1 PENDAHULUAN

1.1 Latar Belakang

Indonesia merupakan negara agraris yang memiliki sumber daya alam yang kaya dan sumber daya manusia yang melimpah. Hal ini dapat menjadi sebuah modal dasar bagi pemerintah untuk menjadikan sektor pertanian menjadi prioritas utama. Terdapat lebih dari 60% penduduk Indonesia bermata pencaharian di sektor pertanian.

Pupuk merupakan suatu bahan yang digunakan untuk mengubah sifat fisik, kimia, atau biologi tanah sehingga menjadi lebih baik bagi pertumbuhan tanaman. Pupuk KCl adalah pupuk yang sangat berguna untuk meningkatkan hasil tanaman karet serta membantu pertumbuhan organ-organ genetif. Oleh karena itu, dilakukan penelitian untuk mengetahui apakah ada pengaruh penggunaan pupuk KCl terhadap produktivitas getah (Hevea brasiliensis) di Desa Lengkong tahun 2017.

1.2 Statistika Deskriptif

Statistika Deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Statistika deskriptif hanya memberikan informasi mengenai data yang dimiliki dan sama sekali tidak menarik inferensia atau kesimpulan mengenai data.

1.3 Statistika Inferensia

Statistika inferensia mencakup semua metode yang berhubungan dengan analisis sebagian data untuk kemudian sampai pada penarikan kesimpulan mengenai data. Salah satu contoh statistika inferensia adalah analisis ragam klasifikasi satu arah (one way anova) yang akan digunakan untuk mengetahui apakah ada pengaruh penggunaan pupuk KCl terhadap produktivitas getah (Hevea brasiliensis) di Desa Lengkong tahun 2017.

1.4 Analisis Ragam Klasifikasi Satu Arah (One Way Anova)

Analisis ragam adalah suatu metode untuk menguraikan keragaman total data menjadi komponen-komponen yang mengukur berbagai sumber keragaman. Klasifikasi satu arah adalah klasifikasi pengamatan berdasarkan satu kriteria.

Pengujian hipotesis untuk Analisis Ragam Klasifikasi Satu Arah (One Way Anova) adalah sebagai berikut:

H₀: Semua perlakuan memiliki nilai tengah sama

H₁: Sekurang-kurangnya dua nilai tengah tidak sama

1.5 Asumsi Klasik

Terdapat beberapa asumsi yang harus dipenuhi dalam model ANOVA. Jika asumsi tidak terpenuhi, maka hasil pengujian hipotesis tidak dapat diyakini kebenarannya. Di antaranya adalah asumsi normalitas dan asumsi homogenitas ragam.

1.5.1 Asumsi Normalitas

Pengujian asumsi normalitas dapat dilakukan dengan Q-Q Plot. Titik-titik yang jatuh di sekitar garis dengan sudut 45 derajat antara sumbu X dan Y di kuadran I mengindikasikan terpenuhinya asumsi normalitas.

1.5.2 Asumsi Homogenitas Ragam

Pengujian asumsi homogenitas ragam dapat dilakukan dengan uji Levene. Ragam bernilai sama untuk setiap amatan pada faktor yang sama. Jika asumsi terlanggar, maka pendugaan parameter menjadi bias.

1.6 Data

Data adalah hasil pengukuran atau pengamatan yang dikumpulkan, dapat berupa angka-angka, besaran-besaran, fakta-fakta, pernyataan-pernyataan, yang menggambarkan perbedaan atau persamaan suatu individu atau obyek dengan yang lain pada karakteristik yang sama.

Data dalam penelitian ini menggunakan data sekunder, yang sudah ada tanpa melakukan wawancara, survei, observasi, dan teknik pengumpulan data tertentu. Data yang digunakan dalam penelitian ini adalah data rata-rata hasil penggunaan pupuk KCl terhadap produktivitas getah (Hevea brasiliensis) pada setiap perlakuan dan ulangan.

