Penerapan Multivariate Analysis of Variance (MANOVA) dalam Mengetahui Pengaruh Waktu Penanaman pada Pertumbuhan dan Hasil Tanam Hibrida Jagung

1. PENDAHULUAN

1.1. Latar Belakang

Jagung (Zea mays L.) merupakan salah satu tanaman serealia yang memegang peranan penting dalam sektor ekonomi di negara-negara Arab dan secara global. Jagung menduduki peringkat ketiga dalam hal produksi dan luas lahan tanam di negara Arab jika dibandingkan dengan tanaman pangan utama, seperti gandum dan padi (Gatea & Hussein, 2023)

Jagung memiliki beragam manfaat sebagai sumber pangan manusia, pakan ternak, dan bahan baku industri seperti kertas, minyak, dan pewarna. Tanaman ini juga dikenal memiliki produktivitas yang tinggi dan kemampuan beradaptasi dengan berbagai kondisi iklim. Oleh karena itu, jagung menjadi tanaman yang cocok sebagai makanan pokok di negara Timur Tengah, khususnya Iran yang memiliki pertumbuhan populasi pesat sehingga berdampak pada ketersediaan persediaan makanan yang ada (Golbashy dkk., 2010). Dalam program pemuliaan jagung sebagai bentuk perbaikan genetik, (Grzesiak, 2001) dan (Ihsan dkk., 2005) menemukan bahwa variabilitas genotipe antar berbagai genotipe jagung yang berbeda memiliki sifat/genetik yang berbeda juga.

Perubahan kondisi lingkungan yang terkait dengan waktu penanaman jagung, seperti sinar matahari dan suhu, dapat mempengaruhi pertumbuhan dan perkembangan tanaman jagung. Setiap jenis hibrida memiliki waktu penanaman optimalnya masing-masing (Berzsenyi & Lap, 2001). Jika penanaman terlalu awal atau terlambat dari waktu optimal, hasil panen bisa mengalami penurunan yang signifikan. Hasil penelitian oleh (Nielson dkk., 2002) menunjukkan bahwa tanggal penanaman jagung memiliki dampak yang signifikan pada pertumbuhan dan hasil panen. Petani jagung sering menghadapi tantangan dalam menentukan waktu penanaman yang tepat, karena penanaman terlalu awal dapat menghadapi risiko embun beku dan pertumbuhan tanaman yang buruk, sementara penanaman terlambat dapat memengaruhi hasil dan kelembaban biji jagung.

Para petani seringkali mencoba berbagai tanggal penanaman untuk menghindari risiko yang sulit diprediksi. Hibrida jagung musiman pendek dapat ditanam lebih awal tanpa mengurangi hasil panen maksimalnya. Pendekatan ini membantu mengurangi risiko mendapatkan tongkol dan biji jagung yang belum matang atau rusak akibat embun beku awal. Faktor lingkungan dan praktik agronomi memainkan peran penting dalam menentukan adaptasi tanaman jagung, yang pada gilirannya mempengaruhi produksi jagung melalui teknik pertanian dan pemuliaan tanaman.

Pentingnya penelitian ini terletak pada kebutuhan untuk meningkatkan efisiensi produksi jagung. Memahami bagaimana lingkungan dan praktik pertanian memengaruhi hibrida jagung sangat krusial untuk meningkatkan efisiensi ini. Penelitian ini dilakukan dengan tujuan untuk mengevaluasi dampak tanggal penanaman terhadap pertumbuhan dan hasil panen pada berbagai jenis hibrida jagung. Selain itu, penelitian ini juga membandingkan efisiensi dan profitabilitas dalam pemilihan genotipe jagung terbaik dan penentuan waktu penanaman yang optimal.

1.2. Rumusan Masalah

Berdasarkan latar belakang tersebut, penulis merumuskan beberapa masalah dalam laporan praktikum ini:

1. Bagaimana waktu penanaman di awal dan akhir mempengaruhi masing-masing komponen pertumbuhan dan hasil panen pada berbagai jenis hibrida jagung?

2. Apakah terdapat perbedaan signifikan pada hasil panen dan komponen pertumbuhan jagung secara keseluruhan terhadap penanaman yang dilakukan awal dan terlambat (akhir)?

3. Bagaimana profil hasil panen dan komponen pertumbuhan jagung yang dilakukan pada waktu penanaman awal dan akhir?

4. Bagaimana efisiensi dan profitabilitas dalam pemilihan genotipe jagung terbaik pada berbagai waktu penanaman yang berbeda?

1.3. Tujuan Penelitian

Berdasarkan latar belakang, penulis merumuskan beberapa tujuan masalah dalam laporan praktikum ini, yaitu:

1. Mengetahui pengaruh waktu penanaman di awal dan akhir mempengaruhi masing-masing komponen pertumbuhan dan hasil panen pada berbagai jenis hibrida jagung.

2. Mengetahui perbedaan signifikan pada hasil panen dan komponen pertumbuhan jagung secara keseluruhan terhadap penanaman yang dilakukan awal dan terlambat (akhir).

3. Mengetahui profil hasil panen dan komponen pertumbuhan jagung yang dilakukan pada waktu penanaman awal dan akhir.

4. Mengetahui efisiensi dan profitabilitas dalam pemilihan genotipe jagung terbaik pada berbagai waktu penanaman yang berbeda.

2. TINJAUAN PUSTAKA

2.1. Tanaman Jagung

2.1.1. Perkembangan dan Karakteristik Pertumbuhan Tanaman Jagung

Jagung merupakan salah satu jenis tanaman biji-bijian yang berasal dari Amerika dan telah menyebar ke Asia dan Afrika. Di beberapa negara, jagung menjadi makanan pokok dan menduduki peringkat ketiga dalam hal produksi dan luas lahan tanam di negara-negara Arab, dibandingkan dengan gandum dan padi. Jagung yang dikenal saat ini telah mengalami proses evolusi dari tanaman serealia primitif (Hutauruk, 2016). Awalnya, biji jagung terbuka dan jumlahnya sedikit, namun melalui evolusi, jagung menjadi tanaman yang produktif dengan biji yang banyak pada tongkol yang tertutup. Hal ini membuat jagung memiliki nilai jual yang tinggi dan banyak ditanam sebagai bahan pangan.

Wibowo (2008) menyatakan bahwa jagung tumbuh optimal di daerah dengan iklim subtropis dan tropis, yaitu pada lintang 50° LU hingga 40° LS. Tanaman ini dapat tumbuh pada ketinggian 0-3000 meter di atas permukaan laut (mdpl) sesuai dengan penelitian Palungkun dan Budiarti (2000). Jagung termasuk tanaman yang tidak memerlukan persyaratan tanah khusus. Tanaman ini dapat tumbuh baik di lahan kering, sawah, maupun lahan pasang surut, asalkan memenuhi syarat-syarat tumbuhnya, sebagaimana dijelaskan oleh Zakariah (2012). Untuk pertumbuhan yang optimal, jagung membutuhkan curah hujan antara 250 mm/tahun hingga 2000 mm/tahun. Sufiani (2002) juga menambahkan bahwa jagung hibrida dapat tumbuh dengan baik di daerah dengan ketinggian lebih dari 3000 m di atas permukaan laut.

2.1.2. Morfologi Tanaman Jagung

Morfologi tanaman jagung mencakup beberapa bagian, termasuk akar, batang, daun, bunga, dan tongkol. Akar jagung terdiri dari akar seminal, akar adventif, dan akar udara. Akar seminal tumbuh dari radikula dan embrio, sementara akar adventif dikenal sebagai akar tunjang. Akar udara muncul dari buku terbawah dekat permukaan tanah dan membantu menjaga tanaman tegak serta mengatasi rebah batang (Supriyanta dkk., 2020).

Batang jagung berbentuk silinder, tidak bercabang, dan terdiri dari ruas dan buku ruas. Tunas yang berkembang menjadi tongkol muncul dari buku ruas. Tinggi tanaman jagung berkisar antara 60–300 cm. Batang terdiri dari kulit (epidermis), jaringan pembuluh (bundles vaskuler), dan pusat batang (pith).

Daun jagung memiliki tiga bagian, yakni kelopak daun, lidah daun, dan helaian daun. Jumlah daun bervariasi tergantung pada varietas, namun tanaman jagung di daerah tropis cenderung memiliki lebih banyak daun dibandingkan di daerah beriklim sedang.

Bunga jagung disebut bunga tidak lengkap dan tidak sempurna karena tidak memiliki sepal dan petal (Purwono & Hartono, 2011). Bunga jantan terletak di ujung batang, sementara bunga betina terdapat pada ketiak daun keenam atau kedelapan dari bunga jantan. Jagung adalah tanaman menyerbuk silang, di mana penyerbukan terjadi ketika serbuk sari menempel pada rambut tongkol. Penyerbukan umumnya berasal dari tanaman jagung lain.

Setiap tanaman jagung memiliki satu atau dua tongkol, tergantung pada varietasnya. Tongkol jagung diselimuti oleh daun kelobot dan terdiri dari 10-16 baris biji yang selalu berjumlah genap. Biji jagung terdiri dari pericarp, endosperm sebagai cadangan makanan, dan embrio yang mencakup plamule, akar radikal, scutelum, dan koleoptil.

2.1.3. Faktor Pengaruh Pertumbuhan Tanaman Jagung

Fotosintesis adalah proses esensial bagi tanaman yang bertujuan untuk menghasilkan makanan yang mendukung pertumbuhan dan perkembangannya (Wahyudin dkk., 2016). Pertumbuhan tanaman jagung (Zea mays L.) dipengaruhi oleh sejumlah faktor, termasuk faktor eksternal dan faktor internal. Faktor eksternal melibatkan kondisi lahan dan lingkungan tempat tanaman tumbuh, sementara faktor internal adalah faktor genetik dari tanaman jagung itu sendiri.

Pada penanaman jagung, kondisi lahan dan lingkungan memiliki peran penting dalam mendukung pertumbuhan optimal. Faktor-faktor lingkungan seperti intensitas sinar matahari, suhu udara, kelembaban udara, dan curah hujan memainkan peran utama dalam proses fotosintesis. Fotosintesis merupakan kunci bagi berbagai proses metabolisme dalam tanaman (Garfansa dkk., 2022). Tanaman jagung membutuhkan sinar matahari yang cukup dan suhu yang sesuai untuk mencapai pertumbuhan optimal. Ketersediaan air yang memadai juga penting untuk menghindari hambatan dalam pertumbuhan. Oleh karena itu, dalam penanaman jagung, pemilihan waktu penanaman harus dipertimbangkan agar kondisi lingkungan mendukung pertumbuhan yang optimal.

