1.1 Latar Belakang

Pertumbuhan industri peternakan ayam di Indonesia semakin pesat seiring dengan meningkatnya permintaan akan daging dan produk ayam lainnya. Dalam konteks ini, manajemen penetasan menjadi faktor kritis yang memengaruhi produktivitas dan kesehatan ayam sejak tahap awal hidupnya. Mesin tetas, sebagai teknologi modern dalam penetasan telur ayam, memberikan kontrol yang lebih baik terhadap parameter kritis seperti suhu, kelembaban, dan ventilasi.

Ayam Arab (Gallus turcicus) telah menjadi salah satu fokus utama peternak karena memiliki karakteristik adaptasi yang baik terhadap berbagai kondisi lingkungan. Oleh karena itu, penelitian mengenai pengaruh perbedaan suhu mesin tetas terhadap produktivitas DOC (Day-Old Chick) ayam Arab menjadi sangat penting untuk memahami dan meningkatkan efisiensi penetasan.

Suhu selama proses penetasan memiliki peran signifikan dalam perkembangan embrio, dan perbedaan suhu dapat mempengaruhi laju penetasan, kesehatan awal, dan pertumbuhan ayam. Namun, masih terdapat kekurangan dalam pemahaman mendalam mengenai bagaimana variasi suhu pada mesin tetas dapat memengaruhi produktivitas dan kesehatan DOC ayam Arab.

Dalam konteks ini, penelitian ini bertujuan untuk menyelidiki pengaruh perbedaan suhu mesin tetas terhadap beberapa parameter kunci, termasuk laju penetasan, kelangsungan hidup awal, pertumbuhan, dan kesehatan awal DOC ayam Arab. Pengetahuan yang dihasilkan dari penelitian ini diharapkan dapat memberikan panduan praktis bagi peternak dalam meningkatkan manajemen penetasan dan mengoptimalkan kondisi awal hidup ayam.

Penelitian ini tidak hanya akan memberikan kontribusi terhadap pemahaman ilmiah terkait pengaruh suhu pada penetasan, tetapi juga dapat menjadi dasar untuk pengembangan praktik terbaik dalam manajemen mesin tetas yang dapat diterapkan di tingkat peternakan. Dengan memperbaiki kondisi penetasan, diharapkan produktivitas dan kesehatan ayam dapat ditingkatkan, sejalan dengan peningkatan keberlanjutan industri peternakan ayam.

2.1 Statistika Deskriptif

Dalam beberapa contoh kasus, banyak terdapat kasus dimana tidak hanya terdapat 1 (satu) pengamatan per sel. Sehingga analisis ragam yang digunakan harus mempertimbangkan cara pengambilan contoh. Oleh karena itu, jika terdapat lebih dari satu setiap satuan percobaan, maka setiap contoh tersebut disebut anak-contoh. Dengan adanya anak contoh ini,

Model RAL berubah menjadi : \[ Y_{ij} = \mu + \tau_i + \epsilon_{ij} \] dengan indeks sebagai berikut: \[ \begin{align*} i &= 1, 2, \ldots, p \\ j &= 1, 2, \ldots, n_i \end{align*} \] Rumus Jumlah Kuadrat :

1. Total Sum of Squares (SST) Total Sum of Squares (SST) mengukur total variabilitas dalam data dan didefinisikan sebagai:

\[ SST = \sum_{i=1}^{p} \sum_{j=1}^{n_i} (Y_{ij} - \bar{Y})^2 \]

Di mana: - \(Y_{ij}\) adalah nilai pengamatan untuk pengamatan ke-\(j\) pada perlakuan ke-\(i\). - \(\bar{Y}\) adalah rata-rata umum (grand mean) dari semua pengamatan.

