Tabeladalah, daftar yang berisi ikhtisar sejumlah data-data informasi yang biasanya berupa kata-kata maupun bilangan yang tersusun dalam urutan kolom dan baris. Sebelum memasukan data ke dalam tabel data yang kita peroleh harus diurutkan terlebih dahulu. Pengurutan data ini bertujuan untuk memudahkan ketika memasukan data ke dalam tabel. Ada
Materi penyajian data diagram batang untuk memaparkan data jadi .salah satu topik di UTBK, nih. Nah, biar jawaban elo makin oke. Yuk, belajar bareng di sini! Sekarang itu, kalau mau belanja online memang gampang banget ya, tinggal buka Instagram atau e-commerce. Tapi nih, saking mudah dan murahnya, gue suka bingung kalau mau beli barang online, tuh. Ya, tentunya, sebagai anak kosan, gue pasti nyari yang paling murah. Elo pasti gitu juga nggak, sih? Ilustrasi kebingungan membandingkan harga sepatu Arsip Zenius Nah, saking banyaknya harga yang gue bandingin. Gue suka kebingungan sendiri, nih. Terus, gue jadi ingin membandingkan harga gitu. Ya, gue sih, biasanya bikin tabel sendiri di kertas buat bandingin harga. Eh, tapi, ngomong-ngomong soal tabel, gue jadi inget nih, materi penyajian data pas gue sekolah dulu. Berkat materi itu, gue betulan bisa nemuin harga cucok buat kantong gue. hehe Berhubung gue ingat materi ini, jadilah gue juga sekalian mau bahas soal materi penyajian data yang gue yakin berguna banget buat elo, deh! Mulai dari pengertian penyajian data, tujuan, macam, caranya, hingga contoh soal penyajian data yang sering diujikan di UTBK beserta pembahasannya. Yuk, baca sampai habis ya, Sobat Zenius! Pengertian Penyajian DataMacam-Macam Penyajian Data Contoh Soal Penyajian Data Dalam Bentuk TabelContoh Soal Penyajian Data Dalam Bentuk Diagram Batang Ngomongin tentang penyajian data, enaknya kita kenalan dulu sama “data” dulu, nih. Apa sih yang dimaksud dengan data itu? Menurut Encyclopedia Britannica 2020, data adalah fakta atau angka-angka yang dikumpulkan, dianalisis dan diringkas untuk disajikan. Contoh sederhananya seperti informasi tentang harga sepatu yang berbeda-beda di banyak toko tadi. Ilustrasi kebingungan Arsip Zenius Nah, dari definisi data itu sendiri, kita jadi tahu nih kalau sebuah set data itu pada akhirnya akan membutuhkan penyajian data. Apa yang dimaksud dengan penyajian data? Penyajian data adalah upaya untuk menampilkan atau memaparkan data yang didapatkan secara visual. Apa sih tujuan dari dilakukannya penyajian data? Mempermudah proses pemahaman dan analisis data yang jumlahnya banyak merupakan alasan mengapa data perlu disajikan. Terkadang, kalau kita dapat banyak informasi secara lisan atau tertulis berisikan kalimat panjang dalam satu waktu, kita suka jadi bingung nih untuk dapetin informasi pentingnya. Beda kalau kita tuangkan informasi itu ke dalam bentuk penyajian data, seperti saat bingung memilih toko yang menjual sepatu tadi. Ilustrasi grafik harga sepatu dan tokonya Arsip Zenius Dengan menggunakan penyajian data, elo jadi bisa dengan lebih cepat mendapatkan informasi penting yang elo perlukan, seperti harga sepatu paling affordable kayak tabel di atas. Gimana, membantu banget kan teknik penyajian data itu? Pasti, dong. Eh, tapi elo tahu nggak, kemudahan yang kita dapatkan saat ini itu tidak lepas dari perkembangannya yang panjang, lho. Menurut laporan dari Think Insights 2017, visualisasi data sendiri kemungkinan sudah ada semenjak tahun yang lalu. Sudah lama sekali, kan? Nah, selama itu juga lah kira-kira perkembangan penyajian data sudah berlangsung. Ilustrasi Peta daerah dari Mesopotamia Dok. Osama Shukir Muhammed Amin GRCP Glasg via Pada mulanya, visualisasi data hanya digunakan untuk membuat peta bintang, ladang, dan daerah dengan gambar di pasir, dinding-dinding gua atau tanah liat. Di abad ke-18 pun visualisasi data digunakan oleh tokoh astronomi, Edmond Halley untuk memetakan perbedaan keadaan atmosfer di lautan. Ilustrasi Peta laut karya Edmond Halley Halley, Edmond, 1656-1742, CartographerW. & J. Mount & T. Page, Publisher via Public Domain Seiring perkembangan sains, cara penyajian data juga berkembang hingga akhirnya muncul yang namanya ilmu statistik. Penyajian data kemudian digunakan untuk menyajikan data di bidang lainnya selain geografi dan astronomi, seperti peperangan, penghitungan populasi, perdagangan, politik, ekonomi, dan lainnya. Ilustrasi penyajian data pasukan kampanye Napoleon Rusia 1812 dalam bentuk bagan oleh Charles Minard Charles Minard via Public Domain Materi tentang penyajian dan pengolahan data ini sebenarnya juga sudah pernah elo pelajari di saat kelas 6. Masih inget nggak nih? Nah, kalau elo butuh refresh ingatan sedikit, elo bisa cek lagi ya materi penyajian dan pengolahan data kelas 6 dengan mengklik banner di bawah ini. Baca Juga Menyajikan dan Mengolah Data – Materi Matematika Kelas 6 SD Macam-Macam Penyajian Data Lalu, bagaimana cara menyajikan data itu? Penyajian data secara visual biasanya melibatkan teknik desain grafis. Ada macam-macam penyajian data yang elo bisa gunakan, diantaranya adalah penggunaan tabel, grafik dan diagram. Tabel, grafik, dan diagram masing-masing memiliki variasi dan fungsinya masing-masing, lho. Nah, dalam memilih cara menyajikan data mana yang paling tepat untuk digunakan, elo perlu nih untuk mengetahui apa fungsi dari macam-macam penyajian data tersebut. Yuk, kita cari tahu! Penyajian Data dalam Bentuk TabelCara menyajikan data yang akan kita bahas pertama adalah tabel. Cara ini mungkin merupakan salah satu cara yang paling sering digunakan dan kita jumpai sehari-hari karena bentuknya yang sederhana, nih. Secara umum, tabel memiliki fungsi untuk memaparkan data yang terlalu detail dan rumit kalau hanya disampaikan dalam bentuk teks saja. Memaparkan data dalam bentuk tabel juga dapat membantu pembaca pembaca untuk langsung memahami informasi penting dari data itu dengan cepat. Melansir dari Modul Pembelajaran SMP Terbuka Kelas VII 2020, penyajian data dalam bentuk tabel ternyata bisa dibagi menjadi tiga jenis sesuai dengan fungsi dan isinya nih. 1. Tabel Baris dan KolomJenis tabel ini digunakan untuk menginformasikan nilai dari satu kelompok data saja. Contoh penyajian data-nya seperti di bawah ini. Ilustrasi penyajian data dalam bentuk tabel baris dan kolom Arsip Zenius Kelompok data pada tabel di atas adalah tinggi dan jumlah siswa di satu kelas. Jadi, data yang kita dapat pun meliputi data keseluruhan yang ada pada satu kelompok saja. 2. Tabel Kontingensi Kalau di jenis sebelumnya hanya ada satu kelompok data saja, pada tabel kontingensi ada lebih dari satu. Menggunakan jenis tabel ini, elo jadi bisa melihat perbandingan ataupun hubungan dari dua kelompok yang berbeda. Contohnya seperti di bawah ini, nih. Ilustrasi penyajian data dalam bentuk tabel kontingensi Arsip Zenius Pada jenis tabel ini ada dua kategori atau variable, yaitu siswa perempuan dan siswa laki-laki. Dari tabel ini kita jadi bisa tau perbandingan jumlah siswa perempuan dan laki-laki dengan tinggi badan tertentu. 3. Tabel Distribusi FrekuensiPada jenis tabel distribusi frekuensi, data yang disajikan berupa interval yang memiliki frekuensi atau banyak datanya masing-masing. Contoh penyajian datanya seperti ini. Ilustrasi penyajian data dalam bentuk tabel distribusi frekuensi Arsip Zenius Penyajian Data dalam Bentuk Diagram Diagram adalah bentuk visualisasi data untuk menunjukan proporsi atau komposisi persebaran suatu set data. Jenis diagram yang biasanya digunakan adalah diagram lingkaran atau sering juga disebut pie chart dan diagram batang. Berikut contoh penyajian datanya. 