Selain faktor lingkungan, faktor genetik merupakan faktor penting yang berkontribusi pada kesuksesan pertanian. Faktor genetik sangat berkaitan dengan adaptasi tanaman terhadap iklim dan topografi wilayah tempat tanaman tumbuh (Herlina & Prasetyorini, 2020). Selain itu, perubahan iklim yang terkait dengan pemanasan global dapat memengaruhi iklim dan topografi wilayah. Perubahan ini juga dapat berdampak pada kondisi lahan pertanian. Oleh karena itu, untuk menjaga produktivitas jagung yang stabil, diperlukan pemuliaan tanaman untuk menghasilkan varietas jagung dengan genetik yang lebih unggul, yang dapat bertahan dan beradaptasi dengan perubahan lingkungan yang terus-menerus.

2.1.4. Jagung Hibrida

Jagung hibrida adalah jenis jagung yang dihasilkan melalui pemuliaan tanaman dengan menggabungkan dua atau lebih benih yang memiliki sifat-sifat unggul. Jagung hibrida memiliki produktivitas yang lebih tinggi karena memiliki potensi hasil yang lebih besar dan pertumbuhan tanaman yang lebih seragam. Penggunaan jagung hibrida memiliki peran penting dalam meningkatkan produksi dan produktivitas jagung, serta mendukung peningkatan produktivitas nasional (Wiryono dkk., 2018). Terdapat dua jenis varietas jagung yang dihasilkan melalui teknik pemuliaan, yaitu jagung hibrida dan jagung komposit. Kedua jenis varietas ini telah disesuaikan dengan berbagai kondisi pertumbuhan dan memiliki karakteristik unik. Keunggulan jagung hibrida meliputi respons yang baik terhadap pemupukan, ketahanan terhadap cekaman lingkungan, serta sifat tahan terhadap penyakit seperti bulai dan busuk batang.

2.2. Statistika Deskriptif

Statistika adalah cabang ilmu yang melibatkan pengumpulan, pengorganisasian, penyajian, analisis, dan interpretasi data numerik dengan tujuan mendukung pengambilan keputusan yang efektif. Statistika deskriptif merupakan metode statistik yang bertujuan untuk menganalisis data dengan cara menggambarkan atau menjelaskan data yang telah terkumpul tanpa membuat kesimpulan umum atau generalisasi (Sholikhah, 2016). Tujuan utama dari statistika deskriptif adalah memberikan gambaran yang jelas tentang karakteristik, pola, dan distribusi data yang diamati. Pendekatan ini tidak melibatkan inferensi statistik atau generalisasi terhadap populasi yang lebih besar, melainkan fokus pada analisis dan interpretasi data yang ada. Statistika deskriptif sering digunakan untuk merangkum data, seperti menghitung nilai rata-rata, median, variasi, dan persentil, serta membuat diagram, grafik, atau tabel untuk secara visual mempresentasikan data tersebut.

Range atau jangkauan adalah adalah selisih antara nilai maksimum atau nilai terbesar dengan nilai minimum atau nilai terkecil pada data. Sebelum menghitung range, data harus sudah teridentifikasi dahulu nilai minimum dan maksimumnya.

Mean atau rata-rata adalah rasio dari total nilai pengamatan dengan banyaknya pengamatan. Mean juga merupakan wakil dari sekumpulan data atau dianggap suatu nilai yang paling dekat dengan hasil pengukuran yang sebenarnya (Setiawan dkk., 2017). Nilai mean bisa diketahui dengan menggunakan rumus berikut: \[\bar{x}= \frac1n\Sigma X_i\] Keterangan:

\(X_i\) = data pengamatan ke-i

n = banyak data

Koefisien korelasi adalah ukuran yang digunakan untuk mengetahui bagaimana derajat hubungan antara variabel-variabel yang diuji (Safitri, 2016). Nilai koefesien korelasi (r) berada di antara -1 dan 1. Jika r=-1 maka korelasi kedua variabel negatif sempurna, artinya taraf signifikansi dari pengaruh antarvariabel sangat lemah, sedangkan jika r=1 maka korelasi positif sempurna, artinya taraf signifikansi dari pengaruh antarvariabel sangat kuat. Jika koefisien korelasi menunjukkan angka 0 atau r=0, maka tidak ada hubungan antara kedua variabel yang diuji.

Salah satu metode menghitung koefisien korelasi adalah melalui teknik koefisien korelasi Pearson, dengan rumus: \[r=\frac{n\Sigma X_iY_i-\Sigma X_i\Sigma Y_i}{\sqrt{n\Sigma X_i^2-(\Sigma X_i)^2}\sqrt{n\Sigma Y_i^2-(\Sigma Y_i)^2}}\]

Keterangan:

\(X_i\) = data variabel X pengamatan ke-i

\(Y_i\) = data variabel Y pengamatan ke-i

n = banyak data variabel X dan Y

2.3. Analisis Multivariat

Analisis Multivariat adalah pendekatan statistik yang melibatkan analisis serentak dari beberapa variabel dengan mempertimbangkan hubungan antara variabel tersebut (Nuciffera, 2019). Analisis multivariat bisa dikelompokkan menjadi dua jenis, yaitu analisis dependensi atau ketergantungan dan analisis interdependensi atau saling ketergantungan. Analisis dependensi memiliki tujuan untuk menjelaskan atau memprediksi nilai dari variabel yang tidak bebas berdasarkan pengaruh lebih dari satu variabel bebas. Sementara itu, analisis interdependensi bertujuan untuk memberikan pemahaman lebih mendalam tentang hubungan antar variabel.

Ciri khas dari analisis interdependensi adalah bahwa tidak ada variabel yang bersifat dependen atau semua variabel bersifat independen satu sama lain. Analisis yang digunakan untuk data multivariat dengan sifat interdependensi meliputi analisis faktor, analisis cluster, Multidimensional Scaling (MDS), dan Categorical Analysis (CA). Sementara itu, dalam analisis dependensi, terdapat dua jenis variabel, yaitu variabel dependen dan variabel independen. Jika data multivariat memiliki sifat dependensi, alat analisis yang umum digunakan mencakup regresi berganda, regresi logistik, analisis diskriminan, Structural Equation Modeling (SEM), analisis varians multivariat (MANOVA), dan korelasi kanonikal. Dalam kedua jenis analisis multivariat ini, penggunaan alat analisis yang sesuai sangat tergantung pada sifat data dan tujuan analisisnya.

2.4. Multivariate Analysis of Variance (MANOVA)

MANOVA adalah perkembangan dari ANOVA yang digunakan ketika kita memiliki beberapa variabel dependen. MANOVA digunakan untuk mengevaluasi perbedaan antara dua atau lebih variabel dependen berdasarkan variabel independen yang bersifat kategorikal. Mirip dengan ANOVA, MANOVA dapat digolongkan menjadi MANOVA satu arah (one way) dan dua arah (two way), dengan perbedaan terletak pada jumlah variabel independennya.

Salah satu keunggulan utama penggunaan MANOVA adalah kemampuannya untuk menganalisis semua variabel dependen secara bersamaan. Hal ini dapat membantu mengurangi risiko kesalahan tipe I (\(\alpha\)) dalam pengambilan keputusan uji statistik. MANOVA juga mampu mengidentifikasi perbedaan yang mungkin tidak terdeteksi oleh ANOVA ketika masing-masing variabel dependen dianalisis secara terpisah (Sutrisno & Wulandari, 2018).

2.4.1. MANOVA Satu Arah

One-Way MANOVA adalah metode yang digunakan untuk menguji apakah kumpulan g kelompok populasi yang berasal dari satu populasi yang sama memiliki vektor rata-rata yang serupa untuk p variabel perlakuan atau variabel dependen yang diamati (Setiawan dkk., 2017). MANOVA satu arah menguji pengaruh satu faktor perlakuan (\(\tau\)) pada dua atau lebih variabel respons secara simultan. Bentuk umum MANOVA satu arah, yaitu:

\[Y_{ij}= \mu+\tau_i+e_{ij}\] \(i=1,2,...,g\); \(j=1,2,...,n\)

Keterangan:

\(Y_{ij}\) = nilai pengamatan ke-j dari kelompok ke-i

\(\mu\) = rata-rata keseluruhan

\(\tau_i\) = pengaruh kelompok ke-i terhadap respon

\(e_{ij}\) = galat pada pengamatan ke-j dari kelompok ke-i

\(g\) = banyak perlakuan

\(n\) = banyak ulangan

Hipotesis:

\(H_0: \tau_1=\tau_2=...=\tau_g=0\)

\(H_1:\) minimal ada satu \(\tau_i≠0\) untuk \(i=1,2,...,g\)

2.4.2. MANOVA Dua Arah

TWo-Way MANOVA digunakan untuk mengevaluasi pengaruh dua faktor (\(\tau\) dan \(\beta\)) perlakuan pada dua atau lebih variabel respons secara simultan dan untuk memeriksa apakah terdapat interaksi antara kedua faktor tersebut terhadap variabel-variabel respons (Jazuli dkk., 2018). Bentuk umum MANOVA satu arah, yaitu: \[Y_{lkr}= \mu+\tau_l+\beta_k+\gamma_{lk}+ e_{lkr}\] \(l=1,2,...,g\); \(k=1,2,...,b\); dan \(r=1,2,...,n\)

Keterangan:

\(Y_{lkr}\) = nilai pengamatan ke-r pada kelompok ke-l dari faktor 1 dan kelompok ke-k dari faktor 2

\(\mu\)=rata-rata keseluruhan

\(\tau_l\) = pengaruh faktor 1 pada kelompok ke-l terhadap respon

\(\beta_k\) = pengaruh faktor 2 pada kelompok ke-k terhadap respon

\(\gamma_{lk}\) = pengaruh interaksi faktor 1 dan 2 pada kelompok ke-l dari faktor 1 dan kelompok ke-k dari faktor 2

\(e_{lk}\) = galat acak pengamatan ke-r pada kelompok ke-l dari faktor 1 dan kelompok ke-k dari faktor 2

\(g\) = banyak faktor 1

\(b\) = banyak faktor 2

\(n\) = banyak pengamatan

Dalam MANOVA dua arah, digunakan tiga hipotesis untuk pengujiannya.