2. Between-Groups Sum of Squares (SSB) Between-Groups Sum of Squares (SSB) mengukur variabilitas antar kelompok dan didefinisikan sebagai:

\[ SSB = \sum_{i=1}^{p} n_i (\bar{Y}_i - \bar{Y})^2 \]

Di mana: - \(n_i\) adalah jumlah pengamatan dalam kelompok ke-\(i\). - \(\bar{Y}_i\) adalah rata-rata dari kelompok ke-\(i\). - \(\bar{Y}\) adalah rata-rata umum (grand mean) dari semua pengamatan.

3. Within-Groups Sum of Squares (SSW) Within-Groups Sum of Squares (SSW) mengukur variabilitas dalam kelompok dan didefinisikan sebagai:

\[ SSW = \sum_{i=1}^{p} \sum_{j=1}^{n_i} (Y_{ij} - \bar{Y}_i)^2 \]

Di mana: - \(Y_{ij}\) adalah nilai pengamatan untuk pengamatan ke-\(j\) pada perlakuan ke-\(i\). - \(\bar{Y}_i\) adalah rata-rata dari kelompok ke-\(i\).

Rumus Kuadrat Tengah

1. Mean Square Between (MSB) Mean Square Between (MSB) mengukur variabilitas antar kelompok dan didefinisikan sebagai:

\[ MSB = \frac{SSB}{df_{Between}} \]

Di mana: - \(SSB\) adalah jumlah kuadrat antar kelompok (Between-Groups Sum of Squares). - \(df_{Between}\) adalah derajat kebebasan antar kelompok.

2. Mean Square Within (MSW) Mean Square Within (MSW) mengukur variabilitas dalam kelompok dan didefinisikan sebagai:

\[ MSW = \frac{SSW}{df_{Within}} \]

Di mana: - \(SSW\) adalah jumlah kuadrat dalam kelompok (Within-Groups Sum of Squares). - \(df_{Within}\) adalah derajat kebebasan dalam kelompok.

Rumus F Hitung

Nilai F dalam ANOVA satu arah dihitung menggunakan rumus berikut:

\[ F = \frac{MSB}{MSW} \]

Di mana: - \(MSB\) adalah Mean Square Between (kuadrat tengah antar kelompok). - \(MSW\) adalah Mean Square Within (kuadrat tengah dalam kelompok).

F adalah statistik uji yang digunakan dalam ANOVA untuk menentukan apakah terdapat perbedaan yang signifikan antara rata-rata kelompok. Nilai F yang lebih besar menunjukkan adanya perbedaan yang signifikan antara kelompok.

2.2 Kasus Data Percobaan

1.1 Karakteristik ayam kampung

Ayam kampung, yang merupakan keturunan ayam hutan (Gallus varius) dan telah mengalami evolusi serta proses domestikasi, menunjukkan adaptasi yang kuat terhadap lingkungan lokal di Indonesia. Kondisi ini membuatnya lebih resisten terhadap berbagai penyakit dan fluktuasi cuaca jika dibandingkan dengan ayam ras (Rukmana, 2013).

Keistimewaan ayam kampung tergambarkan melalui sifat genetik yang beragam. Keragaman genetik ini tercermin dalam variasi warna bulu, ukuran tubuh, dan kemampuan produksinya, menggambarkan kompleksitas genetik yang dimiliki oleh ayam kampung (Suprijitna et al., 2015).

Daya tahan terhadap kondisi lingkungan yang tidak ideal, ketidakpekaan terhadap kadar amoniak tinggi, kemampuan beradaptasi dengan pakan berkualitas rendah, serta ketidakmudahan stres ketika mendapat perlakuan yang kurang memadai, menjadi aspek khusus lain yang melekat pada ayam kampung (Murtidjo, 2016).

