Dengan demikian skor komponen untuk genotipe adalah kolom-kolom
matriks G sedangkan skor komponen untuk lingkungan adalah kolom-kolom matriks L. Nilai q yang digunakan pada analisis AMMI adalah ½ .
Penentuan Banyaknya Komponen AMMI
Metode yang digunakan untuk menentukan banyaknya Komponen Utama Interaksi KUI yang dipertahankan dalam model AMMI Gauch 1988 dalam
Mattjik 2006 yaitu :
1. Metode Keberhasilan Total postdictive success
Metode ini berhubungan dengan kemampuan suatu model tereduksi untuk menduga data yang digunakan dalam membangun model tersebut. Sedangkan
banyaknya komponen AMMI sesuai dengan banyaknya sumbu KUI yang nyata pada uji-F analisis ragam. Untuk sumbu KUI yang tidak nyata digabungkan
dengan sisaan. Metode ini diusulkan oleh Gollob 1986 yang selanjutnya direkomendasikan oleh Gauch 1988 Mattjik, 2006. Tabel analisis AMMI
Tabel 2 merupakan perluasan dari tabel penguraian jumlah kuadrat interaksi
menjadi beberapa jumlah kuadrat KUI. Tabel 2 Tabel Analisis Ragam AMMI
Sumber Keragaman Derajat Bebas
Jumlah Kuadrat
Genotipe a-1 JKA
Lingkungan b-1 JKB
KelompokLingkungan bn-1 JKK|B
Genotipe ×
Lingkungan a-1b-1 JKAB
KUI
1
a+b-1-21 JKKUI
1
KUI
2
a+b-1-22 JKKUI
2
................... .............. ..............
KUI
m
a+b-1-2m JKKUI
m
Sisa a-1b-1 -
∑
=
− −
+
m k
k b
a
1
] 2
1 [
JKSisa Galat
ba-1n-1 JKG
Total abn-1
2. Metode Keberhasilan Ramalan predictive success
Metode ini berhubungan dengan kemampuan suatu model dugaan untuk memprediksi data lain yang sejenis tetapi tidak digunakan dalam membangun
model tersebut data validasi. Penentuan banyaknya sumbu komponen utama dilakukan dengan validasi silang yaitu membagi data menjadi dua kelompok,
satu kelompok untuk membangun model dan kelompok lain dipakai untuk validasi menentukan kuadrat selisih. Teknik ini dilakukan berulang-ulang,
pada tiap ulangan dibangun model dengan sumbu komponen utama. Banyaknya KUI terbaik adalah model dengan rataan akar kuadrat tengah sisaan root means
square different= RMSPD terkecil.
l g
x x
RMSPD
a g
b l
gl gl
. ˆ
1 1
2
∑∑
= =
− =
10
Interpretasi Model AMMI
Pengaruh interaksi genotipe ×
lingkungan digambarkan melalui Biplot AMMI-2. Kedekatan jarak antara genotipe dan lingkungan dan besar sudut yang
terbentuk dari kedua titik tersebut mencerminkan adanya interaksi yang khas diantara keduanya.
Kestabilan genotipe diuji dengan pendekatan selang kepercayaan sebaran normal ganda yang berbentuk ellips pada skor KUI-nya. Jika koordinat suatu
genotipe semakin dekat dengan pusat koordinatnya berarti genotipe tersebut semakin stabil terhadap perubahan lingkungan. Ellips dibuat dari titik pusat 0,0,
dengan panjang jari-jari ellips dapat diukur sebagai berikut Johnson Winchern 2002:
2 n
2, 1
1
F 2
n n
1 n
2
−
− −
= λ
r 11
2 n
2, 2
2
F 2
n n
1 n
2
−
− −
= λ
r 12
dengan : r
1
: jari-jari panjang pada sumbu KUI
1
r
2
: jari-jari pendek pada sumbu KUI
2
n : banyaknya pengamatan genotipe + lingkungan=a+b
L
: Nilai singular dari matriks koragam S
α
2 ,
2 −
n F
: nilai sebaran F dengan db
1
=2 dan db
2
=n-2 pada taraf =5 Dari Biplot AMMI-2 dapat diperoleh gambaran genotipe-genotipe yang
stabil dan spesifik lingkungan. Makin dekat jarak lingkungan dengan genotipe, atau semakin kecil sudut diantara keduanya, maka semakin kuat interaksinya.