1. Hipotesis Pengujian Interaksi Faktor 1 dan 2

\(H_0: \gamma_{11}=\gamma_{12}=...=\gamma_{gb}=0\)

\(H_1:\) minimal ada satu \(\gamma_{lk}≠0\) untuk \(l=1,2,...,g\) dan \(k=1,2,...,b\)

2. Hipotesis Pengujian Pengaruh Faktor 1

\(H_0: \tau_1=\tau_2=...=\tau_g=0\)

\(H_1:\) minimal ada satu \(\tau_l≠0\) untuk \(l=1,2,...,g\)

3. Hipotesis Pengujian Pengaruh Faktor 2

\(H_0: \beta_1=\beta_2=...=\beta_g=0\)

\(H_1:\) minimal ada satu \(\beta_k≠0\) untuk \(k=1,2,...,b\)

2.4.3. Asumsi MANOVA

1. Uji Asumsi Normalitas Multivariat

Uji normalitas multivariat adalah metode yang digunakan untuk memeriksa apakah distribusi multivariat dari beberapa variabel terdistribusi normal dalam populasi. Uji ini penting dalam konteks analisis multivariat, terutama ketika kita menggunakan teknik statistik tertentu seperti MANOVA. Uji normalitas multivariat berdasarkan kemiringan dan keruncingan yang diusulkan oleh Mardia dianggap sebagai metode yang paling dapat diandalkan dan stabil untuk menilai apakah data multivariat mengikuti distribusi normal (Timm, 2002). Penolakan terhadap normalitas dengan menggunakan uji Mardia dapat mengindikasikan adanya pencilan data multivariat atau bahwa distribusi data tersebut secara signifikan berbeda dari distribusi normal multivariat.

Keuntungan utama dari uji ini adalah bahwa selain memeriksa normalitas multivariat, uji Mardia juga dapat mendeteksi keberadaan pencilan dalam data. Namun, jika hipotesis nol (normalitas) ditolak, uji ini tidak memberikan informasi khusus tentang variabel mana yang menyebabkan pelanggaran terhadap asumsi normalitas. Oleh karena itu, diperlukan langkah tambahan untuk mengidentifikasi pencilan dalam data multivariat dan/atau mengubah bentuk data agar memenuhi asumsi normalitas multivariat (Sutrisno & Wulandari, 2018). Hipotesis uji normalitas multivariat adalah sebagai berikut:

\(H_0\) : Data berdistribusi normal multivariat

\(H_1\) : Data tidak berdistribusi normal multivariat

2. Uji Asumsi Homogenitas Kovarians

Uji homogenitas kovarians digunakan untuk mengevaluasi keseragaman matriks varians kovarian pada variabel-variabel tertentu. Uji homogenitas matriks varians-kovarians dapat dilakukan menggunakan Uji Box’s M. Apabila nilai p > \(\alpha\), maka hipotesis nol (\(H_0\)) tidak dapat ditolak, yang berarti dapat disimpulkan bahwa matriks varians-kovarians dari l populasi adalah sama atau homogen.

Namun, perlu diingat bahwa Uji Box’s M sangat sensitif terhadap ketidaknormalan distribusi data. Oleh karena itu, penting untuk memastikan bahwa data pengamatan memenuhi asumsi normalitas multivariat sebelum menginterpretasikan hasil uji Box’s M. Hasil uji ini dapat memberikan informasi penting tentang homogenitas varians kovarians antar variabel, namun interpretasinya harus dilakukan dengan hati-hati, terutama jika data tidak terdistribusi normal. (Sutrisno & Wulandari, 2018). Hipotesis uji Box’s M adalah sebagai berikut:

\(H_0 : \Sigma_1=\Sigma_2=...=\Sigma_g=\Sigma_0\)

\(H_1\) : ada paling sedikit satu di antara sepasang \(\Sigma_l\) yang tidak sama

2.4.4. Statistik Uji MANOVA

MANOVA memiliki beberapa statistik uji yang berguna untuk membuat keputusan dalam menganalisis perbedaan antar kelompok. Statistik uji dalam MANOVA digunakan untuk mengukur pengaruh variabel independen terhadap variabel dependen secara bersamaan dan memberikan informasi tentang signifikansi perbedaan antara kelompok-kelompok yang dibandingkan (Lestari dkk., 2018). Berikut adalah statistik uji dalam MANOVA:

1. Pillai’s Trace

Statistik uji ini digunakan dalam kondisi di mana terdapat ketidakpenuhan asumsi homogenitas varians-kovarians, ukuran sampel yang terbatas, atau jika hasil-hasil pengujian saling bertentangan, seperti situasi di mana beberapa variabel memiliki rata-rata yang berbeda sementara yang lain tidak. Statistik uji ini digunakan untuk mengukur sejauh mana perbedaan signifikan ada di antara kelompok-kelompok yang dibandingkan dalam bentuk kombinasi linier dari variabel-variabel dependen. Kelebihan dari statistik uji ini adalah kemampuannya dalam mengatasi situasi dengan ukuran sampel yang kecil atau jika terdapat ketidaknormalan dalam data (Iqbal dkk., 2020).

Statistik uji: \[V^{(s)}=\Sigma \frac{\lambda_i}{1+\lambda_i}\]

2. Wilk’s Lambda

Statistik uji ini mengukur rasio antara determinan matriks varians-kovarians dalam kelompok-kelompok yang dibandingkan. Statistik ini digunakan ketika ada lebih dari dua kelompok variabel independen dan asumsi homogenitas matriks varians-kovarians terpenuhi (Sari dkk., 2023).

Statistik uji: \[Λ=\prod \frac{1}{1+\lambda_i}\]

3. Lawley-Hotelling’s Trace

Statistik uji ini digunakan ketika hanya terdapat dua kelompok variabel independen. Statistik ini mirip dengan Pillai’s Trace, tetapi lebih tepat untuk situasi dengan dua kelompok (Lestari dkk, 2018).

Statistik uji: \[U^{(s)}=\Sigma \lambda_i \]

4. Roy’s Largest Root

Statistik uji ini mengukur perbedaan varians antara kelompok-kelompok yang dibandingkan. Statistik ini digunakan jika asumsi homogenitas varians-kovarians terpenuhi dan memberikan informasi tentang perbedaan varians yang signifikan (Iqbal dkk., 2020).

Statistik uji: \[\theta = \frac{\lambda_i}{1+\lambda_i} \]

2.5. Analisis Profil

Analisis Profil merupakan metode dalam Analisis Ragam Peubah Ganda yang digunakan dalam situasi di mana sejumlah p-perlakuan, seperti uji, tes, pertanyaan, dan sejenisnya, diberikan kepada dua atau lebih kelompok, dan kemudian hasil respon yang dihasilkan berdasarkan profil dari masing-masing kelompok diamati. Dalam analisis profil, diasumsikan bahwa setiap perlakuan yang diberikan kepada kelompok yang berbeda adalah independen satu sama lain. Selain itu, respon dari seluruh variabel harus diekspresikan dalam unit yang sama agar dapat dibandingkan dan diolah bersama-sama (Agustia dkk., 2013). Model umum dalam analisis profil adalah sebagai berikut:

\[Y=X\beta+\varepsilon\] Berdasarkan model bentuk umum, pengujian hipotesis analisis profil dinyatakan melalui beberapa uji berikut:

2.5.1. Uji Kesejajaran Profil (Parallel Test)

Uji Kesejajaran Profil digunakan untuk menguji apakah terdapat perbedaan signifikan dalam pola perubahan variabel dependen antara kelompok-kelompok yang diuji. Hipotesis uji kesejajaran profil adalah sebagai berikut (Mattjik & Sumertajaya, 2011):

\(H_0 : C\mu_1=C\mu_2\)

\(H_1\) : nilai \(C\mu_i\) tidak sama

Statistik uji:

\[T^2=(\bar{X}_1-\bar{X}_2)'C'[(\frac1{n_1}+\frac1{n_2})CSC']^{-1}C(\bar{X}_1-\bar{X}_2)\] Titik kritis:

\[c^2=\frac{(n_1+n_2-2)(p-1)}{n_1+n_2-p}F_{p-1,n_1+n_2-p(\alpha)}\] Hipotesis nol ditolak jika nilai dari \(T^2\) > \(c^2\). Nilai dari \(c^2\) tergantung dari nilai tabel sebaran F dengan \(db_1 = p-1\) dan \(db_2=n_1+n_2–p\) pada (\(\alpha\)).

2.5.2. Uji Keberhimpitan Profil (Coincident Test)

Uji Keberimpitan Profil digunakan untuk menguji apakah terdapat perbedaan signifikan dalam titik temu atau keberimpitan profil antara kelompok-kelompok yang diuji. Hipotesis uji keberhimpitan profil adalah sebagai berikut (Mattjik & Sumertajaya, 2011):

\(H_0 : 1'\mu_1^2=1'\mu_2^2\)

\(H_1\) : nilai \(1'\mu_i^2\) tidak sama

Statistik uji:

\[T^2=1'(\bar{X}_1-\bar{X}_2)[(\frac1{n_1}+\frac1{n_2})1'S1]1'(\bar{X}_1-\bar{X}_2)\] \[T^2=F_{p-1,n_1+n_2-p(\alpha)}\] \[T^2=(\frac{1'(\bar{X}_1-\bar{X}_2)}{\sqrt{(\frac1{n_1}+\frac1{n_2})1'S1}})^2>t_{n_1+n_2-2(\frac\alpha2)}^2\] Hipotesis nol ditolak jika nilai dari \(T^2 > t_{n_1+n_2-2(\frac\alpha2)}^2\) atau \(T^2>F_{p-1,n_1+n_2-p(\alpha)}\).

2.5.3. Uji Kesamaan (Level Test)

Uji kesamaan atau disebut juga horizontal digunakan untuk menguji perbedaan tingkat atau level yang signifikan antara kelompok-kelompok yang diuji pada satu variabel dependen. Hipotesis pada uji horizontal adalah sebagai berikut (Mattjik & Sumertajaya, 2011):

\(H_0 : C\mu=0\)

\(H_1 : C\mu≠0\)

Statistik uji:

\[T^2=(n_1+n_2)\bar{X}'C'(CSC')^{-1}C\bar{X}>c^2\] Titik kritis: \[c^2=\frac{(n_1+n_2-1)(p-1)}{n_1+n_2-p+1}F_{p-1,n_1+n_2-p+1(\alpha)}\] Hipotesis nol ditolak jika nilai dari \(T^2\) > \(c^2\). Nilai dari \(c^2\) tergantung dari nilai tabel sebaran F dengan \(db_1 = p-1\) dan \(db_2=n_1+n_2–p+1\) pada (\(\alpha\)).

3. DATA PENELITIAN

Data pada Beiragi, dkk. (2011) merupakan data hasil percobaan rancangan acak kelompok (RAK). Rancangan disusun dengan 2 variabel perlakuan, yaitu penanaman jagung pada awal bulan (5 Juni) dan akhir bulan (20 Juni). Perlakuan tersebut dilakukan pada 18 kelompok hibrida jagung baru, yang mana terdiri dari 15 hibrida silang dari berbagai negara (ZP434, ZP341, ZP684, ZP677, SIMON, BOLSON, EXP1, EXP2, BC582, BC666, OSSK602, OSSK596, OSSK552, OSSK659, OSSK617) dan 3 hibrida komersial Iran (KSC704, KSC647 dan KDC370).

