Nyata Jujur), Duncan, Dunnet, Newman Keuls, LSD dan lainnya.

1.7 Data

Tabel data berat basah tanaman seledri (Apium graveolens L.)

Sumber data: Asby, Hafizah. 2020. “Pengaruh Pemberian Pupuk Bokashi Terhadap Pertumbuhan Dan Produksi Tanaman Seledri (Apium Graveolens L.)”. Medan.

2 SOURCE CODE

2.1 Library yang Dibutuhkan

> library(knitr)
> library(rmarkdown)
> library(prettydoc)
> library(dplyr)
> library(tidyr)
> library(ggplot2)
> library(knitr)
> library(tseries)
> library(car)
> library(lmtest)

2.2 Uji ANOVA Secara Manual

2.2.1 Langkah 1 - Melakukan Input Data

> data <- data.frame(D0 = c(151, 320, 167, 211),
+                    D1 = c(203, 243, 405, 214),
+                    D2 = c(265, 255, 500, 300),
+                    D3 = c(262, 355, 323, 680),
+                    D4 = c(405, 661, 765, 390),
+                    D5 = c(355, 400, 230, 373))
> library(dplyr)
> library(tidyr)
> data <- data %>% pivot_longer(c(D0, D1, D2, D3, D4, D5))
> names(data) <- c("Dosis.Pupuk.Bokashi", "Berat.Basah")
> data$Dosis.Pupuk.Bokashi <- as.factor(data$Dosis.Pupuk.Bokashi)
> data
# A tibble: 24 x 2
   Dosis.Pupuk.Bokashi Berat.Basah
   <fct>                     <dbl>
 1 D0                          151
 2 D1                          203
 3 D2                          265
 4 D3                          262
 5 D4                          405
 6 D5                          355
 7 D0                          320
 8 D1                          243
 9 D2                          255
10 D3                          355
# i 14 more rows

Membuat data frame berisi data yang akan digunakan dan disimpan dengan nama ‘data’. Lalu, mengaktifkan library dplyr dan library tidyr untuk mengubah bentuk tabel. Kemudian, memberi nama kolom pada ‘data’ yakni kolom pertama dengan nama ‘Dosis.Pupuk.Bokashi’, dan kolom kedua dengan nama ‘Berat.Basah’. Selanjutnya, mendefinisikan kolom ‘Dosis.Pupuk.Bokashi’ sebagai vektor faktor. Terakhir, mengetikkan kembali kode ‘data’ untuk menampilkan data.

2.2.2 Langkah 2 - Melakukan Eksplorasi Data

> library(ggplot2)
> plot1 <- ggplot(data) + 
+   aes(x = Dosis.Pupuk.Bokashi, y = Berat.Basah, fill = Dosis.Pupuk.Bokashi) +
+   geom_boxplot() +
+   scale_fill_hue(direction = 1) +
+   theme_minimal() +
+   theme(legend.position = "none")
> plot1

Gambar Boxplot: Berat Basah Tanaman Seledri dari Beberapa Dosis Pupuk Bokashi

2.2.3 Langkah 3 - Menghitung Derajat Bebas (DB)

> n <- nrow(data)
> p <- data$Dosis.Pupuk.Bokashi %>% unique() %>% length()
> dbp <- p-1
> dbg <- n-p
> dbt <- n-1
> 
> dbp; dbg; dbt
[1] 5
[1] 18
[1] 23

Mendefinisikan n sebagai banyaknya baris dalam ‘data’, p sebagai banyaknya baris dalam ‘Dosis.Pupuk.Bokashi’. Kemudian, melakukan perhitungan derajat bebas (DB) dengan definisi dbp (derajat bebas perlakuan) diperoleh dari p dikurang dengan 1, dbg (derajat bebas galat) diperoleh dari n dikurang dengan p, dan dbt (derajat bebas total) diperoleh dari n dikurang dengan 1. Lalu, mengetikkan kode ‘dbp; dbg; dbt’ untuk menampilkan dbp, dbg, dan dbt yang sudah didefinisikan sebelumnya.