1. Diagram Lingkaran atau Pie Chart Ilustrasi penyajian data dalam bentuk tabel baris dan kolom Arsip Zenius Dari data di atas, kita dapat membuat diagram lingkarannya menjadi seperti di bawah ini. Ilustrasi penyajian data dalam bentuk diagram lingkaran Arsip Zenius Nah, dengan menggunakan diagram lingkaran, pasti elo jadi punya gambaran perbandingan banyak-nya tiap kategori, kan? Elo bisa tahu kalau siswa dengan tinggi badan 155 cm dan 165 cm itu jumlahnya hampir sama. Tapi berbanding jauh dengan yang tingginya 170 cm. Begitulah kira-kira fungsi dari diagram lingkaran ini. Elo tahu nggak siapa orang pertama yang menemukan diagram lingkaran? Menurut laporan dari Atlas Obscura 2016, penemunya adalah William Playfair, yang dikenal sebagai bapak statistik dunia, lho. Waktu itu, William menggunakan diagram lingkaran yang berwarna untuk menyajikan data kepemilikan tanah Kekaisaran Turki di Eropa. Penggunaan diagram lingkaran pun semakin terkenal dan masih digunakan hingga saat ini. Ilustrasi gambar pie chart pertama dalam buku Statistical Breviary, oleh William Playfair, 1801 Dok. Public Domain 2. Diagram Batang Melansir laporan dari surat kabar New York Times 2012, Ternyata, selain menciptakan diagram lingkaran, William Playfair ternyata juga menciptakan diagram batang. Diagram ini mirip-mirip fungsinya dengan diagram lingkaran. Tapi punya kelebihan, yaitu bisa menunjukan tren naik turunnya sebuah kelompok data dari waktu ke waktu. Kira-kira begini nih contoh penyajian data dalam bentuk diagram batang, yang bisa elo temukan di akun Instagram elo. Ilustrasi penyajian data dalam bentuk diagram batang di Instagram Arsip Zenius Pada diagram batang tersebut, elo jadi bisa tahu perkiraan lama waktu yang elo gunakan untuk scrolling Instagram dari hari ke hari selama 7 hari. Selain bisa digunakan untuk menunjukkan satu kategori data, diagram batang juga bisa digunakan untuk membandingkan lebih dari satu kategori data sekaligus seperti di bawah ini. Ilustrasi penyajian data dalam bentuk diagram batangArsip Zenius Nah, dari diagram batang di atas. Elo bisa lihat perbandingan tren jumlah pemerolehan nilai 100 di kelas A dan B dari tahun 2017 hingga 2020. Informasi apa saja yang bisa elo dapat? Tentunya elo bisa mendapatkan informasi tentang kelas mana yang paling banyak atau sedikit mendapatkan nilai 100, dan bagaimana perbandingan pemerolehannya di kelas A dan B. Elo juga bisa memprediksi kecenderungan tren di tahun berikutnya. Apakah akan mengalami kenaikan atau penurunan? Loading ... Nah, kalau menjawab pertanyaan seperti itu, elo cukup melihat kemungkinannya berdasarkan apa yang ada di diagram atau soal saja, ya. Jadi, kalau melihat peningkatan yang cukup konsisten di kelas A, maka jawabannya pada tahun 2021 kemungkinannya pemerolehan nilai 100 di kelas A akan meningkat. Penyajian Data dalam Bentuk Grafik Kalau elo ingin menyajikan data dengan tren tertentu, seperti penurunan dan kenaikan suatu kelompok dalam jenjang waktu tertentu, elo juga bisa banget nih, menggunakan bentuk visual cara penyajian data menggunakan grafik atau diagram garis. Ilustrasi penyajian data dalam bentuk grafik atau diagram garis Arsip Zenius Karena elo sudah mengenal beberapa macam cara menyajikan data dengan tabel, grafik, maupun diagram, kita coba mengerjakan latihan soal penyajian data untuk mempersiapkan UTBK, yuk! Oya, kalau elo butuh referensi artikel tentang rumus-rumus yang bisa elo gunakan dalam mengerjakan soal tentang penyajian data, elo bisa coba cek beberapa artikel di bawah ini, ya. Baca Juga Mean, Median, Dan Modus Dalam Data Numerik Tunggal Rumus Kuartil Data Tunggal dan Data Kelompok Rumus Ragam Data Kelompok dan Pembahasan Soal Rumus Ragam Data Tunggal dan Pembahasan Soal Rumus Varians Data Kelompok dan Pembahasan Soal Contoh Soal Penyajian Data Dalam Bentuk Tabel SoalTabel di bawah ini berisi data peserta ekstrakurikuler tari tradisional di SMP X dari tahun 2018 hingga 2021. Tahun2018201920202021Peserta5121625 Berdasarkan data tersebut, manakah pernyataan di bawah ini yang tepat? A. Peserta tahun 2021 berjumlah 4,5 kali lipat peserta tahun Peserta tahun 2021 berjumlah 2 kali lipat peserta tahun Peserta tahun 2021 bertambah 400% dari peserta tahun Peserta tahun 2020 bertambah 200% dari peserta tahun 2019. Untuk menjawab soal di atas gue kasih beberapa rumus yang mungkin bisa membantu elo, ya. Ilustrasi rumus untuk mencari berapa kali lupat kenaikan data Arsip Zenius Oke, gimana sudah mencoba untuk menjawab pertanyaannya? Kalau gitu sekarang kita cocokan, yuk! Pembahasan Jawaban A. Peserta tahun 2021 berjumlah 4,5 kali lipat peserta tahun 2018. Kalau dilihat dari tabel, kita tahu bahwa pada 2021 ada 25 peserta, sedangkan pada tahun 2018 ada 5 saja. Menggunakan rumus yang sudah gue berikan, kita bisa mencari berapa kali lipat kenaikannya hanya dengan membagi jumlah peserta di tahun 2021 dengan jumlah peserta di tahun 2018. Maka, k = 255. Jawaban yang seharusnya adalah 5 kali lupat. Maka pilihan A salah. Jawaban B. Peserta tahun 2021 berjumlah 2 kali lipat peserta tahun 2019. Cara mengecek jawaban ini sama dengan jawaban A. Sehingga, k = 2516. Seharusnya hasilnya adalah 1,56 kali lipat. Maka, pilihan B salah. Jawaban C. Peserta tahun 2021 bertambah 400 % dari peserta tahun 2018. Pertama-tama kita bisa cari dulu nih berapa kali lipat kenaikan dari tahun 2018 ke tahun 2021. Jadi, k = 255. Hasilnya adalah 5 kali lipat. Nah, sekarang baru kita ubah ke bentuk persen dengan rumus i = k-1. i = k-1i = 5-1i = 4 Lalu kita cari tahu nih berapa persen yang setara dengan 4. 4 = x/100x= 4 x 100x= 400% Maka, ketemu deh peningkatan dari tahun 2018 ke 2021 adalah 400%. Sehingga, pilihan C merupakan jawaban yang benar. Untuk pilihan D bisa elo coba cari-cari sendiri jawabannya yang benar untuk latihan, ya. Contoh Soal Penyajian Data Dalam Bentuk Diagram Batang SoalDiagram batang di bawah ini berisi data penjualan kue Rina dari bulan Maret hingga Juni. Ilustrasi soal penyajian data dalam bentuk diagram batang Arsip Zenius Apabila pada bulan Juni mengalami kenaikan penjualan sebesar 300% dari bulan April, maka berapakah jumlah penjualan kue Rina pada mulan Juni? A. 150B. 60C. 30D. 45 Berikut beberapa rumus yang bisa elo gunakan untuk menjawab soal di atas. Ilustrasi rumus untuk mencari jumlah setelah atau sebelum kenaikan Arsip Zenius Loading ... Oke, coba kita kerjakan bersama, deh. PembahasaDari dua pilihan rumus di atas, elo bisa pilih salah satu. Gue memilih untuk memakai rumus yang ke-1, P1=P0+iP0. Nah, sekarang kita tinggal masukin saja angka yang ada di diagram batang ke dalam rumus. P1=P0+iP0P1=15+300%15P1=15+300/10015P1=15+315P1=15+45P1=60 Sehingga banyak penjualan Rina di bulan Juni adalah 60 kue. Jawaban yang benar adalah B. 60. Penutup Karena sudah mengenal yang namanya penyajian data, jangan bingung-bingung lagi ya kalau elo dapet informasi berupa angka yang banyak. Elo bisa langsung aja menerapkan cara menyajikan data secara visual ini agar informasi jadi lebih mudah untuk dipahami dan di analisis. Untuk mendapatkan penjelasan lebih lanjut tentang penyajian data melalui video menarik Zenius, elo bisa berlangganan paket belajar Zenius dengan klik banner di bawah ini! Referensi
langsungpada penjual bakso dan observasi langsung tentang pengetahuan, sikap dan tindakan penjual jajanan bakso. Data hasil penelitian berupa kadar boraks yang terdapat pada jajanan bakso akan dianalisis secara deskriptif. Penyajian data yang telah dianalisis disajikan dalam bentuk, grafik dan narasi untuk membahas