Model Persamaan Struktural MPS
Model Persamaan Struktural MPS merupakan penggabungan logika konfirmasi faktor analisis, analisis ekonometrik dan analisis jalur Bollen KA
1989. MPS mempunyai dua komponen dasar. Pertama, model pengukuran didefinisikan sebagai hubungan antara peubah laten dan sekelompok peubah
penjelas yang dapat diukur langsung. Kedua model struktrural didefinisikan sebagai hubungan antara peubah laten yang tidak dapat diukur secara langsung.
Peubah-peubah tersebut dibedakan sebagai peubah eksogen dan peubah endogen. MPS terdiri dari beberapa peubah yang dikelopmokakan ke dalam 4 bagian
yaitu q peubah penjelas eksogen, p peubah penjelas endogen, n peubah laten eksogen, dan m peubah laten endogen. Peubah laten endogen dan peubah laten
eksogen mempunyai hubungan linier structural sebagai berikut :
B +
+ =
, 13
dengan : B
: matriks koefisien peubah laten endogen berukuran m x m Γ
: matriks koefisien peubah laten eksogen berukuran m x n
η
: vektor peubah laten endogen berukuran m x 1 ξ
: vektor peubah laten bebas berukuran n x 1 ζ
: vektor sisaan acak berkuran m x 1
Ada dua persamaan matrik yang digunakan untuk menjelaskan model pengukuran. Persamaan pertama untuk peubah penjelas endogen yaitu :
y
y
+ =
14
dengan :
y : vektor peubah penjelas endogen yang berukuran p x 1
y
: matrik koefisien yang mengindikasikan pengaruh peubah laten endogen terhadap peubah penjelas endogen yang berukuran p x m
: vektor peubah laten endogen berukuran m x 1 : vektor kesalahan pengukuran peubah penjelasendogen yang berukuran p
x 1 Dan persamaan kedua untuk peubah penjelas eksogen yaitu :
x
x
+ =
15 dengan :
x : vektor peubah penjelas eksogen yang berukuran q x 1
x
: matrik koefisien yang mengindikasikan pengaruh peubah laten eksogen terhadap peubah penjelas eksogen yang berukuran q x n
ξ
: vektor peubah laten eksogen berukuran n x 1 : vektor kesalahan pengukuran peubah penjelas eksogen yang berukuran q
x 1 Asumsi-asumsi MPS lengkap adalah :
1. Peubah-peubah diukur dari rata-ratanya sehingga E
=
x ,
E =
y dan
= =
E ;
2. antara faktor dengan kekeliruan saling bebas, =
E ;
3. Matriks kebalikan
-1
I - ada.
Berdasarkan asusmsi-asumsi tersebut struktur koragam MPS dirumuskan sebagai berikut:
yy yx
xy xx
’ -1
-1 -1
’ ’
’ y
y
\ [
’ -1
’ ’
’ x
y x
x
, ,
, =
, 16
Berdasarkan dimensi vektor peubah indikator
x
dan y sehingga dimensi
matriks koragam tersebut adalah p q
p q + ×
+ .
Pendugaan Parameter Dalam MPS
Prosedur-prosedur pendugaan parameter pada model MPS diperoleh dari relasi antara matriks koragam peubah indikator dengan parameter stuktural, atau
kaitan antara matriks koragam dan matriks koragam model implied
covariance matriks . Secara umum, semua metode pendugaan di arahkan
sedemikian sehingga kedua matriks “seidentik” mungkin atau selisih kedua matriks tersebut matriks sisagalat mendekati matriks nol.
Pembahasan metode pendugaan terlebih dahulu perlu dibahas suatu konsep yang sangat penting berkaitan dengan pendugaan atau estimasi, khususnya dalam
model MPS yaitu identifikasi model.