2 SOURCE CODE

2.1 Library yang Dibutuhkan

> # Library
> library(rmarkdown)
> library(dplyr)
> library(tidyr)
> library(car)

2.2 Data Rata-rata Hasil Penggunaan Pupuk KCl terhadap Produktivitas (Hevea brasiliensis) pada Setiap Perlakuan dan Ulangan

> library(rmarkdown)
> Data<-data.frame(P0=c(433,489,482.2,492.6),
+                  P1=c(618,780,792,817.6),
+                  P2=c(706,891,916,956),
+                  P3=c(960,1006,996,1016),
+                  P4=c(1040,1006,1022,1030))
> Data
     P0    P1  P2   P3   P4
1 433.0 618.0 706  960 1040
2 489.0 780.0 891 1006 1006
3 482.2 792.0 916  996 1022
4 492.6 817.6 956 1016 1030
> paged_table(Data)

Syntax di atas digunakan untuk membuat data frame yang berasal dari data rata-rata hasil penggunaan pupuk KCl terhadap produktivitas getah (Hevea brasiliensis) pada setiap perlakuan dan ulangan.

2.3 Analisis Ragam Klasifikasi Satu Arah (One Way Anova)

2.3.1 Langkah 1 - Mengubah Bentuk Tabel

> library(dplyr)
> library(tidyr)
> Data<-Data %>%
+   pivot_longer(c(P0,P1,P2,P3,P4))
> 
> names(Data)<-c("Dosis.Pupuk","Produktivitas.Getah")
> Data$Dosis.Pupuk<-as.factor(Data$Dosis.Pupuk)
> Data
# A tibble: 20 x 2
   Dosis.Pupuk Produktivitas.Getah
   <fct>                     <dbl>
 1 P0                         433 
 2 P1                         618 
 3 P2                         706 
 4 P3                         960 
 5 P4                        1040 
 6 P0                         489 
 7 P1                         780 
 8 P2                         891 
 9 P3                        1006 
10 P4                        1006 
11 P0                         482.
12 P1                         792 
13 P2                         916 
14 P3                         996 
15 P4                        1022 
16 P0                         493.
17 P1                         818.
18 P2                         956 
19 P3                        1016 
20 P4                        1030

Syntax di atas digunakan untuk mengubah bentuk tabel yang berasal dari data frame rata-rata hasil penggunaan pupuk KCl terhadap produktivitas getah (Hevea brasiliensis) pada setiap perlakuan dan ulangan yang sudah dibuat sebelumnya.

2.3.2 Langkah 2 - Menghitung DB

> N<-nrow(Data)
> p<-Data$Dosis.Pupuk %>% unique() %>% length()
> DBt<-N-1
> DBp<-p-1
> DBg<-N-p
> DBt;DBp;DBg
[1] 19
[1] 4
[1] 15

Syntax di atas digunakan untuk menghitung derajat bebas total (DBt), derajat bebas perlakuan (DBp), dan derajat bebas galat (DBg).

2.3.3 Langkah 3 - Menghitung Jumlah Kuadrat

> perlakuan.mean<-aggregate(Produktivitas.Getah~Dosis.Pupuk,Data,mean)[,2]
> n<-aggregate(Produktivitas.Getah~Dosis.Pupuk,Data,length)[,2]
> grand.mean<-mean(Data$Produktivitas.Getah)
> 
> JKt<-sum((Data$Produktivitas.Getah-grand.mean)^2)
> JKp<-sum(n*(perlakuan.mean-grand.mean)^2)
> JKg<-JKt-JKp
> JKt;JKp;JKg
[1] 860938.3
[1] 794751.2
[1] 66187.11

Syntax di atas digunakan untuk menghitung jumlah kuadrat total (JKt), jumlah kuadrat perlakuan (JKp), dan jumlah kuadrat galat (JKg).

2.3.4 Langkah 4 - Menghitung Kuadrat Tengah

> KTp<-JKp/DBp
> KTg<-JKg/DBg
> KTp;KTg
[1] 198687.8
[1] 4412.474

Syntax di atas digunakan untuk menghitung kuadrat tengah perlakuan (KTp), dan kuadrat tengah galat (KTg).