2.2.4 Langkah 4 - Menghitung Jumlah Kuadrat (JK)

> perlakuan.mean <- aggregate(data$Berat.Basah ~ data$Dosis.Pupuk.Bokashi, data, mean)[,2]
> n <- aggregate(data$Berat.Basah ~ data$Dosis.Pupuk.Bokashi, data, length)[,2]
> grand.mean <- mean(data$Berat.Basah)
> JKT <- sum((data$Berat.Basah - grand.mean)^2)
> JKP <- sum(n*(perlakuan.mean - grand.mean)^2)
> JKG <- JKT - JKP
> 
> JKP; JKG; JKT
[1] 286562.4
[1] 310955.2
[1] 597517.6

Menghitung rata-rata dari perlakuan, n dari ‘data’, rata-rata dari keseluruhan ‘data’ yang akan digunakan untuk menghitung JKP (jumlah kuadrat perlakuan), JKG (jumlah kuadrat galat), dan JKT (jumlah kuadat total). Lalu, mengetikkan kode ‘JKP; JKG; JKT’ untuk menampilkan JKP, JKG, dan JKT yang sudah didefinisikan sebelumnya.

2.2.5 Langkah 5 - Menghitung Kuadrat Tengah (KT)

> KTP <- JKP / dbp
> KTG <- JKG / dbg
> 
> KTP; KTG
[1] 57312.47
[1] 17275.29

Menghitung KTP (kuadrat tengah perlakuan) yang diperoleh dari JKP dibagi dengan dbp, dan KTG (kuadrat tengah galat) yang diperoleh dari JKG dibagi dengan dbg. Lalu, mengetikkan kode ‘KTP; KTG’ untuk menampilkan KTP dan KTG yang sudah didefinisikan sebelumnya.

2.2.6 Langkah 6 - Menghitung Statistik F (Fhitung) dan p-value

> Fhitung <- KTP / KTG
> p_value <- pf(Fhitung, dbp, dbg, lower.tail = FALSE)
> 
> Fhitung; p_value
[1] 3.317598
[1] 0.02684819

Menghitung statistik F yakni Fhitung yang diperoleh dari KTP dibagi dengan KTG. Lalu, mencari nilai p-value melalui peluang kepadatan kumulatif sebaran f. Kemudian, mengetikkan kode ‘Fhitung; p_value’ untuk menampilkan Fhitung dan p-value yang sudah didefinisikan sebelumnya.

2.2.7 Langkah 7 - Membuat Tabel ANOVA

> tabel_anova <- data.frame(SK = c("Perlakuan", "Galat", "Total"),
+                           DB = c(dbp, dbg, dbt),
+                           JK = c(JKP, JKG, JKT),
+                           KT = c(KTP, KTG, NA),
+                           Fhitung = c(Fhitung, NA, NA),
+                           P.Value = c(p_value, NA, NA))
> tabel_anova
         SK DB       JK       KT  Fhitung    P.Value
1 Perlakuan  5 286562.4 57312.47 3.317598 0.02684819
2     Galat 18 310955.2 17275.29       NA         NA
3     Total 23 597517.6       NA       NA         NA

Membuat data frame bernama tabel_anova yang berisi SK (Sumber Keragaman), DB (Derajat Bebas), JK (Jumlah Kuadrat), KT (Kuadrat Tengah), Fhitung (statistik F), dan P.Value (p-value). Pembuatan data frame ini bertujuan untuk mempermudah dalam melihat dan mengambil keputusan dari uji yang dilakukan.

2.2.8 Effect Size

> es <- JKP / JKT
> es
[1] 0.4795882

Effect Size adalah besaran variabilitas dari respon yang dapat dijelaskan oleh sumber keragaman perlakuan. Jika bernilai 0 artinya tidak ada hubungan antara keduanya, sebaliknya jika bernilai 1 berarti hubungan keduanya adalah sempurna. Mendefinisikan es dengan menghitung effect size sebagai JKP dibagi dengan JKT. Lalu, mengetikkan kode ‘es’ untuk menampilkan ‘es’ yang sudah didefinisikan sebelumnya.