Identifikasi Model
Seperti sudah dijelaskan sebelumnya bahwa metode penaksiram dalam MPS bahwa prosedurnya selalu diarahkan kedekatan kedua matriks tersebut, yaitu
dan , dalam hal ini bahwa
merupakan vektor parameter model MPS. Matriks
dirumuskan oleh
’ ’
’ ’
’ ’
[ ]
y y
x x
y x
x ε
δ
+
=
+
-1 -1’
-1 ’
y -1
’
, ,
, ,
17
dan matriks koragam dengan formula sebagai berikut
yy yx
xy xx
18
Dapat dilihat bahwa matriks koragam model elemen-elemennya merupakan parameter-parameter model MPS. Matriks koragam
tidak tergantung kepada parameter. Jika p dan q masing-masing menunjukkan
banyaknya peubah indikator eksogen dan endogen, maka banyaknya parameter dalam
adalah 1
2 p
q p
q s
+ + +
= ,
19 juga dapat dipandang sebagai banyaknya persamaan yang harus diselesaikan.
Masalah akan lebih rumit jika banyaknya persamaan dalam matrik koragam ,
dan banyakanya parameter dalam matriks koragam tidak sama. Trade off antara kedua matriks ini dalam model MPS dikenal sebagai masalah identifikasi model
Bollen 1989; Joreskog Sorbom 1989, yang merupakan salah satu bagian kritis dalam pendugaan model MPS.
Masalah identifikasi model secara teknis berkaitan dengan apakah parameter dalam suatu model mempunyai solusi tunggal atau tidak Long 1983. Jika
banyaknya parameter dalam model MPS adalah t, maka : Df = s – t 20
merupakan besaran yang perlu mendapat perhatian df adalah derajat bebas. Jika nilai df = 0, maka model dikenal sebagai identified. Artinya banyakanya
persamaan sama dengan banyaknya parameter yang ditaksir sehingga diperoleh solusi tunggal
Berdasarkan pernyataan tersebut bahwa model yang tidak identified menghasilkan nilai-nilai Pendugaan yang sembarang atau banyak solusi dan hasil
Pendugaan-Pendugaan tersebut tidak berguna untuk diinterpretasikan. Jika s lebih besar daripada t, maka disebut overidentified dan berlaku sebaliknya dikenal
underidentified. Untuk kasus underidentified, yaitu parameter lebih banyak
daripada persamaan, maka perhitungan tidak dapat bekerja. Syarat perlu necessary condition agar perhitungan mempunyai solusi yaitu df =0. Syarat
cukup sufficient condition tidak dibahas karena melibatkan manipulasi aljabar yang relatif sulit dikemukaan.
Metode Pendugaan
Terdapat sejumlah metode pendugaan dalam MPS, maximum likelihood ML, dan weighted least square WLS.
Diketahui vektor pengamatan
x
dan y dengan ukuran 1
p q + ×
berdistribusi normal ganda dengan matriks koragam,
{ }
ij
σ =
, dan matriks koragam model diberikan oleh
{ }
ij
σ =
, di mana merupakan vektor
yang elemen-elemennnya adalah parameter-parameter model MPS. Pendugaan matriks koragam
{ }
ij
σ =
diberikan oleh
{ }
ij
s =
S yang menyatakan matriks
koragam sampel.
Penduga Maximum Likelihood ML
Metode pendugaan melalui Maximum Likelihood ML didasarkan kepada sisa atau galat, yaitu selisih kedua matriks,
ˆ ˆ
S - .
Metode kemungkinan
maksimum ML perlu diasumsikan bahwa vektor x dan y mengikuti distribusi
normal ganda. Fungsinya diberikan sebagai berikut: log
log
ML
F tr
p q
= Σ
+ −
− +
-1
6 6
21 θ
Σ adalah matriks koragam dari model populasi, S adalah matriks koragam
sample dari observasi. Sedangkan p+q adalah jumlah dari peubah penelitian. Nilai-nilai Pendugaan ˆ didapat sedemikian sehingga fungsi tersebut adalah
minimum.