2.3.5 Langkah 5 - Menghitung Statistik F

> Fp<-KTp/KTg
> pVal<-pf(Fp,DBp,DBg,lower.tail=F)
> Fp;pVal
[1] 45.02866
[1] 3.486765e-08

Syntax di atas digunakan untuk menghitung nilai statistik uji F dan p value.

2.3.6 Langkah 6 - Membuat Tabel ANOVA

> 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  4 794751.23 198687.808 45.02866 3.486765e-08
2     Galat 15  66187.11   4412.474       NA           NA
3     Total 19 860938.34         NA       NA           NA
> paged_table(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)
+ ))

Syntax di atas digunakan untuk membuat tabel analisis ragam yang berisikan derajat bebas (DB), jumlah kuadrat (JK), kuadrat tengah (KT), nilai statistik uji F (Fhit), dan p value (p.Val) dari masing-masing sumber keragaman (perlakuan, galat, dan total).

2.4 Asumsi Normalitas dengan Q-Q Plot

> qqnorm(Data$Produktivitas.Getah,col="pink")
> qqline(Data$Produktivitas.Getah)

Syntax di atas digunakan untuk melakukan uji asumsi normalitas dengan cara membuat grafik normal Q-Q dan garis linear.

2.5 Asumsi Homogenitas Ragam dengan Uji Levene

> library(car)
> leveneTest(Produktivitas.Getah~Dosis.Pupuk,data=Data)
Levene's Test for Homogeneity of Variance (center = median)
      Df F value Pr(>F)
group  4  0.9265 0.4746
      15

Syntax di atas digunakan untuk melakukan uji asumsi homogenitas ragam dengan menggunakan uji Levene.

3 HASIL DAN PEMBAHASAN

3.1 Analisis Ragam Klasifikasi Satu Arah (One Way Anova)

H₀: Semua perlakuan memiliki nilai tengah sama

H₁: Sekurang-kurangnya dua nilai tengah tidak sama

Berdasarkan analisis ragam klasifikasi satu arah (one way anova) yang sudah dilakukan, didapatkan p-value sebesar 3.486765e-08.

Keputusan: Karena nilai p (3.486765e-08) < alpha (0.05), maka H₀ ditolak.

Kesimpulan: Dengan tingkat kesalahan 5%, sudah cukup bukti bahwa dosis pupuk KCl berpengaruh terhadap produktivitas getah (Hevea brasiliensis) di Desa Lengkong tahun 2017.

3.2 Asumsi Normalitas dengan Q-Q Plot

Berdasarkan Q-Q Plot yang sudah dibuat, secara grafis tidak ada indikasi pelanggaran normalitas, karena titik-titik berada tidak jauh dari garis dengan sudut 45 derajat antara sumbu X dan Y di kuadran I.

3.3 Asumsi Homogenitas Ragam dengan Uji Levene

H₀: Semua perlakuan memiliki ragam sama

H₁: Sekurang-kurangnya dua ragam tidak sama

Berdasarkan uji Levene yang sudah dilakukan untuk menguji kehomogenitasan ragam, diperoleh nilai p-value sebesar 0.4746.

Keputusan: Karena nilai p (0.4746) > alpha (0.05), maka H₀ diterima.

Kesimpulan: Dengan tingkat kesalahan 5%, sudah cukup bukti bahwa asumsi kesamaan ragam (homogenitas ragam) antar perlakuan dosis pupuk KCl terpenuhi.

4 DAFTAR PUSTAKA

Nurhalim dkk. (2019). Pengaruh Penggunaan Pupuk KCl terhadap Produktivitas Getah (Hevea brasiliensis) di Desa Lengkong Tahun 2017. Jurnal Jeumpa, 6(2), 265-276.

Walpole, Ronald E. (1982). Pengantar Statistika:Edisi Ke-3. Jakarta: PT Gramedia Pustaka Umum.

Yitnosumarto, Suntoyo. (1990). Dasar-Dasar Statistika. Jakarta: CV. Rajawali.

Analisis Ragam Klasifikasi Satu Arah (One Way Anova) untuk Mengetahui Pengaruh Penggunaan Pupuk KCl terhadap Produktivitas Getah (Hevea brasiliensis) di Desa Lengkong Tahun 2017

Putri Insan Kamilia

Mei 2022