2.3 Uji ANOVA Menggunakan Fungsi aov()

> uji_anova <- aov(Berat.Basah ~ Dosis.Pupuk.Bokashi, data)
> summary(uji_anova)
                    Df Sum Sq Mean Sq F value Pr(>F)  
Dosis.Pupuk.Bokashi  5 286562   57312   3.318 0.0268 *
Residuals           18 310955   17275                 
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Uji ANOVA menggunakan fungsi aov() yang bersifat built in R dengan variabel yang dianalisis adalah Berat.Basah untuk setiap Dosis.Pupuk.Bokashi pada data frame ‘data’ dan disimpan dengan nama ‘uji_anova’. Lalu, mengetikkan kode ‘summary(uji_anova)’ untuk menampilkan hasil analisis secara lengkap dari ‘uji_anova’ yang sudah didefinisikan sebelumnya. Dari output, terlihat bahwa nilai derajat bebas, jumlah kuadrat, kuadrat tengah, Fhitung dan p-value sama dengan output yang diperoleh pada perhitungan manual.

2.4 Uji Lanjut (BNJ)

> TukeyHSD(uji_anova, conf.level = 0.95)
  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = Berat.Basah ~ Dosis.Pupuk.Bokashi, data = data)

$Dosis.Pupuk.Bokashi
         diff         lwr       upr     p adj
D1-D0   54.00 -241.363184 349.36318 0.9910834
D2-D0  117.75 -177.613184 413.11318 0.7983969
D3-D0  192.75 -102.613184 488.11318 0.3427653
D4-D0  343.00   47.636816 638.36318 0.0176371
D5-D0  127.25 -168.113184 422.61318 0.7438992
D2-D1   63.75 -231.613184 359.11318 0.9812874
D3-D1  138.75 -156.613184 434.11318 0.6727739
D4-D1  289.00   -6.363184 584.36318 0.0572060
D5-D1   73.25 -222.113184 368.61318 0.9660338
D3-D2   75.00 -220.363184 370.36318 0.9625103
D4-D2  225.25  -70.113184 520.61318 0.1998618
D5-D2    9.50 -285.863184 304.86318 0.9999981
D4-D3  150.25 -145.113184 445.61318 0.5987722
D5-D3  -65.50 -360.863184 229.86318 0.9789407
D5-D4 -215.75 -511.113184  79.61318 0.2359961

Melakukan uji lanjut dengan uji BNJ dikarenakan keputusan yang dihasilkan adalah tolak H0 (p-value < alpha (0.05)) dan/atau Fhitung > Ftabel.

2.5 Pemeriksaan Asumsi

2.5.1 Normalitas Galat

> library(car)
> sisa <- residuals(uji_anova)
> sisa
      1       2       3       4       5       6       7       8       9      10 
 -61.25  -63.25  -65.00 -143.00 -150.25   15.50  107.75  -23.25  -75.00  -50.00 
     11      12      13      14      15      16      17      18      19      20 
 105.75   60.50  -45.25  138.75  170.00  -82.00  209.75 -109.50   -1.25  -52.25 
     21      22      23      24 
 -30.00  275.00 -165.25   33.50 
> 
> library(tseries)
> jarque.bera.test(sisa)

    Jarque Bera Test

data:  sisa
X-squared = 2.2243, df = 2, p-value = 0.3288

Menguji normalitas galat menggunakan uji jarque bera.

2.5.2 Homogenitas Ragam

> library(lmtest)
> bptest(uji_anova)

    studentized Breusch-Pagan test

data:  uji_anova
BP = 7.5373, df = 5, p-value = 0.1836

Menguji homogenitas ragam menggunakan uji breusch pagan.

3 HASIL DAN PEMBAHASAN

3.1 Statistika Deskriptif

Pada perlakuan dosis pupuk bokashi 10 gr terdapat pencilan yang terletak pada data berat basah tanaman seledri 405 gr.
Pada perlakuan dosis pupuk bokashi 20 gr terdapat pencilan yang terletak pada data berat basah tanaman seledri 500 gr.
Pada perlakuan dosis pupuk bokashi 30 gr terdapat pencilan yang terletak pada data berat basah tanaman seledri 680 gr.
Pada perlakuan dosis pupuk bokashi 50 gr terdapat pencilan yang terletak pada data berat basah tanaman seledri 230 gr.