Penduga Weighted Lease Square WLS
Metode pendugaan WLS dapat digunakan jika data tidak berdistribusi normal gandae. Fungsi kecocokan dari WLS adalah sebagai berikut Bollen
1989:
[ ]
[ ]
s W
s
1
− −
=
− ’
WLS
F 22
Dimana s adalah sebuah vektor dengan 1
2 1
+ +
+ q
p q
p elemennya
didapat dengan menempatkan elemen yang tidak sama dari matriks koragam
sampel S. adalah sebuah vektor yang elemennya berasal dari matriks
koragam populasi Σ
dengan ukuran1x 1
2 1
+ +
+ q
p q
p , dan
1
W
−
adalah
matriks bobot positif definit yang berukuran 1
2 1
+ +
+ q
p q
p x
1 2
1 +
+ +
q p
q p
.
Setiap elemen dari matriks W adalah Pendugaan matriks koragam asimtotik.
Koragam asimtotik
ij
s dengan
gh
s adalah:
gh ij
ijgh gh
ij
N s
s ACOV
σ σ
σ
− =
− 1
,
23 Penaksir dari
ijgh
σ adalah :
h ht
g gt
j jt
N t
i it
ijgh
Z Z
Z Z
Z Z
Z Z
N s
− −
− −
=
∑
= 1
1
24 dan penaksir dari
ij
σ dan
gh
σ adalah
j jt
N t
i it
ij
Z Z
Z Z
N s
− −
=
∑
= 1
1
25
h ht
N t
g gt
gh
Z Z
Z Z
N s
− −
=
∑
= 1
1
26
Dalam kasus ini, W=
-1
dan p+q adalah banyaknya peubah penjelas. Apapun fungsi yang dipilih, hasil yang diharapkan dari proses pendugaan adalah
fungsi penduga bernilai 0. Nilai fungsi penduga sebesar 0 berimplikasi bahwa model dugaan matrik koragam populasi dan matrik koragam contoh adalah sama.
Dugaan Parameter-Paramater MPS
Dugaan koefisien-koefisien model MPS, khusunya program paket LISREL ada tiga jenis yaitu: unstandardized US, standardized solution SS, dan
completely standardized solution SC. Dugaan US tidak ada manipulasi terhadap data mentah, jadi satuan pengukuran data tetap dimunculkan. SS terdapat
manipulasi sehingga simpangan bakunya untuk peubah laten adalah satu, sedangkan SC dengan memanipulasi data peubah-peubah indikator dan peubah
laten sehingga simpangan baku kedua jenis peubah tersebut sama dengan satu Jöreskog Sörbom 1993.
Pendugaan Efek Langsung, tidak Langsung, dan Total
Model-model MPS pada umumnya melibatkan hubungan antar peubah bisa langsung, atau tidak langsung terhadap peubah lainnya. Dugaan efek langsung,
tidak langsung, dan total dapat ditaksir dengan formula sebagai berikut Jöreskog Sörbom 1993:
Tabel 3 Efek Langsung, Tak Langsung dan Total Direct
B
Indirect
1 −
I - –
1 −
I - - I – B
Total
1 −
I -
1 −
I - - I
y y
Direct
y
Indirect
y 1
−
I -
y 1
−
I - -
y
Total
y 1
−
I -
y 1
−
I -
Parameter Fixed, Free, dan Constraint
Model-model MPS secara umum mengenal fixed, free, dan constrained untuk parameter-parameter pada elemen-elemen matriks,
,
x y
GDQ . Terdapat tiga jenis elemen-elemen tersebut
1. Fixed parameters yaitu memberikan nilai tertentu terhadap parameter. 2. Free parameters merupakan parameter yang ditaksir
3. Constrained parameters adalah tidak diketahui, tetapi sama dengan satu atau lebih parameter lainnya.
Evaluasi Model Persamaan Struktural
Suatu model yang diusulkan perlu dievaluasi terlebih dahulu, apakah model tersebut sesuai, cocok, pas fit atau tidak dengan data. Secara statistik dapat
dikatakan apakah matriks koragam teoritis S identik atau tidak dengan matriks
koragam empiris Σ
. Jika kedua matriks tersebut tidak identik, maka model teoritis tersebut dapat disimpulkan diterima secara Sempruna. Evaluasi kriteria
goness of fit bisa dilakukan secara inferensial atau deskriptif.
Untuk mengevaluasi kriteria goness of fit secara inferensial dapat digunakan statistik chi-square
2
χ . Rumusan hipotesisnya adalah sebagai
berikut:
≠ =
: :
1
H lawan
H
Jika H
diterima pada taraf signifikan tertentu, maka dapat diambil kesimpulan bahwa model diterima. Statistik untuk menguji hipotesis tersebut
adalah: θ
χ ˆ
1
2
xF n
− =
27 Statistik tersebut mendekati distribusi chi-kuadrat. Jika nilai
2
χ lebih besar
dari nilai kritis chi-kuadrat dengan taraf signifikansi ,
2
α χ
df maka
H ditolak. Sedangkan bila dievaluasi secara deskriptif digunakan:
1. GFI Godness of Fit Index Salah satu statistik uji deskriptif yaitu Godness of Fit Index GFI, nilainya
akan berada antara 0 dan 1. nilai yang lebih besar akan menunjukkan kecocokan yang lebih baik. Nilai GFI
9 ,
≥ mengindikasikan model fit.
Perumusannnya adalah Shaema,S.1996:158:
∑
− ∑
− =
− −
2 1
2 1
ˆ ˆ
1 S
tr I
S tr
GFI
28
2. Root Mean Square Error of Approximation RMSEA RMSEA merupakan nilai aproksimasi akar rata-rata kuadrat error. RMSEA
merupakan ukuran yang mencoba memperbaiki kecendrungan statistik chi- square menolak model dengan jumlah sampel besar. Nilai RMSEA antara
0,05 sampai 0,08 merupakan ukuran yang dapat diterima. Hasil empiris
RMSEA cocok untuk menguji model konfirmatori Bollen K.A and Curran
P.J. 1989. Rumusnya adalah:
2 1
2
+ −
=
∑∑
p p
S RMSEA
ij ij
σ 29
3. Adjusted Godness of Fit Indices ABFI
Ukuran ini merupakan perluasan dari indeks GFI, tetapi ukuran ini disesuaikan dengan rasio dari derajat bebas untuk model yang diusulkan
terhadap derajat bebas untuk model nol. Tidak ada nilai pasti untuk AGFI agar model fit, tetapi biasanya peneliti menggunakan batasan AGFI 0,9
yang menunjukkan model fit. Perumusannya dalah Sharma, S., 1996: GFI
df p
p AGFI
−
+
− =
1 2
1 1
30
Asumsi Normal Ganda
Andaikan X mengikuti distribusi normal ganda dengan vektor rata-rata
µ
dan matriks koragam Σ
, maka fungsi ddensitas dari X bisa ditulis :
2 2
1
1 ’
2 1
µ µ
π
− Σ
− −
−
Σ =
x x
p
e x
f 31
dimana p menunjukkan banyaknya peubah bebas X. Atau secara singkat bisa ditulis
Σ ,
~ µ
p
N x
Perhatikan bahwa µ
µ −
Σ −
−
x x
1 ’
pada persamaan fungsi distribusi normal gandae diatas merupakan kuadrat jarak dari x ke
µ
, atau lebih dikenal dengan jarak Mahalanobis, yaitu :
µ µ
− Σ
− =
−
x x
D
1 ’
2
32 Dalam analisis MPS jika pendugaan dilakukan dengan metode ML asumsi
normal ganda sangat diperhatikan. Untuk mendeteksi asumsi normal ganda bisa menggunakan:
Plot antara jarak Mahalanobis
2 i
D dan
Chi Square
2
χ Langkah-langkah untuk membuat plot antara jarak Mahalanobis dan Chi
Square adalah: 1. Hitung jarak Mahalanobis
2 i
D dari setiap data pengamatan, yaitu y
y S
y y
D
i i
i
− −
=
− 1
’ 2
, i =1,2,…,n 33
2. Urutkan nilai D
i
dari yang terkecil ke terbesar,
2 2
2 2
1
...
n
D D
D ≤
≤ ≤
3. Untuk setiap nilai D
i
, hitung nilai persentil dari Chi-Square, yaitu
− n
i 5
. .
4. Tentukan nilai
2
χ untuk persentil, diperoleh dari distribusi
2
χ dengan
derajat bebas = p, dimana p merupakan banyaknya peubah. Buat plot antara
2 i
D dan
2
χ . Jika membentuk garis lurus, maka data
dikatakan berdistribusi normal ganda. Johnson RA Wichern DW 1992
Uji Normal Ganda Mardia
Mengecek asumsi normal ganda dengan Q-Q plot dan kadang-kadang akan menjadi suatu hal yang subyektif dalam menentukan data mengikuti distribusi
normal ganda atau tidak. Untuk menangani hal tersebut Mardia 1970 memberikan suatu solusi dalam menentukan apakah suatu data mengikuti asumsi
distribusi normal ganda atau tidak dengan menggunakan uji berdasarkan ukuran
skewness dan ukuran kurtosis. Dengan asumsi bahwa x dan y saling bebas dan
mengikuti distribusi yang sama, dan dengan mengasumsikan bahwa ekspektasi dari
1,p
dan
2,p
ada, distribusi normal ganda secara umum mendefinisikan ukuran skewness sebagai berikut:
{ }
3 1
, 1
µ µ
β −
Σ −
=
−
y y
E
T p
34 dan ukuran kurtosis sebagai berikut:
{ }
2 1
, 2
µ µ
β −
Σ −
=
−
y y
E
T p
35 Untuk distribusi normal ganda
1,p
= 0 dan
2,p
= p p+2. Pada sampel berukuran n, Pendugaan dari
1,p
dan
2,p
diperoleh sebagai berikut:
∑∑
= =
=
n i
n j
ij p
g n
1 1
3 2
, 1
1 ˆ
β dan
∑ ∑
= =
= =
n i
i n
i ii
p
d n
g n
1 4
1 2
, 2
1 1
ˆ β
36 dengan g
ij
=
1
y y
S y
y
j n
T i
− −
−
37 dan d
i
=
ii
g adalah ukuran jarak Mahalanobis kuadrat dari sampel. Untuk data
normal ganda, diharapkan nilai dari
p ,
1
ˆ β
mendekati nol. Besaran
p ,
2
ˆ β
berguna untuk menunjukan sifat-sifat ekstrim dalam jarak kuadrat Mahalanobis pada
pengamatan dari rata-rata sampel. Nilai
p ,
1
ˆ β
dan
p ,
2
ˆ β
dapat digunakan untuk mendeteksi asumsi dari normal ganda. Untuk sampel besar telah membuktikan
bahwa Mardia 1970:
6 2
1 1
, 1
~ 6
ˆ
+ +
χ κ
= β
p p
p p
n
dan 38
{ }
{ }
2 2
1 ,
2
2 8
2 ˆ
κ =
+ +
− β
n p
p p
p
p
mengikuti distribusi normal baku 39
Besaran
1
κ dan
2
κ untuk menguji hipotesis nol pada uji normal ganda, jika
kedua hipotesis diterima maka asumsi normal untuk berbagai uji untuk vektor rata-rata dan matrik ragam-koragam dapat digunakan. Nilai peluang dari ukuran
kurtosis adalah satu dikurangi dengan nilaipeluang dari distribusi Chi-Square dengan derajat bebas
1
κ , pp+1p+26 dan nilai peluang dari ukuran kurtosis
adalah dua dikali dengan satu dikurangi nilai peluang normal baku untuk
2
κ .