2.2 Telur ayam kampung

Telur ayam kampung memegang peranan penting sebagai bahan makanan bernilai gizi tinggi dari unggas ayam kampung, diperkaya dengan kandungan zat-zat makanan yang esensial bagi kesehatan manusia, seperti protein dengan asam amino yang lengkap, lemak, vitamin, dan mineral. Tidak hanya itu, telur juga menunjukkan kualitas bernilai gizi tinggi yang tercermin dari rendahnya kandungan zat yang tidak dapat dicerna atau diserap setelah dikonsumsi oleh tubuh manusia, menegaskan peran pentingnya dalam menyediakan nutrisi yang dibutuhkan oleh tubuh (Sulistiati, 2013).

2.3 Mesin Tetas dan Suhu Kelembapan

Mesin tetas adalah perangkat teknologi yang dirancang khusus untuk menetaskan telur ayam atau telur unggas lainnya secara artifisial. Fungsinya adalah menciptakan kondisi lingkungan yang optimal untuk perkembangan embrio dalam telur sehingga dapat menetas menjadi anak ayam. Mesin tetas umumnya mengontrol suhu, kelembaban, dan ventilasi secara otomatis untuk meniru kondisi yang biasanya diberikan oleh induk ayam selama proses penetasan alami.

Beberapa ciri khas dari mesin tetas melibatkan teknologi sensor untuk mengukur dan mengatur suhu serta kelembaban, sistem pembalikan telur secara otomatis untuk memastikan pemanasan merata, dan kontrol yang akurat terhadap kondisi lingkungan sepanjang siklus penetasan. Mesin tetas banyak digunakan dalam industri peternakan modern untuk meningkatkan efisiensi dan produksi telur ayam. Selain itu, mesin tetas juga dapat digunakan oleh peternak atau individu yang ingin menetaskan telur tanpa keterlibatan langsung ayam betina.

Pentingnya suhu dan kelembapan dalam mesin tetas telah menjadi fokus utama dalam literatur terkait teknologi penetasan telur. Beberapa aspek yang dicakup dalam tinjauan pustaka ini melibatkan pemahaman tentang pengaruh suhu dan kelembapan terhadap hasil penetasan, kesehatan embrio, dan efisiensi mesin tetas.

1. Optimalisasi Suhu untuk Penetasan Telur:

Sejumlah penelitian mencurahkan perhatian khusus pada suhu optimal yang dibutuhkan oleh mesin tetas selama proses penetasan. Perbedaan suhu tertentu dapat memengaruhi perkembangan embrio dan laju penetasan.

2. Pentingnya Kelembapan yang Tepat:

Tinjauan literatur juga menyoroti pentingnya tingkat kelembapan yang tepat selama periode inkubasi. Kelembapan yang kurang atau berlebih dapat memiliki dampak negatif pada kesehatan dan kelangsungan hidup embrio.

3. Pengaruh Variasi Suhu dan Kelembapan pada Laju Penetasan:

Beberapa penelitian membandingkan hasil penetasan dengan variasi suhu dan kelembapan tertentu. Hasil ini dapat memberikan wawasan tentang kondisi optimal yang mendukung laju penetasan tertinggi.

4. Teknologi Sensor untuk Pengendalian Suhu dan Kelembapan:

Literatur mencakup perkembangan teknologi sensor untuk mengontrol suhu dan kelembapan pada mesin tetas. Sistem otomatis ini membantu mempertahankan kondisi lingkungan yang stabil untuk perkembangan embrio yang sehat.

5. Faktor-faktor Lingkungan yang Mempengaruhi Kesehatan Embrio:

Penelitian juga menyelidiki faktor-faktor lingkungan, seperti suhu dan kelembapan, yang mempengaruhi kesehatan embrio. Hal ini melibatkan analisis efek terhadap perkembangan organ, penyerapan nutrisi, dan kualitas umum anak ayam.