Dari percobaan tersebut, ingin diketahui apakah perlakuan yang diberikan memberikan pengaruh yang signifikan pada pertumbuhan dan hasil 18 varietas jagung, yang diuraikan menjadi komponen-komponen sebanyak 12 variabel, yakni plant height (tinggi tanaman), ear height (tinggi telinga), stem diameter (diameter batang), total leaf number (jumlah daun total), 300 kernel weight (berat 300 kernel), row number/ear (jumlah baris/telinga), kernel number/row (jumlah kernel/baris), physiological maturity (kematangan fisiologis), ear length (panjang telinga), cob percentage (persentase tongkol), kernel depth (lebar kernel), dan total yield (total hasil).

Perlakuan	Kelompok	Plant Height	Ear Height	Stem Diameter	Total Leaf Number	300 Kernel Weight	Row Number/Ear	Kernel Number/Row	Physiological Maturity	Ear Length	Cob Percentage	Kernel Depth	Total Yield
Penanaman Awal	ZP434	197.70	108.10	17.9	13.8	80.6	15.30	39.9	143.3	19.6	20.6	11.9	15.30
Penanaman Awal	ZP341	211.20	110.50	18.8	14.0	82.0	14.70	42.5	139.0	19.9	18.9	10.2	14.30
Penanaman Awal	ZP684	213.10	124.20	17.6	14.8	98.0	14.90	37.0	143.0	18.2	20.6	11.6	13.70
Penanaman Awal	ZP677	217.13	116.40	19.1	14.5	91.3	15.10	42.1	139.6	18.9	14.7	11.4	14.50
Penanaman Awal	SIMON	214.00	120.06	19.6	15.0	83.7	16.50	44.1	143.6	20.2	22.5	10.6	11.60
Penanaman Awal	BOLSON	202.50	112.20	19.9	14.2	85.4	15.10	41.3	139.3	18.4	17.7	11.2	15.30
Penanaman Awal	EXP1	208.80	108.80	20.6	14.8	74.0	15.80	41.9	137.6	18.7	16.7	11.7	16.03
Penanaman Awal	EXP2	196.60	103.10	15.2	14.8	75.0	18.20	39.1	143.0	18.6	21.0	11.6	14.00
Penanaman Awal	BC582	204.40	95.80	17.3	13.7	101.2	16.10	41.2	141.6	18.9	18.5	12.7	14.10
Penanaman Awal	BC666	190.90	86.23	17.8	12.6	85.7	15.80	45.6	139.0	20.7	19.1	11.1	14.00
Penanaman Awal	OSSK602	189.30	88.30	16.5	13.5	90.7	17.00	42.1	139.3	19.2	19.0	10.6	13.10
Penanaman Awal	OSSK596	187.90	107.60	17.0	13.7	92.4	15.06	37.0	136.6	17.9	19.2	10.8	13.80
Penanaman Awal	OSSK552	199.90	101.30	16.4	13.6	89.9	15.00	40.0	136.0	18.3	18.6	11.1	13.30
Penanaman Awal	OSSK659	178.90	90.80	16.6	12.7	84.6	15.60	42.1	139.0	19.2	17.2	10.6	13.00
Penanaman Awal	OSSK617	207.20	113.10	18.7	14.2	88.0	15.80	42.7	141.3	19.5	20.4	11.5	15.50
Penanaman Awal	KDC370	204.80	112.50	19.4	14.3	85.9	15.60	39.8	138.3	19.0	19.2	11.4	14.70
Penanaman Awal	KSC647	216.80	111.10	16.9	14.4	88.9	16.30	39.2	140.6	19.2	20.7	11.5	12.40
Penanaman Awal	KSC704	203.06	116.80	17.8	14.2	87.1	15.50	47.4	140.0	20.5	18.5	11.1	14.80
Penanaman Akhir	ZP434	237.70	108.00	19.3	12.6	75.9	15.90	37.9	141.0	19.0	18.8	9.6	15.30
Penanaman Akhir	ZP341	247.90	110.50	21.4	12.9	66.2	15.80	41.4	134.0	19.9	19.0	9.7	14.70
Penanaman Akhir	ZP684	263.90	140.40	19.3	14.3	80.9	14.40	38.2	133.0	19.3	19.2	10.0	16.00
Penanaman Akhir	ZP677	262.30	124.50	20.0	14.2	79.1	15.10	43.4	140.3	19.8	17.7	10.2	15.00
Penanaman Akhir	SIMON	270.00	132.50	20.6	14.8	67.0	16.30	36.7	134.3	18.6	21.3	9.2	13.70
Penanaman Akhir	BOLSON	243.50	125.30	20.6	13.7	66.6	15.30	39.7	133.6	18.3	18.0	10.0	15.30
Penanaman Akhir	EXP1	260.90	125.30	19.5	14.1	62.4	15.50	41.6	134.3	19.8	18.2	8.9	16.50
Penanaman Akhir	EXP2	241.00	118.60	19.2	13.8	65.7	18.20	39.0	142.6	17.8	19.9	8.7	14.20
Penanaman Akhir	BC582	240.00	107.90	17.9	12.9	59.8	16.00	41.7	144.0	18.9	18.2	10.3	14.70
Penanaman Akhir	BC666	230.80	108.40	20.5	11.9	68.0	16.30	42.5	134.0	20.4	18.4	9.1	13.20
Penanaman Akhir	OSSK602	241.20	113.30	20.5	12.5	76.3	17.20	40.5	135.0	18.7	20.3	9.4	13.60
Penanaman Akhir	OSSK596	220.10	115.90	19.6	12.2	63.7	14.60	37.0	134.3	17.0	19.5	8.9	13.10
Penanaman Akhir	OSSK552	235.60	116.00	20.0	12.1	90.9	14.80	41.1	134.0	18.9	17.6	9.4	13.70
Penanaman Akhir	OSSK659	227.10	104.30	19.5	11.9	70.5	15.70	46.2	135.0	20.3	17.9	9.6	13.90
Penanaman Akhir	OSSK617	239.40	123.40	22.4	12.8	79.1	15.40	41.9	133.6	20.3	20.0	10.5	15.90
Penanaman Akhir	KDC370	243.00	129.70	21.7	13.0	63.8	16.00	40.5	135.0	18.8	17.4	9.0	16.20
Penanaman Akhir	KSC647	260.50	120.60	20.9	13.0	67.6	16.40	39.4	134.3	19.2	18.6	9.1	12.30
Penanaman Akhir	KSC704	237.20	129.70	20.5	13.1	63.9	15.80	44.2	133.3	19.5	17.3	10.1	14.50

4. SOURCE CODE

4.1. Library

> library(readxl)
> library(mvnormtest)
> library(car)
> library(carData)
> library(knitr)
> library(MVN)
> library(MVTests)
> library(biotools)
> library(corrplot)
> library(profileR)

Penjelasan:

Fungsi library() digunakan untuk memuat package yang akan diperlukan untuk bisa menjalankan berbagai fungsi-fungsi di dalamnya.

library(readxl): Memuat paket readxl, yang memberikan kemampuan untuk membaca data dari file Excel (.xls dan .xlsx) ke dalam lingkungan R.

library(mvnormtest): Baris ini memuat paket mvnormtest, yang berisi fungsi-fungsi untuk menguji normalitas dari satu atau beberapa distribusi multivariat.

library(car): Baris ini memuat paket car, yang menyediakan berbagai fungsi untuk analisis regresi dan anova.

library(carData): Baris ini memuat paket carData, yang berisi data untuk digunakan bersama dengan paket car.

library(knitr): Baris ini memuat paket knitr, yang digunakan untuk membuat laporan dinamis dengan menggunakan format markdown atau HTML.

library(MVN): Baris ini memuat paket MVN, yang menyediakan alat untuk menguji normalitas dan homogenitas dalam data multivariat.

library(MVTests): Baris ini memuat paket MVTests, yang menyediakan berbagai pengujian statistik untuk data multivariat.

library(biotools): Baris ini memuat paket biotools, yang berisi alat-alat untuk analisis data biologi dan bioinformatika.

library(corrplot): Baris ini memuat paket corrplot, yang menyediakan fungsi untuk membuat matriks korelasi visual dengan berbagai jenis plot.

library(profileR): Baris ini memuat paket profileR, yang digunakan untuk membuat profil data dan analisis eksploratif.

4.2. Import Data

> datalap <- read_excel("C:/Users/lenovo1/OneDrive/Documents/Data MP Anmul I.xlsx")
> View(datalap)
> Y1 <- as.matrix(datalap$`Plant Height`, nrow=36, ncol=1)
> Y1
> 
> Y2 <- as.matrix(datalap$`Ear Height`, nrow=36, ncol=1)
> Y2
> 
> Y3 <- as.matrix(datalap$`Stem Diameter`, nrow=36, ncol=1)
> Y3
> 
> Y4 <- as.matrix(datalap$`Total Leaf Number`, nrow=36, ncol=1)
> Y4
> 
> Y5 <- as.matrix(datalap$`300 Kernel Weight`, nrow=36, ncol=1)
> Y5
> 
> Y6 <- as.matrix(datalap$`Row Number/Ear`, nrow=36, ncol=1)
> Y6
> 
> Y7 <- as.matrix(datalap$`Kernel Number/Row`, nrow=36, ncol=1)
> Y7
> 
> Y8 <- as.matrix(datalap$`Physiological Maturity`, nrow=36, ncol=1)
> Y8
> 
> Y9 <- as.matrix(datalap$`Ear Length`, nrow=36, ncol=1)
> Y9
> 
> Y10 <- as.matrix(datalap$`Cob Percentage`, nrow=36, ncol=1)
> Y10
> 
> Y11 <- as.matrix(datalap$`Kernel Depth`, nrow=36, ncol=1)
> Y11
> 
> Y12 <- as.matrix(datalap$`Total Yield`, nrow=36, ncol=1)
> Y12
> 
> Perlakuan <- as.matrix(datalap$Perlakuan, nrow=36, ncol=1)
> Perlakuan
> 
> data_uji=data.frame(Perlakuan,Y1,Y2,Y3,Y4,Y5,Y6,Y7,Y8,Y9,Y10,Y11,Y12)
> data_uji

Penjelasan:

Menggunakan fungsi read_excel() dari package readxl untuk membaca file Excel yang terletak di lokasi C:/Users/lenovo1/OneDrive/Documents/Data MP Anmul I.xlsx dan disimpan dalam variabel datalap.

Tiap kolom variabel dependen pada datalap dimuat ke dalam matriks Y1 hingga Y12 melalui fungsi: Y1 <- as.matrix(datalap$'Plant Height', nrow=36, ncol=1) dan seterusnya hingga kolom paling kanan sebagai Y12.