3.2 Statistika Inferensial

3.2.1 Tabel ANOVA

3.2.2 Effect Size

Effect size bernilai 0.4795882 berarti berat basah tanaman seledri dapat menjelaskan dosis pupuk bokashi sebesar 47.95882%.

3.2.3 Uji Lanjut (BNJ)

Jika lwr < mu < upr melewati nilai 0, maka terima H0 yang artinya tidak terdapat perbedaan pengaruh antar pasangan perlakuan. Lebih lanjut, jika p adj > alpha (0.05), maka terima H0 yang artinya tidak terdapat perbedaan pengaruh antar pasangan perlakuan.

3.2.4 Pemeriksaan Asumsi

Perlakuan Aditif : Pengaruh perlakuan dan kelompok sudah dikatakan aditif karena pengaruh perlakuan selalu tetap pada setiap ulangan atau kelompok. Dengan demikian, asumsi aditif terpenuhi.

Pencilan : Dari gambar boxplot, terlihat bahwa terdapat amatan yang memiliki nilai ekstrim dan berbeda dari amatan yang lain. Dengan demikian, terdapat pencilan dalam data dan asumsi tidak terpenuhi.

Normalitas Galat (Uji Jarque Bera) : Penjelasan terkait uji normalitas galat dapat dilihat pada gambar berikut.

Homogenitas Ragam (Uji Breusch Pagan) : Penjelasan terkait uji homogenitas ragam dapat dilihat pada gambar berikut.

4 KESIMPULAN

Berdasarkan hasil analisis One Way ANOVA dan beberapa asumsi di dalamnya terkait perbedaan rata-rata berat basah tanaman seledri dari beberapa dosis pupuk bokashi, dapat dilihat bahwa terdapat perbedaan pengaruh perlakuan dosis pupuk bokashi terhadap berat basah tanaman seledri. Perbedaan pengaruh dari pasangan perlakuan dosis pupuk bokashi terlihat dari hasil uji lanjut yakni uji BNJ. Dalam uji lanjut tersebut didapatkan bahwa pasangan perlakuan D0 (dosis pupuk bokashi kontrol) dengan D4 (dosis pupuk bokashi 40 gr) memiliki pengaruh berbeda terhadap hasil berat basah tanaman seledri. Kemudian, terkait asumsi-asumsi dalam analisis One Way ANOVA terhadap penelitian ini, ditemukan bahwa terdapat pencilan dalam data, data bersifat aditif, galat menyebar normal, dan ragam galat setiap perlakuan sama (homogen). Selain itu, diperoleh effect size sebesar 0.4795882 berarti berat basah tanaman seledri dapat menjelaskan dosis pupuk bokashi sebesar 47.95882%.

5 DAFTAR PUSTAKA

Asby, H. (2020). Pengaruh Pemberian Pupuk Bokashi Terhadap Pertumbuhan dan Produksi Tanaman Seledri (Apium graveolens L.). Skripsi Jurusan Biologi Fakultas Sains Dan Teknologi Universitas Islam Negeri Sumatera Utara, 1–36.

Bustami, Abdullah, D., & Fadlisayah. (2014). Statistika Parametrik. In Graha Ilmu. https://repository.unimal.ac.id/2485/

Kastalani, Erviana Kusuma, M., & Septi Melati, D. (2017). The effect of bokashi fertilizer onvegetative growth of elephant grass (Pennisetum purpureum). Ziraa’ah Majalah Ilmiah Pertanian, 42(2), 123–127.

Nuryadi, Astuti, T. D., Utami, E. S., & Budiantara, M. (2017). Buku Ajar Dasar-dasar Statistik Penelitian.

Rachamawati A. 2019. Pengaruh Pemberian Ekstrak Umbi Bawang Merah (Allium cepa L.) Terhadap Pertumbuhan Tanaman Seledri, Skripsi Jurusan Biologi Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung.