14_pengantar-statistik-evse-2010-nes-terbaru
TRANSCRIPT
Dr. Ir. Nugraha Edhi Suyatma, DEA
Ir. Budi Nurtama, MAgr
.
PENGANTAR ANALISIS DATA DALAM UJI
SENSORI
Departemen Ilmu dan Teknologi Pangan
Fakultas Teknologi Pertanian
Institut Pertanian Bogor
a) DiscriminationTriangle test, Duo-trio test, Two-out-of five-test, Paired comparison test, Ranking Test
b) DescriptiveFlavor profile, Textural profile and QDA
c) Affective Hedonic test, Scale tests, Rank preference, Paired preference test.
Metode untuk Evaluasi Sensori
Statistika Parametrik:• Menggunakan asumsi mengenai populasi• Membutuhkan pengukuran kuantitatif
dengan level data interval atau rasio
Statistika Non parametrik (distribution-free statistics for use with nominal / ordinal data):
• Menggunakan lebih sedikit asumsi mengenai populasi (atau bahkan tidak ada sama sekali)
• Membutuhkan data dengan level serendah-rendahnya ordinal (ada beberapa metode untuk nominal)
Review Statistika
Aplikasi Statistika
4
Statistik Deskriptif : Menjelaskan atau menggambarkan berbagai karakteristik data seperti berapa rata-rata, seberapa jauh data bervariasi
Statistik Induktif (Inferensi) : Membuat berbagai inferensi terhadap sekumpulan data yang berasal dari suatu sampel. Inferensi Melakukan perkiraan, peramalan, pengambilan keputusan
JENIS DATANominal Ordinal Interval Rasio
Bilangan menunjukkan perbedaan
Pengukuran dapat digunakan untuk membuat peringkat atau mengurutkan obyek
Perbedaan bilangan mempunyai arti
Mempunyai nol mutlak dan rasio antara dua bilangan mempunyai arti
TIPE SKALA PADA EVSE• Kategori (Category Scaling) Skala dari metode pengukuran dimana panelis
diminta menilai intensitas stimulus tertentu dengan menetapkan suatu nilai pada skala numerik yang terbatas (9 skala tingkat kesukaan) data ordinal / data interval
TIPE SKALA PADA EVSE• Garis (Line Scales) Skala yang menggunakan garis dimana panelis
diminta menilai intensitas stimulus tertentu dengan menandai garis tersebut data interval.
TIPE SKALA PADA EVSE• Magnitude Estimation Scaling Skala proporsi yang diperoleh dengan
membandingkan terhadap referensi (with or without modulus) data interval/rasio
METODE STATISTIKA UTK SENSORI
Peluang BinomialUji SegitigaUji Duo-TrioTwo-out-of-Five TestDirectional Difference Test
Analisis Khi-kuadrat (Chi-square Analysis)Same/Differentt,"A" - "not A" ,Acceptance Test
Analisis Friedman (Friedman Analysis), data ordinal/peringkatPairwise RankingSimple Ranking
METODE STATISTIKA UTK SENSORI
Uji t (Student’s t Test), populasi normal, data interval/rasio
Rating Approach TestUntuk Statistika nonparametrik: Uji Wilcoxon (~ pairs t-
test) atau Uji U Mann-Whitney (~ independent t-test)
Analysis of Variance (ANOVA),Difference-from-Control, Rating Approach Test• Statistika parametrik: randomized block design (data
interval, rasio)• Untuk nonparametrik: uji Kruskal-Wallis
(Completely random design) dan Friedman Test (Randomized block design)
Descriptives:• Qualitative Descriptive Analysis (QDA)• Multivariate analysis: PCA, Discriminant analysis, dll
PELUANG BINOMIAL
• Peluang binomial : suatu peluang yang berkaitan dengan percobaan (trials) yang hanya menghasilkan jawaban dua hal yang berlawanan misalnya ya/tidak, benar/salah, hitam/putih, laki/perempuan, dsb
• Terjadi pada: eksperimen yang terdiri atas n trials, dengan setiap trial mempunyai probabilitas sukses p (konstan)
untuk x = 0, 1, 2, ... , n n > 0 dan bilangan bulat 0 p 1
n = banyaknya ulangan (trials)p = peluang "sukses" pada sembarang ulangan
x n xnb (x n , p) = p (1 p)
x
XnxqpXnX
nXP
)!(!
!)(
PELUANG BINOMIAL
Contoh: TRIANGLE TEST
n = banyaknya panelis = 20
x = banyaknya panelis yang menjawab
dengan benar = 13
p = 1/3 = 0.333312
x=0
P (x 13) = 1 P (x < 12)
= 1 b (x 20 , 0.3333)
= 1 0.996
= 0.004
342 608 194
A A BChoose the sample that is most different
Uji Segitiga, p = 1/3
Uji Duo-Trio, p = 1/2
Two-out-of-Five Test, p = 1/10
• Dengan Tabel Standar
• Minimum Panelis agar Produk Beda Nyata
CHI-SQUARE ANALYSIS
O = frekuensi pengamatan (observed value)E = frekuensi harapan (expected value)
2hitung vs. 2
tabel
Tabel. Upper- probability points of 2
distribution
22 (O E) =
E
Membandingkan frekuensi kategori teoritis (expected) dari populasi, dengan frekuensi kategori aktual (observed), apakah sama atau tidak sama.
Penerapan Chi-Square
Penilaian Panelis
Sampel yang disajikan
TotalPasanganSama
(AA atau BB)
PasanganBeda
(AB atau BA)
Sama 17 9 26
Berbeda 13 21 34
Total 30 30 60
sirup dengan pemanis sintetis (sampel A) dibandingkan sirup dengan pemanis gula (sampel Bukan A). Lima belas panelis masing-masing mengevaluasi 2 pasangan sampel sama dan pasangan sampel beda.
Penerapan Chi-Square
Penilaian Panelis
Sampel yang disajikan
TotalPasanganSama
(AA atau BB)
PasanganBeda
(AB atau BA)
Sama 17 9 26
Berbeda 13 21 34
Total 30 30 60
26 x 30 34 x 30E 13 dan E 17sama beda60 60
2 2 2 22 (17 13) (9 13) (13 17) (21 17)
4.3413 13 17 17
2 tabel (=0.05, v= 2-1) = 3,84
Dua sampel berkaitan (Two-related samples)
: :
2
2
0 1
hitung tabel 0
hitung
dt
S / N
ddimana d =
N d = beda antar pasangan nilai
N = banyaknya pasangan nilai
dd
N S = N 1
Uji hipotesis : H d 0 vs. H d 0
t t H DITERIMA
t t
tabel 0H DITOLAK
Student's t Test
Dua sampel independen (Independent samples)
Student's t Test
tx x d
s n s n
1 2 0
12
1 22
2
( / ) ( / )
d0 = 1 - 2 = 0
v= n1 + n2 - 2
Dua sampel berkaitan (Two-related samples)
Untuk statistika nonparametrik
Uji Wilcoxon & U Mann-Whitney
Gunakan Uji Wilcoxon (seperti juga uji t) digunakan untuk menganalisis data pada 2 kelompok yang berkaitan
Dua sampel Independen Untuk statistika nonparametrikgunakan uji U Mann-Whitney
Jenis data untuk uji Wilcoxon dan U Mann-Whitney: serendah-rendahnya level ordinal (uji-t tidak bisa)
• n = banyaknya pasangan data• Urutkan perbedaan antara kedua data (d), dari yang
terkecil sampai yang terbesar, tanpa memperhatikan apakah perbedaan tersebut (-) atau (+)
• Jika perbedaan tersebut (-) maka peringkatnya juga diberi tanda (-)
• Perbedaan (d) yang bernilai 0 (apabila ada) diabaikan, dan banyak data (n) dikurangi sebanyak d yang bernilai 0
• Jumlahkan peringkat yang bertanda (-), sebut T-. Tanda (-) tidak ikut didalam perjumlahan
• Jumlahkan peringkat yang bertanda (+), sebut T+.• Statistik uji: T = min (T- dan T+)
Prosedur Uji Wilcoxon
ANALYSIS OF VARIANCE (ANOVA)
Data Rating Experimental Designs : - Randomized Complete Block
Design banyaknya perlakuan @ blok
Perlakuan (Treatments) > 2
APLIKASI ANOVAAnalisis Difference-from-Control Test
Manager R&D di PT.XYZ, ingin membandingkan 2 sampel saus A dan B dengan konsentrasi bahan pengental yang berbeda dengan sampel Kontrol (K) yang sudah existing. Panelis yang mengikuti uji adalah 15 orang. Setiap panelis mencoba sampel K terlebih dahulu kemudian membandingkan kekentalannya dengan 3 sampel (K, A, dan B) yang berkode. Skala penilaian adalah 0 = tidak berbeda s/d 9 = amat sangat berbeda. Dengan hasil yang ditabulasikan berikut ini, apakah terdapat perbedaan diantara ketiga sampel pada taraf 5% ? Jika benar berbeda, sampel mana yang berbeda dengan sampel kontrol (K) ?