Perlakuan <- as.matrix(datalap$Perlakuan, nrow=36, ncol=1) memuat kolom “Perlakuan” dari datalap ke dalam matriks Perlakuan.

data_uji=data.frame(Perlakuan,Y1,Y2,Y3,Y4,Y5,Y6,Y7,Y8,Y9,Y10,Y11,Y12) menggabungkan matriks-matriks tersebut (termasuk Perlakuan) ke dalam sebuah data frame yang disebut data_uji. Data frame ini kemudian dapat digunakan untuk analisis statistik, regresi, visualisasi, dan analisis data lainnya dalam R.

4.3. Statistika Deskriptif

> sum_awal <- summary(data_uji[1:18,])
> sum_awal
> sum_akhir <- summary(data_uji[19:36,])
> sum_akhir

Penjelasan:

Fungsi summary() digunakan untuk membuat ringkasan statistik pada subset data. Untuk subset pertama, dipilih baris 1 hingga 18 dari data frame data_uji dan hasil summarynya disimpan dalam variabel sum_awal sebagai summary dari perlakuan penanaman jagung di awal waktu. Untuk subset kedua, dipilih baris 19 hingga 36 dari data frame data_uji dan hasil summarynya disimpan dalam variabel sum_akhir sebagai summary dari perlakuan penanaman jagung di akhir waktu.

> correlation_matrix <- cor(data_uji[, c("Y1", "Y2", "Y3", "Y4", "Y5", "Y6", "Y7", "Y8", "Y9", "Y10", "Y11", "Y12")])
> print(correlation_matrix)
> corrplot::corrplot(correlation_matrix, method = "number")

Penjelasan:

Fungsi cor() digunakan untuk menghitung matriks korelasi antara kolom Y1 hingga Y12 dalam data frame data_uji lalu disimpan ke dalam variabel correlation_matrix. Lalu, dicetak matriks korelasi tersebut ke dalam konsol melalui fungsi print(correlation_matrix).

Fungsi corrplot digunakan untuk membuat visualisasi nilai korelasi antar variabel yang tersimpan dalam variabel correlation_matrix. method = "number" menentukan bahwa diagram menampilkan visualisasi korelasi dalam bentuk angka.

4.4. Analisis Data

4.4.1. Uji Asumsi Normalitas Multivariat

> henze_zirkler_results <- mvn(data = data_uji[, 2:13], mvnTest = "hz")
> henze_zirkler_results$multivariateNormality 

Penjelasan:

Fungsi mvn() dari paket MVN digunakan untuk menguji normalitas multivariat dari subset variabel dalam data_uji. Subset variabel ini dipilih dari kolom ke-2 hingga kolom ke-13 dari data_uji. Uji Henze-Zirkler digunakan dengan menetapkan nilai argumen mvnTest = "hz". Hasil uji tersebut akan disimpan dalam variabel henze_zirkler_results

henze_zirkler_results$multivariateNormality akan mengakses hasil uji normalitas multivariat dari objek henze_zirkler_results.

4.4.2. Uji Asumsi Homogenitas Matriks Kovarians

> BoxM_test <- BoxM(data = data_uji[,2:13], data_uji$`Perlakuan`)
> summary(BoxM_test)

Penjelasan:

Fungsi BoxM() digunakan untuk melakukan uji Box’s M dari subset data_uji. Subset variabel ini dipilih dari kolom ke-2 hingga kolom ke-13 dari data_uji. Variabel perlakuan digunakan sebagai faktor uji melalui data_uji$Perlakuan.

Fungsi summary() digunakan untuk menampilkan ringkasan hasil uji Box’s M ke konsol yang mana mencakup nilai uji statistik, p-value, dan informasi lainnya yang membantu pengambilan keputusan uji.

4.4.3. MANOVA

> MANOVA_test <- manova(cbind(data_uji$Y1, data_uji$Y2, data_uji$Y3,
+                             data_uji$Y4, data_uji$Y5, data_uji$Y6,
+                             data_uji$Y7, data_uji$Y8, data_uji$Y9,
+                             data_uji$Y10, data_uji$Y11, data_uji$Y12) ~ data_uji$Perlakuan)
> MANOVA_test
> summary(MANOVA_test)

Penjelasan:

Fungsi manova() digunakan untuk melakukan analisis MANOVA pada variabel respon Y1 hingga Y12 pada data_uji berdasarkan faktor Perlakuan dan disimpan dalam variabel MANOVA_test. Ringkasan hasil MANOVA tersebut ditampilkan ke konsol melalui fungsi summary()

4.4.4. Pengujian

> summary(MANOVA_test, test="Pillai")
> summary(MANOVA_test, test="Roy")
> summary(MANOVA_test, test="Wilks")
> summary(MANOVA_test, test="Hotelling-Lawley")

Penjelasan:

Fungsi summary() digunakan untuk menampilkan ringkasan hasil MANOVA pada objek MANOVA_test dengan berbagai metode uji, yang meliput uji statistik Pillai, Roy, Wilks Lambda, dan Hotelling-Lawley

4.4.5. ANOVA

> summary.aov(MANOVA_test)

Penjelasan:

Fungsi summary.aov() digunakan untuk menyajikan ringkasan hasil uji MANOVA pada MANOVA_test dengan lebih rinci dengan mencakup uji F dan nilai p tiap variabel respons yang diuji dalam MANOVA untuk mengetahui perbedaan signifikan kelompok dalam masing-masing variabel respons.

4.4.6. Analisis Profil

> profil <- pbg(data_uji[,2:13], data_uji[,1], profile.plot = TRUE)
> summary(profil)

Penjelasan:

Fungsi pbg() digunakan untuk melakukan analisis profil pada pola respons dengan subset variabel respons yaitu kolom ke-2 hingga 13 dari data_uji dan faktor analisisnya adalah kolom pertama dari data_uji yaitu Perlakuan. profile.plot=TRUE menunjukkan akan dihasilkannya plot profil pada output. Hasil analisis profil pola respons disimpan dalam variabel profil.

Fungsi summary() digunakan untuk menampilkan ringkasan hasil analisis profil pola respons ke konsol di mana mencakup informasi tentang pola respons tiap variabel respons terhadap perlakuan.

5. HASIL DAN PEMBAHASAN

5.1. Statistika Deskriptif

  Perlakuan               Y1              Y2               Y3       
 Length:18          Min.   :178.9   Min.   : 86.23   Min.   :15.20  
 Class :character   1st Qu.:196.9   1st Qu.:101.75   1st Qu.:16.93  
 Mode  :character   Median :203.7   Median :109.65   Median :17.80  
                    Mean   :202.5   Mean   :107.05   Mean   :17.95  
                    3rd Qu.:210.6   3rd Qu.:112.95   3rd Qu.:19.02  
                    Max.   :217.1   Max.   :124.20   Max.   :20.60  
       Y4              Y5               Y6              Y7       
 Min.   :12.60   Min.   : 74.00   Min.   :14.70   Min.   :37.00  
 1st Qu.:13.70   1st Qu.: 83.92   1st Qu.:15.10   1st Qu.:39.83  
 Median :14.20   Median : 86.50   Median :15.60   Median :41.60  
 Mean   :14.04   Mean   : 86.91   Mean   :15.74   Mean   :41.39  
 3rd Qu.:14.47   3rd Qu.: 90.50   3rd Qu.:16.02   3rd Qu.:42.40  
 Max.   :15.00   Max.   :101.20   Max.   :18.20   Max.   :47.40  
       Y8              Y9             Y10             Y11       
 Min.   :136.0   Min.   :17.90   Min.   :14.70   Min.   :10.20  
 1st Qu.:139.0   1st Qu.:18.62   1st Qu.:18.50   1st Qu.:10.88  
 Median :139.4   Median :19.10   Median :19.05   Median :11.30  
 Mean   :140.0   Mean   :19.16   Mean   :19.06   Mean   :11.26  
 3rd Qu.:141.5   3rd Qu.:19.57   3rd Qu.:20.55   3rd Qu.:11.57  
 Max.   :143.6   Max.   :20.70   Max.   :22.50   Max.   :12.70  
      Y12       
 Min.   :11.60  
 1st Qu.:13.40  
 Median :14.05  
 Mean   :14.08  
 3rd Qu.:14.78  
 Max.   :16.03  

Pada penanaman 18 hibrida jagung di awal waktu, diperoleh bahwa:

1. Rata-rata tinggi tanaman jagung adalah 202.5 cm, dengan tinggi tanaman paling rendah dimiliki OSSK659 (178.9 cm) dan paling tinggi dimiliki ZP677 (217.1 cm).

2. Rata-rata tinggi telinga jagung adalah 107.05 cm, dengan tinggi telinga paling rendah dimiliki BC666 (86.23 cm) dan paling tinggi dimiliki ZP684 (124.2 cm).

3. Rata-rata diameter batang jagung adalah 17.95 mm, dengan diameter batang paling rendah dimiliki EXP2 (15.2 mm) dan paling tinggi dimiliki EXP1 (20.6 mm).

4. Rata-rata jumlah daun jagung total adalah 14.04, dengan jumlah daun paling rendah dimiliki BC666 (12.6) dan paling tinggi dimiliki SIMON (15).

5. Rata-rata berat 300 kernel jagung adalah 86.91 g, dengan berat paling rendah dimiliki EXP1 (74 g) dan paling tinggi dimiliki BC582 (101.2 g).

6. Rata-rata jumlah baris jagung/telinga adalah 15.74, dengan jumlah baris paling rendah dimiliki ZP341 (14.7) dan paling tinggi dimiliki EXP2 (18.2).

7. Rata-rata jumlah kernel jagung/baris adalah 41.39, dengan jumlah baris paling rendah dimiliki ZP684 (37) dan paling tinggi dimiliki KSC704 (47.4).

8. Rata-rata nilai kematangan fisiologis jagung adalah 140, dengan nilai paling rendah dimiliki OSSK552 (136) dan paling tinggi dimiliki SIMON (143.6).

9. Rata-rata panjang telinga jagung adalah 19.16 cm, dengan panjang telinga paling rendah dimiliki OSSK596 (17.9 cm) dan paling tinggi dimiliki BC666 (20.7 cm).

10. Rata-rata persentase tongkol jagung adalah 19.06%, dengan persentase tongkol paling rendah dimiliki ZP677 (14.7%) dan paling tinggi dimiliki SIMON (22.5%).

11. Rata-rata lebar kernel jagung adalah 11.26 mm, dengan lebar kernel paling rendah dimiliki OSSK596 (10.2 mm) dan paling tinggi dimiliki BC666 (12.7 mm).

12. Rata-rata total hasil jagung adalah 14.08 ton/ha, dengan total hasil paling rendah dimiliki OSSK596 (11.6 ton/ha) dan paling tinggi dimiliki BC666 (16.03 ton/ha).

  Perlakuan               Y1              Y2              Y3       
 Length:18          Min.   :220.1   Min.   :104.3   Min.   :17.90  
 Class :character   1st Qu.:237.3   1st Qu.:111.2   1st Qu.:19.50  
 Mode  :character   Median :241.1   Median :119.6   Median :20.25  
                    Mean   :244.6   Mean   :119.7   Mean   :20.19  
                    3rd Qu.:257.4   3rd Qu.:125.3   3rd Qu.:20.60  
                    Max.   :270.0   Max.   :140.4   Max.   :22.40  
       Y4              Y5              Y6              Y7       
 Min.   :11.90   Min.   :59.80   Min.   :14.40   Min.   :36.70  
 1st Qu.:12.53   1st Qu.:64.35   1st Qu.:15.32   1st Qu.:39.10  
 Median :12.95   Median :67.30   Median :15.80   Median :40.80  
 Mean   :13.10   Mean   :70.41   Mean   :15.82   Mean   :40.72  
 3rd Qu.:13.78   3rd Qu.:76.20   3rd Qu.:16.23   3rd Qu.:41.85  
 Max.   :14.80   Max.   :90.90   Max.   :18.20   Max.   :46.20  
       Y8              Y9             Y10             Y11        
 Min.   :133.0   Min.   :17.00   Min.   :17.30   Min.   : 8.700  
 1st Qu.:134.0   1st Qu.:18.73   1st Qu.:17.93   1st Qu.: 9.100  
 Median :134.3   Median :19.10   Median :18.50   Median : 9.500  
 Mean   :135.9   Mean   :19.14   Mean   :18.74   Mean   : 9.539  
 3rd Qu.:135.0   3rd Qu.:19.80   3rd Qu.:19.43   3rd Qu.:10.000  
 Max.   :144.0   Max.   :20.40   Max.   :21.30   Max.   :10.500  
      Y12       
 Min.   :12.30  
 1st Qu.:13.70  
 Median :14.60  
 Mean   :14.54  
 3rd Qu.:15.30  
 Max.   :16.50  

Pada penanaman 18 hibrida jagung di akhir waktu, diperoleh bahwa:

1. Rata-rata tinggi tanaman jagung adalah 244.6 cm, dengan tinggi tanaman paling rendah dimiliki OSSK596 (220.1 cm) dan paling tinggi dimiliki SIMON (270 cm).

2. Rata-rata tinggi telinga jagung adalah 119.7 cm, dengan tinggi telinga paling rendah dimiliki OSSK659 (104.3 cm) dan paling tinggi dimiliki ZP684 (140.4 cm).

3. Rata-rata diameter batang jagung adalah 20.19 mm, dengan diameter batang paling rendah dimiliki BC582 (17.9 mm) dan paling tinggi dimiliki OSSK617 (22.4 mm).

4. Rata-rata jumlah daun jagung total adalah 13.1, dengan jumlah daun paling rendah dimiliki BC666 (11.9) dan paling tinggi dimiliki SIMON (14.8).

5. Rata-rata berat 300 kernel jagung adalah 70.41 g, dengan berat paling rendah dimiliki BC582 (59.8 g) dan paling tinggi dimiliki OSSK552 (90.9 g).

6. Rata-rata jumlah baris jagung/telinga adalah 15.82, dengan jumlah baris paling rendah dimiliki ZP684 (14.4) dan paling tinggi dimiliki EXP2 (18.2).

7. Rata-rata jumlah kernel jagung/baris adalah 40.72, dengan jumlah baris paling rendah dimiliki SIMON (36.7) dan paling tinggi dimiliki OSSK659 (46.2).

8. Rata-rata nilai kematangan fisiologis jagung adalah 135.9, dengan nilai paling rendah dimiliki ZP684 (133) dan paling tinggi dimiliki BC582 (144).

9. Rata-rata panjang telinga jagung adalah 19.14 cm, dengan panjang telinga paling rendah dimiliki OSSK596 (17 cm) dan paling tinggi dimiliki BC666 (20.4 cm).

10. Rata-rata persentase tongkol jagung adalah 18.74%, dengan persentase tongkol paling rendah dimiliki KSC704 (17.3%) dan paling tinggi dimiliki SIMON (21.3%).

11. Rata-rata lebar kernel jagung adalah 9.539 mm, dengan lebar kernel paling rendah dimiliki EXP2 (8.7 mm) dan paling tinggi dimiliki OSSK617 (10.5 mm).

12. Rata-rata total hasil jagung adalah 14.54 ton/ha, dengan total hasil paling rendah dimiliki KSC647 (12.3 ton/ha) dan paling tinggi dimiliki EXP1 (16.5 ton/ha).

              Y1          Y2          Y3          Y4          Y5           Y6
Y1   1.000000000  0.74601969  0.69400559 -0.11564639 -0.62616737  0.003277139
Y2   0.746019691  1.00000000  0.60556145  0.27541633 -0.37486602 -0.223338096
Y3   0.694005593  0.60556145  1.00000000 -0.25901752 -0.53517840 -0.139011096
Y4  -0.115646389  0.27541633 -0.25901752  1.00000000  0.31515066  0.047171814
Y5  -0.626167368 -0.37486602 -0.53517840  0.31515066  1.00000000 -0.246434511
Y6   0.003277139 -0.22333810 -0.13901110  0.04717181 -0.24643451  1.000000000
Y7  -0.184536227 -0.25979258  0.05795846 -0.16666051  0.04200049 -0.001156556
Y8  -0.481049529 -0.36951361 -0.59671869  0.44704936  0.38922304  0.294894865
Y9   0.043215864 -0.10614270  0.15266877 -0.13095526  0.02196016 -0.025702568
Y10 -0.028928012  0.06761494 -0.17729737  0.25840607  0.06839347  0.357757232
Y11 -0.692606255 -0.41060600 -0.56191667  0.50992018  0.72193445 -0.106957965
Y12  0.260654359  0.34015891  0.33755314  0.12452416 -0.22096549 -0.279416493
              Y7          Y8            Y9           Y10         Y11
Y1  -0.184536227 -0.48104953  0.0432158636 -0.0289280119 -0.69260625
Y2  -0.259792583 -0.36951361 -0.1061427015  0.0676149415 -0.41060600
Y3   0.057958464 -0.59671869  0.1526687728 -0.1772973650 -0.56191667
Y4  -0.166660505  0.44704936 -0.1309552613  0.2584060708  0.50992018
Y5   0.042000492  0.38922304  0.0219601563  0.0683934735  0.72193445
Y6  -0.001156556  0.29489486 -0.0257025684  0.3577572324 -0.10695796
Y7   1.000000000  0.06225202  0.7643837391 -0.3088627607  0.13161119
Y8   0.062252024  1.00000000 -0.0245251677  0.2808512781  0.57355945
Y9   0.764383739 -0.02452517  1.0000000000 -0.0006906075  0.05753982
Y10 -0.308862761  0.28085128 -0.0006906075  1.0000000000  0.05256632
Y11  0.131611190  0.57355945  0.0575398188  0.0525663231  1.00000000
Y12  0.050652704 -0.13747049  0.0825402908 -0.3358034255  0.02800694
            Y12
Y1   0.26065436
Y2   0.34015891
Y3   0.33755314
Y4   0.12452416
Y5  -0.22096549
Y6  -0.27941649
Y7   0.05065270
Y8  -0.13747049
Y9   0.08254029
Y10 -0.33580343
Y11  0.02800694
Y12  1.00000000

Dari perhitungan koefisien korelasi antarvariabel, diperoleh bahwa:

1. Tinggi tanaman jagung berkorelasi positif kuat dengan tinggi telinga jagung, yaitu sebesar 0.746019691 dan berkorelasi negatif kuat dengan lebar kernel jagung, yaitu sebesar -0.692606255.

2. Tinggi telinga jagung berkorelasi positif kuat dengan tinggi tanaman jagung, yaitu sebesar 0.746019691 dan berkorelasi negatif cukup dengan lebar kernel jagung, yaitu sebesar -0.41060600.

3. Diameter batang jagung berkorelasi positif kuat dengan tinggi tanaman jagung, yaitu sebesar 0.69400559 dan berkorelasi negatif kuat dengan nilai kematangan fisiologis jagung, yaitu sebesar -0.59671869.

4. Jumlah daun jagung total berkorelasi positif kuat dengan lebar kernel jagung, yaitu sebesar 0.50992018 dan berkorelasi negatif cukup dengan diameter batang jagung, yaitu sebesar -0.25901752.

5. Berat 300 kernel jagung berkorelasi positif kuat dengan lebar kernel jagung, yaitu sebesar 0.72193445 dan berkorelasi negatif kuat dengan tinggi tanaman jagung, yaitu sebesar -0.62616737.

6. Jumlah baris jagung/telinga berkorelasi positif cukup dengan persentase tongkol jagung, yaitu sebesar 0.357757232 dan berkorelasi negatif cukup dengan total hasil jagung, yaitu sebesar -0.279416493.

7. Jumlah kernel jagung/baris berkorelasi positif kuat dengan lebar telinga jagung, yaitu sebesar 0.764383739 dan berkorelasi negatif cukup dengan persentase tongkol jagung, yaitu sebesar -0.308862761.

8. Nilai kematangan fisiologis jagung berkorelasi positif kuat dengan lebar kernel jagung, yaitu sebesar 0.57355945 dan berkorelasi negatif kuat dengan diameter batang jagung, yaitu sebesar -0.59671869.

9. Panjang telinga jagung berkorelasi positif kuat dengan jumlah kernel jagung/baris, yaitu sebesar 0.7643837391 dan berkorelasi negatif sangat lemah dengan jumlah daun jagung total, yaitu sebesar -0.1309552613.

10. Persentase tongkol jagung berkorelasi positif cukup dengan jumlah baris jagung/telinga , yaitu sebesar 0.3577572324 dan berkorelasi negatif cukup dengan total hasil jagung, yaitu sebesar -0.3358034255.

11. Lebar kernel jagung berkorelasi positif kuat dengan berat 300 kernel jagung, yaitu sebesar 0.72193445 dan berkorelasi negatif kuat dengan tinggi tanaman jagung, yaitu sebesar -0.69260625.

12. Total hasil jagung berkorelasi positif cukup dengan panjang telinga jagung, yaitu sebesar 0.34015891 dan berkorelasi negatif cukup dengan persentase tongkol jagung, yaitu sebesar -0.33580343

Maka, dari nilai koefisien korelasi antarvariabel, korelasi positif paling kuat dimiliki oleh jumlah kernel jagung/baris dengan panjang telinga jagung (0.764383739), sedangkan korelasi negatif paling kuat dimiliki oleh lebar kernel jagung dengan tinggi tanaman jagung (-0.692606255).