ï»żPenyajian data statistik menggunakan grafik batang. Foto PixabayStatistik adalah kumpulan dari fakta yang terbentuk angka-angka. Statistik disusun dalam bentuk daftar atau tabel untuk menggambarkan suatu persoalan. Statistik dalam pengertian sebagai ilmu dibedakan menjadi dua, yaitu deskriptif dan deskriptif bertujuan untuk mendeskripsikan objek yang diteliti, kemudian disajikan dalam bentuk data tabel maupun diagram/grafik. Sementara itu, statistik inferensial memiliki tujuan untuk penarikan data statistik dapat dilakukan dengan pembuatan tabel dan juga grafik. Penyajian data tersebut dilakukan agar data terlihat lebih menarik perhatian, mengesankan, serta praktis dan Grafik StatistikMengutip dari buku Dasar-Dasar Statistik Penelitian yang diterbitkan oleh Sibuku Media, fungsi grafik statistik dapat digunakan dalam berbagai bidang kehidupan manusia, beberapa di antaranya adalahGrafik sering digunakan dalam penayangan iklan, yang bertujuan agar konsumen mengingat ciri-ciri produk yang kegiatan produksi lebih enak dilihat dan dipelajari secara digunakan dalam pembuatan peta pengawasan kualitas, yaitu sebuah alat penting dalam melakukan pengawasan produk maupun pengawasan proses menggunakan grafik, suatu perusahan dapat memberikan gambaran yang sederhana dan menarik, terkait perkembangan hasil penjualan yang telah dicapai oleh perusahaan yang data yang menggunakan grafik lebih mudah untuk dipahami dan tidak membosankan. Foto PixabayPada dasarnya, penyajian data menggunakan grafik lebih mudah dibandingkan dengan data statistik yang disajikan dalam bentuk tabel. Selain itu, keunggulan utama dari grafik adalah sajian data terkesan lebih hidup dan tidak demikian, penyajian secara grafis mempunyai kekurangan, yaitu grafis bersifat aprosimatif. Artinya, angka yang tercantum tidak detail, sehingga angka yang pasti dan rinci tentang suatu peristiwa dimuat dalam Membuat Grafik BatangGrafik adalah garis-garis yang menunjukkan tingkatan atau keadaan naik turunnya suatu data. Jenis grafik dibedakan menjadi tiga, salah satunya adalah grafik batang. Ini menggunakan balok persegi panjang untuk penyusunan dalam buku Geografi 3 yang diterbitkan oleh Yudhistira Ghalia Indonesia, grafik batang dapat disebut dengan balok, yang merupakan grafik data berbentuk persegi panjang dilengkapi dengan skala tertentu atau ukuran sesuai dengan data yang membuat grafik batang untuk dapat menyajikan data statistik. Foto PixabayCara membuat grafik batang untuk dapat disajikan dalam penyajian data, diambil dari sumber yang sama, yaitu sebagai panjang dan lebar yang sama besarSetiap batang tersebut tidak boleh saling menempel atau melekat antara satu dengan yang lainJarak antar tiap batang harus samaDapat disusun secara tegak atau itu, dalam modul ajar karangan Laksmi Dewi yang berjudul Diagram, grafik/diagram batang dikatakan sebagai salah satu jenis bentuk penyajian data, yang sangat sesuai untuk data yang variabelnya berbentuk ini sangat bermanfaat untuk membandingkan suatu objek, peristiwa yang sama dalam waktu yang berbeda, atau menggambarkan berbagai macam objek/hal yang berbeda tentang sesuatu yang sama.
Sajikandata di atas dalam bentuk tabel dengan menggunakan turus! Jawab: 2. Berikut data nilai ulangan matemtaika kelas V 6, 5, 8, 7, 6, 5, 5, 8, 9,7, Berikut ini data hasil penjualan bunga mawar dalam 5 Bulan! Maret = 700 tangkai April = 600 tangkai Mei = 800 tangkai contoh soal penyajian data dalam bentuk grafik, contoh soal penyajian Ilustrasi pengolahan dan penyajian data. Foto dan penyajian data merupakan tahapan di berbagai bidang ilmu yang berkaitan dengan riset, termasuk statistika. Dalam buku berjudul Statistika Non-Parametrik untuk bidang Kesehatan Teoritis, Sistematis, dan Aplikatif yang disusun Norfai, pengolahan dan penyajian data adalah dua dari empat tahapan yang kerap dilakukan di bidang memiliki peran strategis terhadap hasil data penelitian sebelum data tersebut diinterpretasikan. Sebelum membahas proses mengolah dan menyajikan data secara mendalam, simak uraian berikut DataPada rumpun ilmu yang berkaitan dengan riset, data merupakan unsur pokok yang dikaji dan diolah. Pun demikian dalam ilmu statistika. Menurut buku berjudul Mengenal Lebih dalam tentang Data oleh Marwoto, data adalah hasil mencacah atau hasil pengukuran dari sebuah jenisnya, data dapat dibedakan menjadi data kualitatif dan kuantitatif. Dalam statistika, jenis data yang dipakai cenderung pada data kuantitatif atau berupa berupa angka tersebut melalui beberapa proses, dua di antaranya yakni pengolahan dan penyajian pengolahan data. Foto DataSebelum disajikan, sebuah data melalui pengolahan data terlebih dahulu. Mengutip dari buku Pengantar Statistika oleh Tan Kim Hek, pengolahan data secara umum dapat dipahami sebagai proses membentuk data agar menjadi wujud yang lebih tertata dan siklus pengolahan data terdiri dari tiga langkah utama, yakni input atau masukan, proses atau pengolahan, dan output atau proses input, data disiapkan dalam berbagai bentuk, lalu disesuaikan dengan keperluan. Sementara pada pengolahan, data akan dikombinasikan dengan berbagai informasi lainnya guna menghasilkan data baru yang lebih mengolah data akan melibatkan beberapa operasi pengolahan dasar tertentu. Sementara pada proses output, tahap pengumpulan data diproses sesuai kebutuhan. Pengelompokan data tersebut akan digunakan pada pengolahan penyajian data dalam bentuk tabel dan grafik. Foto DataSetelah data diolah, proses selanjutnya adalah menyajikannya. Dalam buku berjudul Statistika Non-Parametrik untuk Bidang Kesehatan Teoritis, Sistematis, dan Aplikatif yang disusun Norfai, umumnya, data dapat disajikan secara tekstual, tabel maupun grafik atau gambar. Namun, sebagian besar data disajikan dalam bentuk tabel dan data dapat dipahami sebagai proses melaporkan hasil pengolahan data agar dapat dipahami dan diinterpretasikan sesuai dengan tujuan yang buku Pengantar Statistika, penyajian data dalam bentuk tabel biasanya berbentuk baris kolom yang terdiri atasTabel satu arah, untuk menyajikan data yang memiliki satu karakteristik dua arah, digunakan untuk menyajikan data yang memuat hubungan antara dua aspek yang tiga arah, dimanfaatkan untuk menyajikan data yang terdiri dari tiga karakteristik kontingensi, dipakai untuk menyajikan data dengan dua faktor atau dua variabel. Adapun tiap variabel maupun faktor dalam data tersebut terdiri atas beberapa kategori penyajian data dalam bentuk grafik dapat dibedakan menjadi grafik batang, grafik garis, dan grafik penjelasan mengenai pengolahan dan penyajian data dalam ilmu statistika. Semoga bermanfaat!Apa yang dimaksud dengan data?Apa yang dimaksud dengan pengolahan data?Apa yang dimaksud dengan penyajian data? b Mengolah data kepadatan penduduk ke dalam bentuk peta geografis 1.5 Metodologi Penelitian Metodologi adalah beberapa tahapan yang harus dilakukan oleh peneliti berupa alur sistematis mulai dari perumusan masalah sampai pada kesimpulan yang bertujuan agar proses dan hasil dari penelitian sesuai dengan tujuan yang diharapkan.

Data dapat kita sajikan dalam dua bentuk penyajian, yaitu tabel dan diagram atau grafik. Adapun diagram yang sering digunakan, yaitu diagram garis, batang, dan lingkaran. Menyajikan data dalam bentuk tabel berarti data-data tersebut kita susun dalam urutan baris dan kolom. Sedangkan menyajikan data dalam bentuk diagram atau grafik berarti data-data tersebut kita susun dan buat dalam bentuk gambar atau lambang. Dengan demikian, data dalam bentuk grafik dapat dilihat secara visual sehingga perbedaan antara setiap data dapat dilihat lebih jelas dan lebih mudah dipahami dengan cepat.

4 Membaca grafik, tabel, atau diagram 5. Mendiskusikan hasil kegiatan suatu masalah atau suatupemecahan peristiwa 6. Mengubah bentuk penyajian Melaksanakan Percobaanlitian atau Eksperimen 1.Percobaan/Pene Melakukan percobaan atau Dari tabel di atas dijelaskan bahwa keterampilan proses dapat diklasifikasikan menjadi dua. Pertama, keterampilan Artikel ini menjelaskan tentang dasar statistika meliputi pengertian data, statistika, populasi, dan sampel, serta mengetahui macam-macam diagram penyajian data. — Sekilas, saat membaca judul artikel di atas, mungkin kamu akan menebak kalau artikel yang kita bahas kali ini akan sangat sulit untuk dipahami. Benar, nggak? Meskipun termasuk materi baru yang kamu pelajari di semester dua ini, tapi kamu nggak perlu khawatir. Kenapa? Karena materi statistika ini sebenarnya menarik banget untuk kita bahas, loh. Percaya nggak percaya, kita langsung simak aja yuk penjelasannya berikut ini. Pengertian Data dan Statistika Data adalah kumpulan informasi yang diperoleh dari suatu pengamatan. Informasi ini bisa berupa angka, lambang, atau keadaan objek yang sedang diamati. Misalnya, pada percobaan Biologi, kamu disuruh mengamati pertumbuhan tanaman kacang hijau. Setiap beberapa hari sekali, kamu akan mencatat panjang batang tanaman untuk diamati pertumbuhannya. Dari hasil pengamatan itu, diperoleh catatan angka-angka panjang batang tanaman kacang hijau. Nah, angka-angka itulah yang kita sebut sebagai data. Tabel Pertumbuhan Tanaman Kacang Hijau Berdasarkan jenisnya, data dikelompokkan menjadi dua, yaitu 1. Data kualitatif Data kualitatif merupakan data yang menunjukkan sifat atau keadaan suatu objek dan tidak bisa diukur secara numerik. Contoh data, data kualitas beras bulan Februari 2020 yang kurang baik. Nah, data itu menunjukkan keadaan beras yang kurang baik, tapi kita nggak bisa mengukur keadaan kurang baik itu dengan angka. 2. Data kuantitatif Data kuantitatif merupakan data yang menunjukkan ukuran suatu objek, disajikan dalam bentuk angka, dan nilainya dapat berubah-ubah. Contoh data misalnya, data pertumbuhan panjang tanaman kacang hijau pada tabel di atas. Dari data itu, kita bisa mengetahui perubahan panjang batang kacang hijau dari angka yang diperoleh. Setelah data terkumpul, data-data itu kemudian akan disusun, diolah, dan dianalisis untuk diperoleh sebuah kesimpulan. Nah, ilmu yang mempelajari bagaimana cara mengumpulkan, menyusun, menyajikan, menganalisis, dan merepresentasikan data adalah statistika. Statistika ini banyak diterapkan di banyak bidang, loh. Misalnya dalam bidang ilmu sosial dan kependudukan, statistika dapat digunakan untuk berbagai tujuan, salah satunya sensus penduduk. Selain itu, dalam bidang ekonomi, statistika juga dapat digunakan untuk mengetahui perkembangan ekonomi suatu negara. Pelaksanaan sensus penduduk di suatu wilayah sumber Nah, dari penjelasan di atas, kita jadi tahu nih kalau untuk mengumpulkan dan mengolah data, kita perlu objek yang mau kita amati. Objek ini dibedakan menjadi dua, yaitu populasi dan sampel. Penjelasan lebih lengkapnya bisa kita simak di bawah ini, ya. Baca juga Aplikasi Rumus Phytagoras dalam Kehidupan Sehari-hari Perbedaan Populasi dan Sampel Populasi merupakan keseluruhan objek yang menjadi sumber data penelitian. Populasi ini bisa berupa manusia, hewan, tumbuhan, peristiwa, dan lain sebagainya. Sementara itu, sampel adalah bagian dari populasi yang dapat menggambarkan sifat atau ciri populasi tersebut. Sampel harus benar-benar dapat mewakili dan mencerminkan karakteristik dari populasi yang menjadi objek penelitian. Sebagai contoh populasi atau contoh sampel, jikatabel kamu ingin melakukan penelitian terhadap siswa di sekolahmu mengenai kegiatan ekstrakurikuler yang mereka pilih. Oleh karena itu, yang menjadi populasi adalah seluruh siswa di sekolahmu. Tapi, untuk memudahkan dan mempersingkat waktu, kamu juga masih bisa melakukan penelitian dengan mengambil beberapa sampel saja. Asal, sampel itu masih mewakili populasi yang menjadi objek penelitianmu. Misalnya, yang menjadi sampel adalah teman-teman sekelasmu. Sejauh ini, apakah kamu paham? Kita lanjut ke bahasan berikutnya, ya
 — Kamu ingin lebih paham lagi tentang Historiografi dan materi sejarah lainnya? Bisa nih coba simak materi pembahasan ini di melalui fitur ADAPTO di ruangbelajar. Kamu bisa menyimak pembahasan ini dengan video interaktif sesuai dengan pemahaman belajarmu! Macam-Macam Penyajian Data Sebelumnya, sudah diberi tahu kalau setelah data terkumpul, maka langkah selanjutnya adalah menyusun atau menyajikan data. Penyajian data ini bertujuan untuk menyederhanakan bentuk dan jumlah data, sehingga dapat mudah dipahami oleh pembaca. Terdapat dua cara untuk menyajikan data, yaitu dalam bentuk tabel dan diagram. Nah, agar lebih mudah paham, kita langsung masuk ke contoh kasusnya aja, ya. Di bawah ini, terdapat tabel yang menyediakan data 20 siswa dengan pilihan rasa es krim yang mereka sukai. Baca juga Cara Menyelesaikan Sistem Persamaan Linear Dua Variabel SPLDV Penyajian data di atas dalam bentuk tabel dan diagram dapat kamu lihat pada penjelasan di bawah ini. 1. Penyajian Data dalam Bentuk Tabel Tabel merupakan susunan data dalam bentuk baris dan kolom. Penyajian data dalam bentuk tabel berarti mengumpulkan data-data ke dalam kelompok yang sama pada suatu baris atau kolom, sehingga setiap kelompok memiliki frekuensi jumlah. Baca juga Ukuran Pemusatan Data Mean, Median, dan Modus Pada gambar tabel angka di atas, data dibedakan menjadi tiga kelompok, yaitu siswa yang menyukai es krim coklat, vanila, dan stroberi. Masing-masing kelompok memiliki frekuensi yang berbeda. Kalau kamu perhatikan, tabel di atas juga lebih memudahkan kita dalam menerima informasi, dibandingkan dengan gambar sebelumnya. Kita bisa mengetahui kalau ada 9 siswa menyukai es krim rasa coklat, 5 siswa menyukai es krim rasa vanila, dan 6 siswa menyukai es krim rasa stroberi. 2. Penyajian Data dalam Bentuk Diagram Penyajian data dalam bentuk diagram akan lebih menarik dibandingkan dalam bentuk tabel karena berbentuk gambar-gambar. Penyajian data bentuk ini dibedakan menjadi dua, yaitu diagram lingkaran dan diagram batang. a. Diagram Lingkaran Pada diagram lingkaran, data-data akan disajikan dalam bentuk lingkaran. Data-data ini telah dibagi menjadi juring-juring berdasarkan kelompoknya masing-masing. Kamu dapat melihat, juring yang paling besar menandakan frekuensi yang besar pula. Data-data pada diagram lingkaran dapat disajikan ke dalam persen maupun derajat. Baca juga Barisan Aritmatika Bertingkat Konsep Dasar, Rumus, dan Contoh Soal b. Diagram Batang Pada diagram batang, data-data akan disajikan dalam bentuk persegi panjang yang memanjang ke atas dan memiliki lebar yang sama. Setiap batang tidak boleh saling menempel dan harus memiliki jarak yang sama. Bagaimana sejauh ini? Ternyata nggak seseram tebakanmu sebelumnya kan? Oh iya, materi statistika ini masih belum selesai, lho. Masih ada bahasan tentang cara mengolah data-data itu sehingga diperoleh sebuah informasi. Jadi, tunggu artikel selanjutnya di Blog Ruangguru, ya. Eh iya, di bawah ini ada satu soal nih. Coba jawab, yuk! Kalau kamu merasa belum cukup paham dengan materi yang dijelaskan di artikel ini, kamu bisa coba belajar lewat ruangbelajar. Pahami materi pelajaran lebih mudah dengan mengikuti misi bersama para Master Teacher yang kece. Yuk, buruan download aplikasinya sekarang juga! Referensi Subchan, Winarni, dkk. 2015 Matematika SMP/MTs Kelas IX. Jakarta Kementerian Pendidikan dan Kebudayaan Sumber gambar Ilustrasi “Sensus Penduduk” [Daring]. Tautan Diakses 14 Januari 2021 Artikel ini pertama kali ditulis oleh Hani Ammariah, diperbarui pada 24 Maret 2022 oleh Leo Bisma.

Yangdilaporkan adalah hasil analisis dan hasil pengujian hipotesis. Hasil analisis boleh disajikan dengan tabel atau grafik. Tabel ataupun grafik harus diberi komentar atau dibahas. Pembahasan tidak harus dilakukan pertabel atau grafik. Tabel atau grafik digunakan untuk memperjelas penyajian hasil secara verbal.