3.1 Library

> library(ggplot2) 
> library(reshape2) 
> library(knitr) 
> library(dplyr) 
> library(tidyr)
> library(agricolae)
> library(tseries)
> library(car)
> library(kableExtra)

3.2 Data

> Data1 <- data.frame(A = c(25.43,28.00,28.20, 27.33 ,28.00,28.75),
+                     B = c(29.17,29.33,28.00, 29.60, 27.67,27.17), 
+                     C = c(26.25,26.17,25.50, 26.20, 26.33,25.67))
> Data1
      A     B     C
1 25.43 29.17 26.25
2 28.00 29.33 26.17
3 28.20 28.00 25.50
4 27.33 29.60 26.20
5 28.00 27.67 26.33
6 28.75 27.17 25.67
> 
> knitr::kable(Data1, caption = "Tabel Perlakuan")

keterangan :

P1(A) : Mesin 1 suhu antara 35-36 derajat celcius

P2(B) : ⁠Mesin 2 suhu antara 37-38 derajat celcius

P3(C) : Mesin 3 suhu antara 39-40 derajat celcius

Sumber Data : Skripsi Raafi Bela, Fakultas Pertanian, Universitas Brawijaya

4.1 Hipotesis

H0 : Perbedaan suhu mesin tetas tidak berpengaruh nyata terhadap daya tetas pada penetasan telur ayam arab

H1 : Perbedaan suhu mesin tetas Berpengaruh nyata terhadap daya tetas pada penetasan telur ayam arab

4.2 Statistik Uji

Mengubah bentuk tabel

> Data1 <- Data1 %>% pivot_longer(c(A,B,C))
> names(Data1) <- c("Suhu.Mesin", "Bobot.Tetas")
> Data1$Suhu.Mesin <- as.factor (Data1$Suhu.Mesin)
> Data1
# A tibble: 18 × 2
   Suhu.Mesin Bobot.Tetas
   <fct>            <dbl>
 1 A                 25.4
 2 B                 29.2
 3 C                 26.2
 4 A                 28  
 5 B                 29.3
 6 C                 26.2
 7 A                 28.2
 8 B                 28  
 9 C                 25.5
10 A                 27.3
11 B                 29.6
12 C                 26.2
13 A                 28  
14 B                 27.7
15 C                 26.3
16 A                 28.8
17 B                 27.2
18 C                 25.7

Membentuk Visualisasi Plot

> p1 <- ggplot(Data1) + aes(x = Suhu.Mesin, y = Bobot.Tetas, fill = Suhu.Mesin) + geom_boxplot() + scale_fill_hue(direction = 1) + theme_minimal() +theme (legend.position = "none")
> p1

Melakukan ANOVA 1. Menghitung Derajat Bebas

> N <- nrow(Data1)
> p <- Data1$Suhu.Mesin %>% unique() %>% length()
> DBt <- N - 1
> DBp <- p - 1
> DBg <- N - p
> DBt; DBp; DBg
[1] 17
[1] 2
[1] 15

2. Menghitung jumlah kuadat

> perlakuan.mean <-aggregate(Bobot.Tetas ~Suhu.Mesin, Data1, mean)[,2]
> n <- aggregate(Bobot.Tetas ~ Suhu.Mesin, Data1, length)[,2]
> grand.mean <- mean(Data1$Bobot.Tetas)
> JKt <- sum((Data1$Bobot.Tetas - grand.mean)^2)
> JKp <- sum(n*(perlakuan.mean - grand.mean)^2)
> JKg <- JKt - JKp
> JKt; JKp; JKg
[1] 31.26483
[1] 18.83074
[1] 12.43408

3. Menghitung Kuadrat Tengah

> KTp <- JKp / DBp
> KTg <- JKg / DBg
> KTp;KTg
[1] 9.415372
[1] 0.8289389

4. Menghitung Statistik F

> Fp <- KTp/KTg
> pVal <- pf(Fp, DBp, DBg, lower.tail = F)
> Fp;pVal
[1] 11.35834
[1] 0.0009923914

5. Interpretasi

> data.frame( SK = c("Perlakuan", "Galat", "Total"),
+             DB = c(DBp, DBg, DBt), 
+             JK = c(JKp, JKg, JKt),
+             KT = c(KTp, KTg, NA),
+             Fhit = c(Fp, NA, NA),
+             p.Val = c(pVal, NA, NA) )
         SK DB       JK        KT     Fhit        p.Val
1 Perlakuan  2 18.83074 9.4153722 11.35834 0.0009923914
2     Galat 15 12.43408 0.8289389       NA           NA
3     Total 17 31.26483        NA       NA           NA

Menampilkan hasil ANOVA

> oneway <- aov(Bobot.Tetas ~ Suhu.Mesin, data=Data1)
> summary(oneway)
            Df Sum Sq Mean Sq F value   Pr(>F)    
Suhu.Mesin   2  18.83   9.415   11.36 0.000992 ***
Residuals   15  12.43   0.829                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Pembahasan karena ρ value < ɑ dan Fhitung ≥ F maka, Tolak H0. F hitung > F(0,01) menunjukkan bahwa perbedaan suhu pada mesin tetas memberikan pengaruh yang sangat nyata terhadap daya tetas pada penetasan telur ayam arab sehingga perlu dilanjutkan dengan Uji Lanjut BNT, BNJ dan Duncan.

4.3 Cek Asumsi

> f1 <- as.formula ("Bobot.Tetas ~ Suhu.Mesin")
> model1 <- aov(f1,Data1)
> summary(model1)
            Df Sum Sq Mean Sq F value   Pr(>F)    
Suhu.Mesin   2  18.83   9.415   11.36 0.000992 ***
Residuals   15  12.43   0.829                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> model1 %>% plot(2)

> model1$residuals %>% hist()

> model1$residuals %>% shapiro.test()

    Shapiro-Wilk normality test

data:  .
W = 0.93087, p-value = 0.2011
> model1$residuals %>% jarque.bera.test()

    Jarque Bera Test

data:  .
X-squared = 2.8128, df = 2, p-value = 0.245
> plot(model1)

> sisa<-residuals(model1)
> hist(sisa)

> shapiro.test(sisa)

    Shapiro-Wilk normality test

data:  sisa
W = 0.93087, p-value = 0.2011
> jarque.bera.test(sisa)

    Jarque Bera Test

data:  sisa
X-squared = 2.8128, df = 2, p-value = 0.245

> model1 %>% plot(2)

> model1%>%lmtest::bptest()

    studentized Breusch-Pagan test

data:  .
BP = 2.7751, df = 2, p-value = 0.2497
> leveneTest(Bobot.Tetas ~ Suhu.Mesin, data = Data1)
Levene's Test for Homogeneity of Variance (center = median)
      Df F value Pr(>F)
group  2  1.7205 0.2125
      15               

4.4 UJi Lanjut

> bnt1<-LSD.test(model1, "Suhu.Mesin",alpha=0.05)
> bnt1$groups
  Bobot.Tetas groups
B    28.49000      a
A    27.61833      a
C    26.02000      b
> bnt1$means
  Bobot.Tetas       std r        se      LCL      UCL   Min   Max     Q25
A    27.61833 1.1646702 6 0.3716941 26.82609 28.41058 25.43 28.75 27.4975
B    28.49000 1.0054850 6 0.3716941 27.69775 29.28225 27.17 29.60 27.7525
C    26.02000 0.3454852 6 0.3716941 25.22775 26.81225 25.50 26.33 25.7950
     Q50     Q75
A 28.000 28.1500
B 28.585 29.2900
C 26.185 26.2375
> plot(bnt1)

> TukeyHSD(model1,conf.level=0.95)
  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = f1, data = Data1)

$Suhu.Mesin
          diff       lwr        upr     p adj
B-A  0.8716667 -0.493706  2.2370393 0.2530677
C-A -1.5983333 -2.963706 -0.2329607 0.0212242
C-B -2.4700000 -3.835373 -1.1046273 0.0007846