Sementara itu, korelasi positif paling lemah dimiliki oleh tinggi tanaman jagung dengan Jumlah baris jagung/telinga (0.003277139), sedangkan korelasi negatif paling lemah dimiliki oleh panjang telinga dan persentase tongkol jagung (-0.0006906075).

5.2. Persiapan Data

5.2.1. Uji Asumsi Normalitas Multivariat

Test	HZ	p value	MVN
Henze-Zirkler	0.9784965	0.5293919	YES

\(H_0\) : Data berdistribusi normal multivariat

\(H_1\) : Data tidak berdistribusi normal multivariat

Keputusan:

Dari hasil uji Henze-Zirkler, diperoleh nilai-p sebesar 0.5293919 atau > \(\alpha\) (0.05) sehingga terima \(H_0\).

Kesimpulan:

Dengan taraf nyata 5%, didapatkan bahwa ada cukup bukti untuk menyatakan data berdistribusi normal multivariat, sehingga asumsi normalitas multivariat setiap perlakuan terpenuhi.

5.2.2. Uji Asumsi Homogenitas Matriks Kovarians

       Box's M Test 

Chi-Squared Value = 80.78938 , df = 78  and p-value: 0.392 

\(H_0 : \Sigma_1=\Sigma_2=...=\Sigma_g=\Sigma_0\)

\(H_1\) : ada paling sedikit satu di antara sepasang \(\Sigma_l\) yang tidak sama

Keputusan:

Dari hasil uji Box’s M, diperoleh nilai-p sebesar 0.392 atau > \(\alpha\) (0.05) sehingga terima \(H_0\).

Kesimpulan:

Dengan taraf nyata 5%, didapatkan bahwa ada cukup bukti untuk menyatakan matriks varians kovarians homogen, sehingga asumsi homogenitas kovarians terpenuhi.

5.3. Analisis Data

5.3.1. MANOVA

Pillai’s Trace

                   Df  Pillai approx F num Df den Df    Pr(>F)    
data_uji$Perlakuan  1 0.97932   90.774     12     23 < 2.2e-16 ***
Residuals          34                                             
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Roy’s Maximum Root

                   Df   Roy approx F num Df den Df    Pr(>F)    
data_uji$Perlakuan  1 47.36   90.774     12     23 < 2.2e-16 ***
Residuals          34                                           
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Wilks’ Lambda

                   Df    Wilks approx F num Df den Df    Pr(>F)    
data_uji$Perlakuan  1 0.020678   90.774     12     23 < 2.2e-16 ***
Residuals          34                                              
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Hotelling-Lawley Trace

                   Df Hotelling-Lawley approx F num Df den Df    Pr(>F)    
data_uji$Perlakuan  1            47.36   90.774     12     23 < 2.2e-16 ***
Residuals          34                                                      
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Statistik.Uji	Nilai.p	Alpha	Keputusan
Pillai’s Trace	2.2 x \(10^{-16}\)	0.05	Tolak H0
Roy’s Maximum Root	2.2 x \(10^{-16}\)	0.05	Tolak H0
Wilks’ Lambda	2.2 x \(10^{-16}\)	0.05	Tolak H0
Hotelling-Lawley Trace	2.2 x \(10^{-16}\)	0.05	Tolak H0

\(H_0: \tau_1=\tau_2=...=\tau_g=0\)

\(H_1:\) minimal ada satu \(\tau_i≠0\) untuk \(i=1,2,...,g\)

Keputusan:

Dari hasil uji MANOVA menggunakan uji Pillai’s, Roy’s, Wilks’, dan Hotelling-Lawkey, diperoleh nilai-p sebesar 2.2 x \(10^{-16}\) atau < \(\alpha\) (0.05) sehingga tolak \(H_0\).

Kesimpulan:

Dengan taraf nyata 5%, didapatkan bahwa ada cukup bukti untuk menyatakan bahwa terdapat perbedaan pengaruh yang signifikan antara waktu tanam jagung dengan pertumbuhan dan hasil tanam pada hibrida jagung.

5.3.2. ANOVA

 Response 1 :
                   Df  Sum Sq Mean Sq F value    Pr(>F)    
data_uji$Perlakuan  1 15956.3 15956.3  104.93 6.279e-12 ***
Residuals          34  5170.4   152.1                      
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

 Response 2 :
                   Df Sum Sq Mean Sq F value   Pr(>F)    
data_uji$Perlakuan  1 1436.5 1436.54  13.257 0.000894 ***
Residuals          34 3684.3  108.36                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

 Response 3 :
                   Df Sum Sq Mean Sq F value    Pr(>F)    
data_uji$Perlakuan  1 45.114  45.114  28.573 6.116e-06 ***
Residuals          34 53.683   1.579                      
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

 Response 4 :
                   Df  Sum Sq Mean Sq F value    Pr(>F)    
data_uji$Perlakuan  1  8.0278  8.0278  13.208 0.0009107 ***
Residuals          34 20.6644  0.6078                      
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

 Response 5 :
                   Df Sum Sq Mean Sq F value    Pr(>F)    
data_uji$Perlakuan  1 2450.2  2450.2  43.136 1.592e-07 ***
Residuals          34 1931.3    56.8                      
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

 Response 6 :
                   Df  Sum Sq Mean Sq F value Pr(>F)
data_uji$Perlakuan  1  0.0499 0.04988  0.0637 0.8023
Residuals          34 26.6425 0.78360               

 Response 7 :
                   Df  Sum Sq Mean Sq F value Pr(>F)
data_uji$Perlakuan  1   4.067  4.0669  0.6076 0.4411
Residuals          34 227.583  6.6936               

 Response 8 :
                   Df Sum Sq Mean Sq F value    Pr(>F)    
data_uji$Perlakuan  1 154.17 154.174  17.957 0.0001631 ***
Residuals          34 291.91   8.586                      
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

 Response 9 :
                   Df  Sum Sq Mean Sq F value Pr(>F)
data_uji$Perlakuan  1  0.0044 0.00444  0.0062 0.9376
Residuals          34 24.3256 0.71546               

 Response 10 :
                   Df Sum Sq Mean Sq F value Pr(>F)
data_uji$Perlakuan  1  0.934 0.93444  0.4146  0.524
Residuals          34 76.626 2.25369               

 Response 11 :
                   Df Sum Sq Mean Sq F value    Pr(>F)    
data_uji$Perlakuan  1 26.523  26.523  83.133 1.176e-10 ***
Residuals          34 10.847   0.319                      
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

 Response 12 :
                   Df Sum Sq Mean Sq F value Pr(>F)
data_uji$Perlakuan  1  1.946  1.9460  1.4519 0.2365
Residuals          34 45.572  1.3403               

Variabel.Respons	Nilai.p	Alpha	Keputusan
Tinggi Tanaman	6.279 x \(10^{-12}\)	0.05	Tolak H0
Tinggi Telinga	0.000894	0.05	Tolak H0
Diameter Batang	6.116 x \(10^{-6}\)	0.05	Tolak H0
Jumlah Daun Total	0.0009107	0.05	Tolak H0
Berat 300 Kernel	1.592 x \(10^{-7}\)	0.05	Tolak H0
Jumlah Baris/Telinga	0.8023	0.05	Terima H0
Jumlah Kernel/Baris	0.4411	0.05	Terima H0
Kematangan Fisiologis	0.0001631	0.05	Tolak H0
Panjang Telinga	0.9376	0.05	Terima H0
Persentase Tongkol	0.524	0.05	Terima H0
Lebar Kernel	1.176 x \(10^{-10}\)	0.05	Tolak H0
Total Hasil	0.2365	0.05	Terima H0

Dari hasil ANOVA tiap-tiap variabel respons, maka diketahui bahwa perlakuan memberikan pengaruh signifikan secara univariat terhadap tinggi tanaman, tinggi telinga, diameter batang, jumlah daun total, berat 300 kernel, kematangan fisiologis, dan lebar kernel tanaman jagung. Sementara pada variabel jumlah baris/telinga, jumlah kernel/baris, panjang telinga, persentase tongkol, dan total hasil tanaman jagung, perlakuan tidak memberikan pengaruh yang signifikan.

5.3.3. Analisis Profil

Oleh karena hasil analisis perlakuan signifikan terhadap respons, maka dilanjutkan dengan uji analisis profil.

Call:
pbg(data = data_uji[, 2:13], group = data_uji[, 1], profile.plot = TRUE)

Hypothesis Tests:
$`Ho: Profiles are parallel`
  Multivariate.Test   Statistic Approx.F num.df den.df      p.value
1             Wilks  0.05835572 35.20643     11     24 4.152509e-12
2            Pillai  0.94164428 35.20643     11     24 4.152509e-12
3  Hotelling-Lawley 16.13627940 35.20643     11     24 4.152509e-12
4               Roy 16.13627940 35.20643     11     24 4.152509e-12

$`Ho: Profiles have equal levels`
            Df Sum Sq Mean Sq F value   Pr(>F)    
group        1   68.9   68.90   17.41 0.000197 ***
Residuals   34  134.6    3.96                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

$`Ho: Profiles are flat`
         F df1 df2      p-value
1 8337.346  11  24 3.508411e-40

Uji Kesejajaran Profil (Parallel Test)

\(H_0 : C\mu_1=C\mu_2\)

\(H_1\) : nilai \(C\mu_i\) tidak sama

Keputusan:

Dari output, didapatkan bahwa nilai p (4.152509 x \(10^{-12}\)) < \(\alpha\) (0.05) maka \(H_0\) ditolak.

Kesimpulan:

Dengan taraf nyata 5%, diperoleh cukup bukti bahwa profil tidak paralel dan perubahan pada variabel respons bergantung pada kelompok perlakuan karena memberikan pengaruh yang signifikan.

Uji Keberhimpitan Profil (Coincident Test)

\(H_0 : 1'\mu_1^2=1'\mu_2^2\)

\(H_1\) : nilai \(1'\mu_i^2\) tidak sama

Keputusan:

Dari output, didapatkan bahwa nilai p (3.508411 x \(10^{-40}\)) < \(\alpha\) (0.05) maka \(H_0\) ditolak.

Kesimpulan:

Dengan taraf nyata 5%, diperoleh cukup bukti bahwa profil tidak berhimpit dan ada pengaruh yang signifikan pada kelompok waktu penanaman dengan komponen-komponen pertumbuhan dan hasil tanaman jagung.

Uji Kesamaan (Level Test)

\(H_0 : C\mu=0\)

\(H_1 : C\mu≠0\)

Keputusan:

Dari output, didapatkan bahwa nilai p (0.000197) < \(\alpha\) (0.05) maka \(H_0\) ditolak.

Kesimpulan:

Dengan taraf nyata 5%, diperoleh cukup bukti bahwa profil tidak bernilai sama dan setidaknya ada satu titik dimana terdapat perbedaan signifikan antara profil kelompok.

6. PENUTUP

6.1. Kesimpulan

Berdasarkan pada hasil penelitian serta pembahasan maka dapat ditarik kesimpulan seperti berikut:

1. Apabila dianalisis secara univariat, waktu tanam jagung pada awal dan akhir hanya akan berpengaruh secara signifikan pada komponen tinggi tanaman, tinggi telinga, diameter batang, jumlah daun total, berat 300 kernel, kematangan fisiologis, dan lebar kernel tanaman jagung saja. Waktu penanaman memiliki pengaruh paling signifikan pada tinggi tanaman, dilihat dengan hasil penanaman pada awal waktu (5 Juni) yang menghasilkan tanaman yang paling pendek daripada akhir waktu (20 Juni), yakni dengan tinggi 178.9 cm.

2. Terdapat pengaruh yang signifikan secara multivariat pada waktu tanam jagung di awal dan akhir dengan komponen pertumbuhan dan hasil tanam pada tanaman jagung, yang meliputi tinggi tanaman, tinggi telinga, diameter batang, jumlah daun total, berat 300 kernel, kematangan fisiologis, lebar kernel, jumlah baris/telinga, jumlah kernel/baris, panjang telinga, persentase tongkol, dan total hasil tanaman jagung.

3. Dari hasil analisis profil, diketahui bahwa perubahan pada variabel respons (seperti tinggi tanaman, tinggi telinga, berat 300 kernel, dll.) bergantung pada kelompok perlakuan waktu penanaman, perbedaan waktu penanaman memiliki dampak yang nyata pada komponen-komponen pertumbuhan dan hasil tanaman jagung yang diukur, serta terdapat poin tertentu di mana efek waktu penanaman berpengaruh secara signifikan pada pertumbuhan dan hasil tanaman jagung.

4. Apabila meninjau hasil tanam, Hibrida EXP1 (16,03 ton/ha) dan OSSK617 (15,51 ton/ha) merupakan hibrida terbaik di bawah kondisi penanaman awal waktu (5 Juni) sedangkan EXP1 (16,52 ton/ha) dan KDC370 (16,22 ton/ha) menunjukkan perilaku terbaik di bawah kondisi penanaman akhir waktu(20 Juni). Meningkatkan panjang telinga serta jumlah kernel per baris akan lebih efektif dalam meningkatkan hasil tanaman jagung pada penanaman yang tertunda atau akhir waktu karena hasil total tanaman jagung bergantung pada panjang telinga sebesar 0.34015891 dan panjang telinga bergantung pada jumlah kernel per baris sebesar 0.7643837391.

6.2. Saran

Berdasarkan kesimpulan yang telah dikemukakan dapat dirumuskan saran sebagai berikut:

1. Penelitian lebih lanjut untuk memahami mengapa beberapa variabel seperti jumlah baris/telinga, jumlah kernel/baris, panjang telinga, persentase tongkol, dan total hasil tanaman jagung tidak terpengaruh oleh perlakuan bisa dilakukan untuk mengetahui faktor lain yang berpengaruhdi luar parameter penelitian.

2. Mengembangkan variabel respons baru yang dapat memberikan informasi lebih mendalam tentang pertumbuhan dan hasil tanaman jagung. Misalnya, melibatkan parameter genetik atau bio-kimia untuk mendapatkan pemahaman yang lebih komprehensif tentang pengaruh waktu penanaman dan perlakuan terhadap jagung.

3. Melakukan analisis lebih mendalam terhadap profil yang tidak paralel untuk memahami secara rinci bagaimana perubahan pada variabel respons bergantung pada kelompok perlakuan dan menganalisis lebih lanjut untuk menentukan titik-titik di mana terdapat perbedaan signifikan antara profil kelompok.

7. DAFTAR PUSTAKA

Agustia, M.H., Usman, M. and Widiarti (2013) ‘Analisis Profil Populasi Penduduk Pulau Jawa Berdasarkan Kelompok Umur’, dalam Prosiding Semirata FMIPA Universitas Lampung.

Beiragi, M.A. et al. (2011) ‘A Study on Effects of Planting Dates on Growth and Yield of 18 Corn Hybrids (Zea mays L.)’, American Journal of Experimental Agriculture, 1(3), pp. 110–120.

Berzsenyi, Z. and Lap, D.Q. (2001) ‘Effect of Sowing Time and N Fertilisation on the Yield and Yield Stability of Maize (Zea mays L.) Hybrids between 1991–2000’, Acta Agronomica Hungarica, 50(2), pp. 309–331.

Garfansa, M.P. et al. (2022) ‘Perbandingan Pertumbuhan dan Produksi Jagung Hibrida (Zea mays L.) pada Lahan Kering dan Basah’, Jurnal Pertanian Persisi, 6(2), pp. 108–121.

Gatea, A.A. and Hussein, H.T. (2023) ‘Effect of Sprays of Licorice and Seaweed Extracts on Yield and Quality of Corn (Zea mays L.)’, Euphrates Journal of Agricultural Science, 13(3), pp. 51–60.

Golbashy, M. et al. (2010) ‘Evaluation of Drought Tolerance of Some Corn (Zea mays L.) Hybrids in Iran’, African Journal of Agricultural Research, 5(19), pp. 2714–2719.

Grzesiak, S. (2001) ‘Genotypic Variation between Maize (Zea mays L.) Single-Cross Hybrids in Response to Drought Stress’, Acta Physiologiae Plantarium Journal, 23(4), pp. 443–456.

Herlina, N. and Prasetyorini, A. (2020) ‘Pengaruh Perubahan Iklim pada Musim Tanam dan Produktivitas Jagung (Zea mays L.) di Kabupaten Malang’, Jurnal Ilmu Pertanian Indonesia (JIPI), 25(1), pp. 118–128.

Hutauruk, J.N. (2016) Uji Daya Hasil Pendahuluan 9 Galur Harapan Jagung (Zea Mays L.) Hasil Persilangan Generasi S3. Universitas Brawijaya.

Ihsan, H. et al. (2005) ‘Genotypic Variability for Morphological Traits Among Exotic Maize Hybrids’, Sarhad Agric Journal, 21(4), pp. 599–602.

Iqbal, M. et al. (2020) ‘Analisis MANOVA Satu Arah untuk Melihat Perbedaan Status Gizi Balita Berdasarkan Wilayah Pembangunan Utama di Indonesia Tahun 2017’, Journal of Data Analysis, 3(1), pp. 50–61.

Jazuli, H. et al. (2018) Analisis One-Way dan Two-Way MANOVA Pada Data ProsesPembakaran CO dan Temperatur Gas Buang pada Boiler diPLTU Paiton Swasta Phase II. Surabaya. https://www.academia.edu/39956966/Analisis_One_Way_dan_Two_Way_MANOVA_Pada_Data_Proses_Pembakaran_CO_dan_Temperatur_Gas_Buang_pada_Boiler_di_PLTU_Paiton_Swasta_Phase_II (diakses pada 6 November 2023).

Lestari, I.F. et al. (2018) ‘Analisis MANOVA Satu Arah pada Data Status Gizi Balita di Indonesia Tahun 2015’, dalam Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya (KNPMP) III 2018. Surakarta: Program Studi Pendidikan Matematika FKIP UMS.

Mattjik, A.A. and Sumertajaya, I.M. (2011) Sidik Peubah Ganda dengan Menggunakan SAS. Bogor: IPB Press.

Nielson, R.L. et al. (2002) ‘Delayed Planting Date Effects on Flowering and Grain Maturation of Corn’, Agronomy Journal, 94(3), pp. 549–558.

Nuciffera, A. (2019) Analisis Faktor yang Mempengaruhi Kesejahteraan Masyarakat di Pulau Jawa dengan Menggunakan Principal Component Analysis dan Common Factor Analysis. Universitas Negeri Semarang.

Purwono and Hartono, R. (2011) Bertanam Jagung Unggul. Jakarta: Penebar Swadaya.

Safitri, W.R. (2016) ‘Analisis Korelasi Pearson dalam Menentukan Hubungan antara Kejadian Demam Berdarah Dengue dengan Kepadatan Penduduk di Kota Surabaya pada Tahun 2012 - 2014’, Jurnal Ilmiah Keperawatan (Scientific Journal of Nursing), 2(2), pp. 21–29.

Sari, A.N. et al. (2023) ‘Analisis Pengaruh Sanitasi Total Berbasis Masyarakat (STBM) terhadap Kondisi Kurang Gizi dan Stunting di Kota Surabaya’, INFERENSI, 6(2), pp. 97–106.

Setiawan, D. et al. (2017) Analisis MANOVA Satu Arah pada Data Komponen Kesehatan Bayi di Pulau Jawa pada Tahun 2013. Surabaya. https://www.scribd.com/document/342330152/Analisis-MANOVA-Satu-Arah-Pada-Data-Komponen-Kesehatan-Pada-Bayi-di-Jawa (diakses pada 6 November 2023).

Sholikhah, A. (2016) ‘Statistik Deskriptif dalam Penelitian Kualitatif’, KOMUNIKA, 10(2), pp. 342–362.

Supriyanta, B., Wicaksono, D. and Suryotomo, A.P. (2020) Teknik Budidaya dan Pemuliaan Jagung Manis. 1st edn. Yogyakarta: Lembaga Penelitian dan Pengabdian Kepada Masyarakat UPN “Veteran” Yogyakarta.

Sutrisno and Wulandari, D. (2018) ‘Multivariate Analysis of Variance (MANOVA) untuk Memperkaya Hasil Penelitian Pendidikan’, AKSIOMA: Jurnal Matematika dan Pendidikan Matematika, 9(1), pp. 37–53.

Timm, N.H. (2002) Applied Multivariate Analysis. New York: Springer-Verlag.

Wahyudin, A., Ruminta and Nursaripah, S.A. (2016) ‘Pertumbuhan dan Hasil Tanaman Jagung (Zea Mays L.) Toleran Herbisida Akibat Pemberian Berbagai Dosis Herbisida Kalium Glifosat’, Jurnal Kultivasi, 15(2), pp. 86–91.

Wiryono, B., Suwati and Muliatiningsih (2018) ‘Teknologi Peningkatan Produksi Utama dan Brangkasan Jagung dengan Penggunaan Varietas Unggul dan Kompos pada Lahan Kering di Nusa Tenggara Barat’, Jurnal Ulul Albab, 22(13–19).