ArticlePDF Available Discover the world's research25+ million members160+ million publication billion citationsJoin for freeContent may be subject to copyright. 73PENYAJIAN DAN INTERPRETASI FAKTOR UTAMA SAAT INTERAKSI BERBEDA NYATAPresentation and Interpretation of Main Factors in a case of a Signicant InteractionWeksi BudiajiFakultas Pertanian, Universitas Sultan Ageng TirtayasaJl. Raya Jakarta Km. 4 Pakupatan, Serang, Banten 42118 - IndonesiaTelp. 0254 280330 Fax, 0254 280330E-mail budiaji diterima 03 Mei 2019 – Disetujui 03 Desember 2020 ABSTRAKJika analisis sidik ragam menghasilkan interaksi yang berbeda nyata, sesuai dengan prinsip marginalitas maka efek utama seharusnya tidak diinterpretasikan dan tidak diuji. Penelitian ini bertujuan mengevaluasi bentuk interaksi terurut atau tidak terurut, sehingga penyajian dan interpretasi faktor utama saat terjadi interaksi dapat dibuat dengan benar. Metode yang digunakan adalah metode visual dan matematis yang diterapkan pada data simulasi dan dua data riil. Berdasarkan evaluasi matematis dari data simulasi, faktor utama dapat diinterpretasi pada saat kedua faktor utama berbeda nyata dan hanya berlevel dua. Saat jumlah level meningkat, peluang untuk menginterpretasikan faktor utama menjadi berkurang 12% pada jumlah level tiga. Penyajian data dapat menggunakan tabel kombinasi perlakuan dan tabulasi silang. Tabel tabulasi silang memungkinkan perbandingan perlakuan antar baris/ kolom sehingga penggunaan kalimat “huruf kecil yang sama pada baris yang sama dan huruf kapital yang sama pada kolom yang sama tidak berbeda” harus dihindari saat interaksi tidak terurut. Hal ini dilakukan agar interpretasi, perbandingan antar perlakuan, dan tingkat α yang digunakan tidak menyesatkan. Kata kunci prinsip marjinalitas, faktor utama, interpretasi, interaksi terurut, interaksi tidak terurutABSTRACTWhen an analysis of variance produces a signicant in the interaction term, the main factors have not to be interpreted and tested to comply with the principle of marginality. This simulation study has an aim to evaluate the interaction form of either an ordinal or disordinal interaction such that the presentation and interpretation of main factors are correctly addressed. We apply visual and simple mathematical approaches to evaluate the interaction form in both simulation and real data sets. Based on the mathematical evaluation of the simulation data set, the main factors can be interpreted when they are signicant and have two levels of treatments. As the level of treatment increases, the possibility to interpret the main factors is lower 12% in three levels of treatment. The data presentation can be a treatment combination and cross-tabulation tables. Presented in the cross-tabulation table, a paired comparison between treatments is valid across the table disregard the row and column positions. When a comparison involves a diî””erent row and column, an important note of “the same small letter in the same row and the same capital letter in the same column indicate insignicantly diî””erent” should be avoided when the interaction is a disordinal interaction. This note written in a cross-tabulation table of disordinal interaction can result in misleading interpretation, pair comparison conclusion, and α level application. Key words principle of marginality, main factor, interpretation, ordinal interaction, disordinal interaction Informatika Pertanian, Vol. 29 Desember 2020 73 - 8274PENDAHULUANTujuan utama perancangan percobaan adalah untuk mengevaluasi hubungan sebab akibat antara variabel independent faktor dan dependent respon Kao and Green, 2008. Ada banyak jenis rancangan percobaan dan yang paling sederhana berdasarkan rancangan perlakukannya adalah rancangan perco-baan satu faktor R1F. Jenis rancangan perlakuan yang lain adalah faktorial. Semua kombinasi perlakuan dari setiap taraf/ level faktor-faktor yang terlibat dievaluasi/diuji pada rancangan faktorial. Rancangan faktorial yang paling sederhana adalah rancangan faktorial dengan dua faktor R2F.R2F memiliki kelebihan dibandingkan dengan R1F. Anderson and Whitcomb 2015 menyebutkan bahwa R2F mempunyai esiensi relatif yang lebih tinggi dibandingkan dengan R1F, bahkan rancangan faktorial dengan tiga faktor R3F yang masing-masing faktor terdiri atas dua taraf memiliki esiensi dua kali lebih baik dari pada R1F. Peng-ambilan kesimpulan induktif R2F juga lebih luas dibandingkan R1F terutama karena keberadaan efek interaksi sebagai kunci untuk memahami proses yang interaksi efek multiplikatif adalah perbedaan respon antar level sebuah faktor utama yang tidak sama pada tiap level pada faktor utama lainnya Kaufman, 2018, sedangkan efek utama merupakan efek sebuah faktor secara terpisah dari faktor utama lain terhadap variabel dependen Sawyer, 2009. Jumlah faktor utama pada R1F, R2F, dan R3F berturut-turut adalah satu, dua, dan tiga dan efek interaksi muncul pada rancangan yang melibatkan dua faktor atau lebih. Efek interaksi dapat diidenti-kasi secara visual dengan menggunakan plot rataan tiap level. Plot dengan garis sejajar secara visual mengindi-kasikan tidak ada interaksi antar faktor utama Fox, 2003; Tenaya, 2015. Widaman et al. 2012 menjelaskan bahwa ada dua tipe interaksi yaitu interaksi terurut ordinal dan tidak terurut disordinal. Jika garis faktor utama 2 tidak ber-potongan pada selang nilai faktor utama 1, maka interaksi terurut terjadi. Interaksi terurut berarti perbedaan respon antar level faktor utama 1 pada faktor utama 2 semakin membesar atau mengecil. Jika garis faktor utama 2 memiliki titik potong pada selang nilai faktor utama 1, maka interaksi tidak terurut muncul yang berarti bahwa perbedaan respon antar level faktor utama 1 pada faktor utama 2 ada yang membesar dan mengekecilEvaluasi/ uji statistik untuk kedua efek, baik efek utama maupun efek interaksi, dapat menggunakan analysis of variance anova. Tujuan utama anova adalah memisahkan keragaman antar level/ kelompok between group dengan keragaman didalam level/ kelompok within group sehingga ratio keduanya mengikuti sebaran F Kim, 2017. Asumsi normalitas, kebebasan, dan kesamaan ragam antar sampel harus diperhatikan dalam penerapan anova. Jika anova menghasilkan interaksi yang berbeda nyata, maka efek utama yang terlibat seharusnya tidak diinterpretasikan dan tidak diuji karena mengikuti prinsip marginalitas marginility principle Nelder, 1977. Prinsip marjinalitas menyatakan bahwa faktor utama 1 dan 2 “marginal” terhadap 1*2 faktor interaksi 1 dan 2, begitu juga faktor utama 1, 2, 3, faktor interaksi 1*2, 1*3, 2*3 “marginal” terhadap faktor interaksi 1*2*3 sehingga faktor yang lebih rendah tidak perlu diuji dan diinterpretasikan saat faktor interaksi yang paling tinggi terjadi. Uji, pendugaan, dan interpretasi efek utama pada saat efek interaksi berbeda nyata dapat dilakukan hanya jika efek interaksi dapat dikesampingkan secara teoritis atau empiris Fox, 2016. Intepretasi efek utama dari interaksi terurut merupakan salah satu contoh pengesampingkan prinsip marginalitas yang valid secara empiris. Jika interaksi tidak terurut, maka interpretasi efek utama menjadi tidak valid menurut prinsip marginalitas. Permasalahannya adalah banyak peneliti jarang memperhatikan bentuk interaksi yang terjadi apakah terurut atau tidak terurut, sehingga tujuan penelitian ini adalah untuk mengevaluasi kelayakan penyajian dan interpretasi faktor utama pada saat terjadi interaksi baik terurut maupun tidak terurut. Metode visual dan matematis sederhana disajikan untuk mendeteksi interaksi terurut atau tidak terurut, kemudian simulasi data digunakan untuk menghitung proporsi terjadinya interaksi terurut dan tidak terurut. Dua contoh kasus riil juga diberikan untuk menya-jikan data dan DAN METODEPenelitian ini adalah penelitian simulasi. Data yang dibangkitkan adalah data simulasi dengan memper-timbangkan karakteristik anova. Pertama, hasil R1F anova one-way anova yang terdiri atas dua level sebanding dengan uji t. Jika jumlah level lebih dari 2, penerapan uji t pada tiap pasang level multiple test tidak tepat karena tingkat kesalahan menolak H0 padahal H0 benar α menjadi lebih tinggi Kim, 2014. Akibatnya, uji t akan cenderung menghasilkan hasil yang berbeda nyata dibandingkan dengan anova, sehingga simulasi