BAHAN DAN METODE
Bahan
Data yang digunakan dalam penelitian ini adalah data pemuliaan Jagung Hibrida dari PT. Kreasidharma bekerjasama dengan Bioseed Inc yang telah
dilakukan mulai tanggal 23 Juli 2006 sampai 10 April 2007 pada musim hujan dan kemarau. Percobaan melibatkan 9 genotipe Jagung Hibrida Harapan dan 3
genotipe Jagung Hibrida Komersial. Dalam penelitian ini diambil data pada 16 lingkungan percobaan.
Tabel 1 Deskripsi Lokasi Penelitian No Propinsi Kecamatan
Desa Elevasi
m Musim 20062007
Kema- rau
Hujan 1
Jawa Tengah Banyodono Ketaon
190 L1
2 Sulawesi
Selatan Barru Kemiri 45
L2 3
Sulawesi Selatan
Moncongloe Moncongloe
Bulu 17
L3 4
Lampung Metro Timur
Yoso Mulyo 50 L14 L4
5 Lampung
Ratu Nuban Sido waras
35 L5
6 Jawa Timur
Kedung Mulyo
Brodot 60 L6
7 Jawa Timur
Tumpang Wringinsongo
540 L7 8
Sumatera Utara
Namo Rambe Kuta Tengah 95
L12 L8 9
Sumatera Utara
Sei Rampah Cempedak
Lobang 65
L9 10 Jawa Barat
Bogor Barat Pabuaran
260 L10
11 Jawa Tengah Gemblengan Kalikotes
190 L11
12 Sumatera
Utara Binjai Sambirejo
35 L13
13 Jawa Timur Ambulu
Pontang 10
L15 14 Jawa Timur
Tajinan Jambu Timur
465 L16
Tabel 2 Jenis Genotipe No. Genotipe
Asal Kelompok
A BIO 9900
Bioseed Harapan
B BIO 1263
Bioseed Harapan
C BIO 1169
Bioseed Harapan
D BC 42521
Bioseed Harapan
E BC 42683
Bioseed Harapan
F BC 41399
Bioseed Harapan
G BC 2630
Bioseed Harapan
H BC 42882 –A
Bioseed Harapan I
BIO 9899 Bioseed
Harapan J
BISI – 2 PT. BISI
Komersial K
P – 12 PT. Dupont
Komersial L
C 7 PT. Dupont
Komersial Tabel 3 Peubah yang Diamati
Peubah Yang Diamati Satuan
Umur Masak Fisiologis UMF Hari
Kadar Air saat panen KAP Berat Tongkol Panen BTK
TonHa Hasil HSL
TonHa Dalam penelitian ini, yang dijadikan kovariat genotipik adalah nilai rataan
dari usia masak fisiologis, rataan kadar air panen, dan rataan berat tongkol panen. Sedangkan kovariat lingkungan adalah tinggi lokasi TL dalam satuan meter, dan
musim dalam bentuk peubah boneka yaitu musim kemarau=0, dan musim hujan =1.
Metode Analisis 1.
Menetapkan model konseptual dari IGL Hasil
Model koseptual ditetapkan berdasarkan kajian literatur dan eksplorasi data dengan model yang akan diuji adalah :
Gambar 1 Hipotesis Penelitian Dengan :
UMF
I
: Skor Interaksi Usia Masak Fisiologis KAP
I
: Skor Interaksi Kadar Air Saat Panen BTK
I
: Skor Interaksi Berat tongkol panen HSL
I
: Skor Interaksi Hasil X
ij
: Kovariat
genotipik ×
lingkungan Hipotesis penelitian ini didasarkan pada penelitian yang dilakukan oleh
Nur et.al 2007. sebagai berikut : “Komponen hasil yang dapat dijadikan indikator stabilitas hasil adalah
jumlah tanaman dipanen, jumlah tongkol, bobot tongkol, dan kadar air. Komponen yang langsung menjadi indikator kestabilan hasil adalah bobot
tongkol panen”
Selain didasarkan pada studi literatur di atas, pengajuan hipotesis penelitian di atas didasarkan pula oleh kajian awal bahwa karakteristik usia masak fisiologis,
kadar air panen, berat tongkol panen memiliki kaitan paling erat dengan hasil.
2. Analisis struktur interaksi karakteristik agronomi usia masak fisiologis,