data pada penelitian ini menggunakan jumlah level tidak hanya dua tetapi juga melibatkan tiga level. Kedua, evaluasi efek interaksi pada R2F atau R3F dapat diuji dengan anova yang merupakan bagian dari general linear models glm Kao and Green, 2008 yang didalam glm juga terdapat linear regression models Penyajian dan Interpretasi Faktor Utama Saat Interaksi Berbeda NyataWeksi Budiaji75lm. Perbedaan anova dan lm adalah faktor/variabel independen yang terlibat yaitu qualitatif pada anova dan quantitatif/ qualitatif pada lm. Efek variabel independen pada lm diuji pada saat variabel indepen-den lain sama dengan nol, sedangkan efek utama pada anova diuji pada setiap faktor dengan mengontrol faktor lain merata-ratakan faktor lain pada semua level. Jika sebuah faktor berbeda nyata pada anova, anova tidak dapat menunjukkan level mana yang berbeda Pandis, 2016, terutama saat level lebih dari dua. Model anova yang digunakan dalam simulasi data memerlukan beberapa iterasi untuk mendapatkan data simulasi yang sesuai dengan tujuan karena pembangkitan datanya berdasarkan model paling tidak ada tiga jenis cara untuk menghitung jumlah kuadrat JK pada anova yaitu tipe I, II, dan III. Ketiga jenis JK tersebut menghasil-kan nilai yang sama, jika data yang digunakan balance jumlah observasi/ ulangan sama untuk setiap kombinasi perlakuan karena faktor utamanya orthogonal Hector et al., 2010. JK anova tipe I dapat berbeda pada data unbalanced saat faktor utama 1 dan 2 ditukar posisi, sehingga JK anova tipe II atau III lebih disarankan. JK anova tipe II lebih kuat secara statistik statistically powerful dan mengikuti prinsip marginalitas Fox, 2016, sedangkan tipe III tetap menguji faktor utama saat interaksi berbeda nyata tidak mengikuti prinsip marginalitas.Fokus simulasi data dengan mempertimbangkan ketiga karakteristik anova adalah rancangan faktorial dengan dua faktor R2F. R2F data hasil simulasi divariasikan pada jumlah level dua dan tiga tiap faktor dengan ulangan yang sama balanced design. Algoritma simulasi data untuk mendapatkan data yang memiliki interaksi berbeda nyata adalah sebagai berikut1. Tentukan nilai koesien faktor utama dan interaksi, jumlah level, dan Buat matriks model X dengan interaksi dari langkah nomor Buat matriks koesien ÎČ.4. Bangkitkan data dengan rumus Y= XÎČ + Δ dimana Δ adalah sebaran normal dengan nilai tengah 0 dan ragam Evaluasi data hasil langkah 4 menggunakan anova R2F two-way anova dengan JK tipe Ulangi langkah 4 dan 5 sampai data yang diperoleh sesuai dengan JK tipe dengan efek interaksi berbeda nyata hasil simulasi terdiri atas tiga jenis yaitu 1 kedua efek faktor utama berbeda nyata, 2 salah satu efek faktor utama berbeda nyata, dan 3 tidak ada efek faktor utama yang berbeda nyata. Walaupun jenis data yang ketiga tanpa keraguan dapat disimpulkan bahwa faktor utama tidak perlu diinterpretasikan, studi dalam artikel ini akan mengkonrmasinya dengan data hasil efek dari faktor utama dan interaksi divariasi sebanyak 5 satuan baik efek positif maupun negatif dari [ Tabel 1 memperlihatkan delapan kombinasi efek dari data simulasi. Efek positif bernilai 1, 2, dan satuan, sedangkan efek negatif adalah nilai negatif dari efek positif yaitu -2, -1, dan visual menggunakan plot interaksi dapat menghasilkan garis yang tidak sejajar saat faktor utama berinteraksi. Interaksi terurut terjadi jika garis dari faktor utama tidak berpotongan pada selang nilai faktor utama Gambar 1a, sedangkan interaksi tidak terurut memiliki garis yang berpotongan pada selang nilai faktor utama Gambar 1b. Interpretasi interaksi tidak terurut tidak mungkin dilakukan karena adanya titik potong cross-over point. Jika jumlah data set yang banyak seperti pada data simulasi dalam penelitian ini 1750 data set yang terdiri atas 1000 jenis pertama, 500 jenis kedua, dan 250 jenis ketiga, evaluasi secara visual juga tidak keberadaan interaksi terurut atau tidak terurut pada setiap selang nilai faktor utama dapat menggunakan teknik matematika dasar jika evaluasi visual sulit dilakukan. Teknik ini adalah teknik mencari titik potong Tabel 1. Desain kombinasi efek tiap faktorF1 F2 F1xF2Positif Positif PositifPositif Positif NegatifPositif Negatif PositifPositif Negatif NegatifNegatif Positif PositifNegatif Positif NegatifNegatif Negatif PositifNegatif Negatif Negatif Informatika Pertanian, Vol. 29 Desember 2020 73 - 8276antara dua garis yang dapat diselesaikan dengan metode eliminasi atau subtitusi. Garis linier pada Gambar 1, misalnya, memiliki dua persamaan garis yaitu y=a1+ b1 x1, 1y=a2+ b2 x1, 2dimana y adalah nilai respon, a1 adalah titik potong terhadap sumbu y pada persamaan 1, b1 adalah slop persamaan 1, dan x1 adalah faktor utama 1. Persamaan 1 menunjukkan persamaan garis saat faktor utama 2 pada level 1, sedangkan Persamaan 2 adalah persama-an garis saat faktor utama 2 pada level 1 dan 2 dapat diselesaikan dengan metode eliminasi sehingga diperoleh titik potonga1+ b1 x1-a2+ b2 x1 = 0 a1-a2 +b1- b2 x1 = 0x1 selalu terdenisi karena kedua garis tidak sejajar b1 ≠ b2. Jika x1 berada pada selang [0, 1] maka terjadi interaksi tidak terurut. Persamaan 1 - 3 dapat digene-ralisasi untuk level sebanyak j pada faktor 2, sedemikian sehingga jumlah garis persamaan juga sebanyak j. Jumlah titik potong yang harus dicari adalah sebanyak jC2 pada tiap level faktor utama 1 yang berdekatan misal [0, 1].Persamaan 1 - 3 dapat juga digeneralisasi untuk jumlah faktor sebanyak tiga. Saat faktor utama berjumlah 3, evaluasi visual dan matematis dapat dilakukan dengan membuat salah satu faktor tetap x pada level tertentu dan diulang sejumlah level pada faktor yang tetap tersebut. Jika faktor 2 memiliki j level dan faktor 3 mempunyai k level, maka jumlah titik potong yang harus dicari pada tiap level faktor utama 1 yang berdekatan adalah k titik potong secara matematis digunakan pada data simulasi untuk menghitung proporsi jumlah titik potong yang berarti terjadi interaksi tidak terurut dan interpretasi faktor utama tidak memungkinkan. Metode visualisasi diterapkan juga pada dua data riil yaitu data Sihombing 2015 dan Arif et al. 2016. Data penelitian Sihombing 2015 menggunakan R2F dengan tiga taraf tiap faktor. Faktor pertama adalah pengaruh bahan pelapis lilin dan faktor kedua yaitu suhu penyimpanan terhadap uji organoleptik kekerasan kulit buah manggis. Penelitian Arif et al. 2016 adalah R3F dengan faktor pertama adalah lama fermentasi 3 taraf, faktor kedua berupa penambahan urea 3 taraf, dan faktor ketiga adalah konsentrasi fermipan 3 taraf. Analisis sidik ragam pada kedua data tersebut menunjukkan bahwa ada interaksi, sehingga kelayakan penyajian dan interpretasi faktor utama akan kode dan teks artikel ini dibuat dengan software R R Core Team, 2015, dan Rstudio dengan paket knitr Yihui, 2015 karena kemudahan-kemudahan yang diberikan Budiaji, 2019; Sarvina, 2017. Paket R lain yang dibutuhkan adalah ggplot2 Wickham, 2016 untuk membuat plot, gridExtra Auguie, 2016 untuk menyusun plot dalam sebuah grid. Simulasi dijalankan pada personal computer i3 4GB RAM yang memerlukan waktu 12 menit. File berekstensi .Rmd dan kode simulasi dapat diunduh pada akun OSF Open Science Framework penulis untuk menjamin reproducible research dan open 1. Plot interaksi terurut a dan interaksi tidak terurut b Penyajian dan Interpretasi Faktor Utama Saat Interaksi Berbeda NyataWeksi Budiaji77 HASIL DAN PEMBAHASANData simulasi Data simulasi R2F terdiri atas tiga jenis yaitu kedua faktor utama berbeda nyata, salah satu faktor utama yang berbeda nyata, dan kedua faktor utama tidak berbeda nyata. Jumlah level/ taraf yang disimulasikan adalah dua dan tiga. Simulasi data dijalankan sebanyak 125 data set pada selang nilai yang berbeda [ di delapan kombinasi efek faktor utama dan interaksi Tabel 1.Tabel 2 menunjukkan bahwa proporsi interaksi terurut lebih dari 50% pada data dengan kedua faktor utama berbeda nyata saat jumlah level adalah 2. Proporsi ini menjadi jauh lebih kecil yaitu kurang dari 12% saat setiap faktor utama memiliki 3 level. Tabel 3 yang hanya memiliki salah satu faktor utama yang berbeda nyata jenis data kedua dan Tabel 4 dengan tidak ada faktor utama yang berbeda nyata jenis data ketiga menunjukkan hal yang bertolak belakang dengan Tabel 2. Jenis data kedua dan ketiga pada Tabel 3 dan 4 memiliki proporsi 0% interaksi yang terurut, sehingga semua interaksi yang terjadi pada jenis data kedua dan ketiga adalah interaksi yang tidak simulasi Tabel 2 - 4 memperlihatkan bahwa prinsip marjinalitas Nelder, 1977 mutlak berlaku pada data yang hanya salah satu faktor saja berbeda nyata dan kedua faktor tidak ada yang berbeda nyata. Prinsip marjinalitas berlaku lebih longgar pada data dengan kedua faktor utama berbeda nyata pada jumlah level yang kecil 2 level, tetapi evaluasi terhadap bentuk interaksi yang terjadi harus dilakukan dengan hati-hati seiring dengan jumlah level yang bertambah > 2 level. Evaluasi ini perlu dilakukan untuk menyelidiki apakah interaksi yang terjadi adalah interaksi yang tidak terurut ada titik potong. Jika interaksi adalah interaksi tidak terurut, maka prinsip marjinalitas juga mutlak 2. Proporsi interaksi terurut saat kedua faktor utama berbeda nyataF1 F2 F1xF2 L = 2 L = 3Positif Positif Positif Positif Negatif Negatif Positif Negatif Negatif Positif Positif Positif Negatif Negatif Positif Negatif Negatif = Jumlah level tiap faktor *tiap baris terdiri atas 125 data set Total 1000 data setTabel 3. Proporsi interaksi terurut saat salah satu faktor utama berbeda nyataF1 F2* F1xF2 L = 2 L = 3Positif 0 Positif 0 0Positif 0 Negatif 0 0Negatif 0 Positif 0 0Negatif 0 Negatif 0 0L = Jumlah level tiap faktor *faktor utama tidak memiliki efek efek = 0 **tiap baris terdiri atas 125 data set Total 500 data setTabel 4. Proporsi interaksi terurut saat kedua faktor utama tidak ada yang berbeda nyataF1* F2* F1xF2 L = 2 L = 30 0 Positif 0 00 0 Negatif 0 0L = Jumlah level tiap faktor *faktor utama tidak memiliki efek efek = 0 **tiap baris terdiri atas 125 data set Total 250 data set Informatika Pertanian, Vol. 29 Desember 2020 73 - 8278Data riil Data R2F Sihombing, 2015 Data riil R2F adalah data penelitian Sihombing 2015 yang menggunakan bahan pelapis lilin sebagai faktor A 3 level dan suhu penyimpanan sebagai faktor B 3 level. Respon yang diamati adalah laju respirasi, susut bobot, dan kekerasan buah manggis. Contoh yang digunakan dalam artikel ini hanya uji organoleptik terhadap kekerasan kulit buah manggis. Analisis sidik ragam menunjukkan bahwa ada interaksi antara bahan pelapis lilin dengan suhu penyimpanan pada kekerasan kulit buah manggis, sehingga penyajian dan kelayakan interpretasi faktor utama akan 2 menunjukkan bahwa terjadi interaksi tidak terurut pada 2 level faktor A yang berdekatan. Interaksi tidak terurut yang muncul meyebabkan prinsip marjinalitas mutlak berlaku, sehingga faktor utama tidak dapat diinterpretasikan dan penyajian data dalam bentuk tabel berupa kombinasi 5 adalah tabel rataan kombinasi perlakuan. Tabel 5 juga dapat ditambah dengan keterangan huruf hasil uji beda nyata. Uji beda nyata yang ditampilkan berasal dari tabel asli dari penelitian Sihombing 2015. Tabel 5 memperlihatkan bahwa kombinasi perlakuan A2B1 memiliki rataan perlakuan yang paling tinggi dan berbeda dengan A3B3, sedangkan kombinasi perlakuan A3B3 sama dengan A2B3. Kombinasi perlakuan dengan rataan paling rendah adalah 5 juga dapat ditampilkan dalam bentuk tabulasi silang. Tabel 6 memperlihatkan penyajian data dalam bentuk tabulasi silang dari Tabel 5. Tabel 6 menunjukkan Gambar 2. Plot interaksi kekerasan kulit manggisTabel 5. Penyajian data kombinasi perlakuan 2 FaktorKekerasan Kombinasi Uji Kulit Manggis Perlakuan A2B1 A3B3 A2B3 A1B2 A1B3 A3B1 A3B2 A2B2 A1B1 d Penyajian dan Interpretasi Faktor Utama Saat Interaksi Berbeda NyataWeksi Budiaji79bahwa kombinasi perlakuan A1B1 berbeda dengan A1B2, sedangkan kombinasi perlakuan A1B2 sama dengan A1B3. Berbeda dengan Tabel 5 yang menampilkan data secara terurut berdasarkan rataan perlakuan, mencari rataan perlaku-an yang menonjol paling tinggi/ rendah pada Tabel 6 diperlukan waktu yang lebih lama. Perhatikan bahwa perbandingan pada baris dan kolom yang berbeda memungkinkan dalam Tabel 6, misalnya kombinasi perlakuan A1B3 sama dengan A3B1, karena uji lanjut diterapkan untuk kesembilan kombinasi perlakuan bukan uji lanjut per kolom atau per baris.Data R3F Arif et al., 2016Data riil kedua adalah R3F dari penelitian Arif et al. 2016. Ada tiga faktor utama yang terlibat yaitu lama fermentasi H 3 level, penambahan urea U 3 level, dan konsentrasi fermipan S 3 level. Respon yang diamati adalah kadar gula sebelum destilasi, kadar alkohol destilasi I, volume alkohol destilasi I, volume alkohol yang dihasilkan dengan kadar 99%, rendemen alkohol yang dihasilkan dengan kadar 99%. Contoh yang digunakan dalam artikel ini adalah kadar alkohol destilasi I. Hasil dari analisis sidik ragam menunjukkan bahwa interaksi ketiga faktor utama berbeda nyata, sehingga evaluasi penyajian dan interpretasi faktor utama 3a, 3b, dan 3c menunjukkan plot interaksi penambahan urea U dan konsentrasi fermipan S pada hari yang sama H1, H2, dan H3, sedangkan Gambar 3d, 3e, dan 3f adalah plot interaksi penambahan urea U Tabel 6. Penyajian data tabulasi silang 2 Faktor A1 A2 A3B1 d a cB2 bc dc dcB3 bc b bGambar 3. Plot interaksi lama fermentasi Hari, penambahan urea Urea, dan konsentrasi fermipan Starter terhadap kadar alkohol Informatika Pertanian, Vol. 29 Desember 2020 73 - 8280dan lama fermentasi H pada konsentrasi fermipan yang sama S1, S2, dan S3. Ada dua plot yang menunjukkan terjadinya interaksi tidak terurut pada faktor lama fermentasi tetap Gambar 3a dan 3c, sedangkan ketiga plot pada konsetrasi fermipan tetap mengindikasikan interaksi tidak terurut Gambar 3d, 3e, dan 3f.Berbeda dengan plot dua faktor Gambar 2 yang menunjukkan interaksi terurut jika tidak ada garis yang berpotongan, Gambar 3 belum tentu memiliki interaksi yang terurut walaupun tidak ada garis yang berpotongan. Kondisi tambahan pada tiga faktor untuk interaksi yang terurut selain garis tidak berpotongan adalah urutan garis pada tiap plot harus sama. Urutan penambahan urea pada Gambar 3b adalah U1, U2, U3, sedangkan Gambar 3a memiliki urutan yang berbeda yaitu U1, U3, U2. Jika Gambar 3a tidak memiliki titik potong tetapi urutannya adalah U1, U3, U2 maka interaksi yang terjadi adalah interaksi tidak terurut karena perbedaan urutan ini berakibat adanya garis potong antar 2 bidang yang berpotongan dari dua level yang berkebalikan urutannya dalam hal ini bidang U2 dan U3 berpotongan. Dengan demikian, Gambar 3 menunjukkan terjadinya interaksi tidak terurut sehingga prinsip marjinalitas mutlak berlaku sehingga faktor utama tidak dapat diinterpretasikan dan penyajian data berupa kombinasi perlakuannya jika dalam bentuk 7 memperlihatkan rataan kombinasi perlaku-an yang telah diurutkan. Penambahan kolom dapat dilakukan untuk menambah informasi tentang uji beda antar perlakuan. Uji beda antar kombinasi perlakuan tidak ditampilkan karena tidak adanya informasi tentang data di penelitian Arif et al. 2016. Tabulasi silang seperti pada Tabel 8 juga dapat dilakukan. Perhatikan bahwa perbandingan antar kombinasi perlakuan pada baris dan kolom yang berbeda memungkinkan dalam Tabel 8 jika ada uji lanjut karena uji lanjut diterapkan untuk keseluruhan 27 kombinasi 7. Penyajian data kombinasi perlakuan 3 FaktorKadar Alkohol KombinasiDestilasi I U1S2H1 Penyajian dan Interpretasi Faktor Utama Saat Interaksi Berbeda NyataWeksi Budiaji81Penggunaan "angka selajur yang diikuti oleh huruf kecil yang sama pada baris yang sama dan huruf kapital yang sama pada kolom yang sama tidak berbeda nyata berdasarkan uji lanjut" pada tabulasi silang Tabel 8 seperti pada Arif et al. 2016 tidak disarankan karena kalimat tersebut memunculkan kerancuan pada uji lanjut yang diterapkan. Frasa "baris yang sama" dan "kolom yang sama" memberi-kan arti bahwa perbandingan hanya dilakukan per baris atau per kolom yang mereduksi jumlah kombi-nasi perlakuan yang dibandingkan menjadi 3 untuk perbandingan per baris dan 9 untuk perbandingan per kolom. Langkah ini dapat dilakukan dengan catatan bahwa tingkat α per perbandingan dalam uji lanjut juga perlu disesuaikan sehingga pelaporan tingkat α yang digunakan tidak 6 dan 8 mempunyai persamaan bahwa kedua tabel ini bersumber dari tabel kombinasi perlakuan yang faktor utamanya memiliki interaksi tidak terurut, sehingga perbandingan rataan perlakuan pada baris dan kolom yang berbeda dimungkinkan. Praktek penggunaan kalimat "angka selajur yang diikuti oleh huruf kecil yang sama pada baris yang sama dan huruf kapital yang sama pada kolom yang sama tidak berbeda nyata berdasarkan uji lanjut" yang dilakukan oleh banyak peneliti seharusnya dihindari karena mengaburkan uji lanjut yang dilakukan uji lanjut diterapkan pada keseluruhan kombinasi perlakuan atau hanya pada kombinasi perlakuan per baris/kolom. Tingkat α juga menjadi tidak jelas karena perbedaan jumlah kombinasi perlakuan yang diuji. Jika interaksi yang terjadi adalah interaksi terurut, praktek penggunaan frasa "baris yang sama" dan "kolom yang sama" dapat dilakukan dengan catatan penting bahwa uji lanjut yang dilakukan adalah dengan mereduksi jumlah kombinasi perlakuan yang dibandingkan per baris/kolom. Penyesuaian tingkat α yang digunakan per baris/kolom juga diperlukan agar kesimpulan dan interpretasi dari faktor utama yang terlibat tidak membingungkan dan tidak ini mensimulasi data yang memiliki interaksi berbeda nyata pada saat kedua faktor utama berbeda nyata, salah satu faktor berbeda nyata, dan kedua faktor utama tidak berbeda nyata. Saat salah satu faktor berbeda nyata dan kedua faktor utama tidak berbeda nyata, prinsip marjinalitas mutlak berlaku sehingga interpretasi faktor utama tidak mungkin. Faktor utama dapat diinterpretasi lebih dari 50% pada saat kedua faktor utama berbeda nyata dan faktor utama memiliki jumlah level hanya dua. Saat jumlah level meningkat, peluang untuk menginterpre-tasikan faktor utama menjadi lebih kecil kurang dari 12% dengan jumlah level 3. Penyajian data dengan menggunakan tabel kombinasi perlakuan yang telah terurut rataannya akan mempermudah identikasi perlakuan yang menonjol dan memperjelas perban-dingan antar perlakuan dengan uji lanjut. Penggunaan tabel tabulasi silang juga dapat dilakukan yang memungkinkan perbandingan perlakuan antar baris/kolom. Penggunaan "angka selajur yang diikuti oleh huruf kecil yang sama pada baris yang sama dan huruf kapital yang sama pada kolom yang sama tidak berbeda nyata berdasarkan uji lanjut" pada tabulasi silang harus dihindari terutama saat interaksi yang terjadi adalah interaksi tidak terurut agar interpretasi, kesimpulan perbandingan antar perlakuan, dan tingkat α yang digunakan tidak menyesatkan. UCAPAN TERIMA KASIHPenulis mengucapkan terima kasih kepada Ibu Dr. Susianti, SP., MP, dan Bapak Putra Utama, SP, MP yang keduanya adalah dosen jurusan Agroeko-teknologi, Fakultas Pertanian, Universitas Sultan Ageng Tirtayasa atas ide dan motivasinya kepada Penulis untuk menulis artikel 8. Penyajian data tabulasi silang 3 Faktor S1 S2 S3U1 U2 U3 U2 U3 U2 U3 Informatika Pertanian, Vol. 29 Desember 2020 73 - 8282DAFTAR PUSTAKAAnderson, M. J. and P. J. Whitcomb. 2015. DOE Simplied Practical Tools for Eî””ective Experimentation, Third Edition 3rd ed.. CRC A. B., W. Diyono, A. Budiyanto, dan N. Richana. 2016. Analisis Rancangan Faktorial Tiga Faktor untuk Optimalisasi Produksi Etanol dari Molases Tebu. Informatika Pertanian 25 1 145– B. 2016. gridExtra Miscellaneous Functions for “Grid” Graphics. Retrieved from W. 2019. Penerapan Reproducible Research pada Rstudio dengan Bahasa R dan Paket knitr. Khazanah Informatika 51 1-5Fox, J. 2003. Eî””ect Displays in R for Generalised Linear Models. Journal of Statistical Software 8 15 1-27. Available from J. 2016. Applied Regression Analysis and Generalized Linear Models 3rd ed.. A., Felten, and B. Schmid. 2010. Analysis of variance with unbalanced data an update for ecology and evolution. Journal of Animal Ecology 79 308– L. S. and C. E Green. 2008. Analysis of variance is there a diî””erence in means and what does it mean?. Journal of Surgical Research 1441 158– R. L. 2018. Interaction Eî””ects in Linear and Generalized Linear Models Examples and Application using Stata. Sage, H. Y. 2014. Analysis of variance ANOVA comparing means of more than two groups. Restorative Dentistry and Endodontics 391 74– T. K. 2017. Understanding one-way ANOVA using conceptual gures. Korean Journal of Anesthesiology 70 1 22– J. A. 1977. A Reformulation of linear models. Journal of the Royal Statistical Society. Series A General 140 1 48– N. 2016. Analysis of variance to linear regression. American Journal of Orthodontics and Dentofacial Orthopedics 149 6 935– Core Team. 2015. R A Language and Environment for Statistical Computing. Available from Y. 2017. Pemanfaatan software open source r untuk penelitian agroklimat. Informatika Pertanian 26 1 23– S. F. 2009. Analysis of variance the fundamental concepts. Journal of Manual and Manipulative Therapy 17 2 Y. 2015. Kajian simulasi pendugaan umur simpan untuk menentukan kualitas buah manggis Garcinia Mangostana L.. Informatika Pertanian 24 2 257– I. M. N. 2015. Pengaruh interaksi dan nilai interaksi pada percobaan faktorial review. AGROTROP 51 9– H. 2016. ggplot2 Elegant Graphics for Data Analysis. Available from K. F., J. L. Helm, L. Castro-Schilo, M. Pluess, M. Stallings, and J. Belsky. 2012. Distinguishing Ordinal and Disordinal Interactions. Psychological Methods 17 4 615– X. 2015. Dynamic Documents with R and knitr. Chapman and Hall. ResearchGate has not been able to resolve any citations for this publication. Weksi BudiajiReproducible Research RR atau penelitian yang hasilnya dapat diulang sangat penting dalam sebuah penelitian karena peneliti lain dapat menjalankan ulang atau mengembangkan hasil penelitian sebelumnya dengan data dan kode yang telah tersedia. Rstudio sebagai integrated development environment IDE software R dan paket knitr menawarkan kemudahan untuk RR karena data dan kode dapat tersedia dengan mudah. Langkah pembuatan RR adalah pembuatan file .Rmd, penyesuaian meta data, penulisan teks dan kode chunk, dan rendering. Penerapan teks-kode, teks-tabel, dan teks-gambar pada sebuah contoh kasus artikel dengan Rstudio, software R dan paket knitr memberikan keuntungan yaitu penyesuaian hasil dan pengecekan yang lebih menghemat waktu jika terjadi perubahan data, cross reference yang mudah pada tabel dan gambar, dan kemudahan peneliti lain memanfaatkan data dan kode yang telah tersedia. Pengadopsian reproducible research data dan kode tersedia menjadi penting bagi seorang peneliti agar kontribusi terhadap keilmuan lebih efektif. Abdullah bin ArifBioethanol is a plant-based fuels potential as alternative materials to substitute fossil fuels which are non-renewable. The aim of this study is to get the optimal dose of Saccharomyces cerevisiae as starer, concentration of nitrogen urea and fermentation time for the production of bioethanol effectively and efficiently. This study was conducted at the Laboratory of Postharvest Research and Development Institute, Bogor from May to September 2015. The materials used are molasses of sugar cane. The experimental design used was a factorial design with 3 factors. The first factor was the treatment of fermentation time 1, 2 and 3 days. The second factor was the nitrogen concentration 0, 2 and 4 grams. The thirtd factor was the Saccharomyces cerevisiae concentration 1, and 2 grams. Each treatment was repeated twice. Observations were made on the characteristics of the raw materials total sugar content, ash content and calcium content and the resulting product total sugar content, alcohol content and yield. Data were analyzed using analysis of variance and Duncan Multiple Range Test DMRT. The results showed that the addition of starter Saccharomyces cerevisiae and treatment of urea 2 grams each produced the highest yield alcohol with a fermentation time of 3 Kyun KimAnalysis of variance ANOVA is one of the most frequently used statistical methods in medical research. The need for ANOVA arises from the error of alpha level inflation, which increases Type 1 error probability false positive and is caused by multiple comparisons. ANOVA uses the statistic F, which is the ratio of between and within group variances. The main interest of analysis is focused on the differences of group means; however, ANOVA focuses on the difference of variances. The illustrated figures would serve as a suitable guide to understand how ANOVA determines the mean difference problems by using between and within group variance differences.

44yYt. 298 37 237 381 36 444 426 240 119

penyajian hasil percobaan dalam bentuk tabel dan grafik bertujuan untuk