APLIKASI ANOVAAnalisis Difference-from-Control Test
Panelis Sampel K Sampel A Sampel B1 0 3 42 3 3 43 4 3 74 1 1 55 5 4 96 3 2 57 2 4 68 4 4 89 0 5 2
10 1 3 511 6 4 312 2 4 713 3 5 314 4 6 515 0 3 2
Tabel ANOVA RCBDRandomized Complete Block
DesignSumberKeragaman
derajatbebas (db)
JumlahKuadrat
(JK)
KuadratTengah
(KT)Fhitung
Sampel (perlakuan)
(s-1) JKS JKS / (s-1) KTS / KTG
Panelis (blok) (p-1) JKP JKP / (p-1) KTP / KTG
Galat (Error) (s-1) (p-1) JKG JKG / (s-1)(p-1)
Total (sp-1) JKT
Tabel ANOVA RCBDRandomized Complete Block
DesignFaktor koreksi (FK) = (Total skor)2 / (Sampel x Panelis)
Jumlah kuadrat sampel (JKS) = (Subtotal skor @ sampel)2/(Panelis) – FK
Jumlah kuadrat panelis (JKP) = (Subtotal skor @ panelis)2/(Sampel) – FK
Jumlah kuadrat total (JKT) = (@ skor)2 – FK
Jumlah kuadrat galat (JKG) = JKT – JKS – JKP
s = banyaknya sampel KTS = Kuadrat Tengah Sampel
p = banyaknya panelis KTP = Kuadrat Tengah Panelis
KTG = Kuadrat Tengah Galat
Tabel ANOVA RCBDRandomized Complete Block
DesignPanelis Sampel K Sampel A Sampel B Total baris
1 0 3 4 72 3 3 4 103 4 3 7 144 1 1 5 75 5 4 9 186 3 2 5 107 2 4 6 128 4 4 8 169 0 5 2 7
10 1 3 5 911 6 4 3 1312 2 4 7 1313 3 5 3 1114 4 6 5 1515 0 3 2 5
Total kolom 38 54 75 167
Tabel ANOVA RCBDRandomized Complete Block
DesignFaktor koreksi (FK) = (167)2 / (4 x 15) = 619.756
Jumlah kuadrat sampel (JKS) = (382 + 542 + 752) / (15) – 619.756 = 45.911
Jumlah kuadrat panelis (JKP) = (72 + 102 + … + 52) / (3) – 619.756 = 65.911
Jumlah kuadrat total (JKT) = (02 + 32 + 42 + … + 02 + 32 + 22) – 619.756
= 179.244
Jumlah kuadrat galat (JKG) = 179.244 – 45.911 – 65.911 = 67.422
Tabel ANOVA yang diperoleh
SumberKeragaman
derajatbebas (db)
JumlahKuadrat (JK)
KuadratTengah (KT) Fhitung
Sampel (perlakuan) 2 45.911 22.956 9.533Panelis (blok) 14 65.911 4.708 1.955Galat (Error) 28 67.422 2.408Total 44 179.244
Pembacaan Nilai F Tabel -- = 0.05Untuk sampel : v1 = 2 dan v2 = 28 diperoleh nilai Ftabel = 3.34
Kesimpulan :Nilai Fhitung sampel (=9.533) > Ftabel (=3.34).Jadi ada perbedaan diantara sampel pada taraf 5% dan perlu dilanjutkan dengan uji Dunnett
Tabel Nilai Kritis Sebaran F0.05 ( v1 , v2 ) v1 : db pembilang v2 : db penyebut
v1
v2
1 2 3 4 5 6 7 8 9 10 12 15 20
1 161.4 199.5 215.7
224.6 230.2 234.0 236.8 238.9 240.5 241.9 243.9 245.9 248.0
2 18.51 19.00 19.16
19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.41 19.43 19.45
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.74 8.70 8.66
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.91 5.86 5.80
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.68 4.62 4.56
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.00 3.94 3.87
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.57 3.51 3.44
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.28 3.22 3.15
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.07 3.01 2.94
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.91 2.85 2.77
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.79 2.72 2.65
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.69 2.62 2.54
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.60 2.53 2.46
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.53 2.46 2.39
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.48 2.40 2.33
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.42 2.35 2.28
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.38 2.31 2.23
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.34 2.27 2.19
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.31 2.23 2.16
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.28 2.20 2.12
28 3.34
Uji Lanjut Dunnett
Kedua sampel yang dibandingkan dengan sampel Kontrol yg jelas lebih kental; jadi menggunakan uji satu sisi (t berekor satu).Untuk = 0.05, k = 3, dferror = 28 diperoleh nilai D = 1.997 (interpolasi 2.01 – 1.99 pada dferror = 24 – 30).Nilai KTG = 2.408 dan n = 15.Besarnya selang uji = Rataan sampel Kontrol = 2.53,sampel A = 3.60 dan sampel B = 5.00.• Sampel A - Kontrol = 3.60 – 2.53 = 1.07 < 1.132 Sampel
A tidak berbeda nyata kekentalannya dengan Kontrol pada taraf 5%.
• Sampel B - Kontrol = 5.00 – 2.53 = 2.47 > 1.132 Sampel B secara signifikan lebih kental dibanding dengan Kontrol pada taraf 5%.
dferror k = number of treatment means, including control
2 3 4 5 6 7 8 9 10
20 0.050.01
1.722.53
2.032.81
2.192.97
2.303.08
2.393.17
2.463.23
2.513.29
2.563.34
2.603.38
240.050.01
1.712.49
2.012.77
2.172.92
2.283.03
2.363.11
2.433.17
2.483.22
2.533.27
2.573.31
300.050.01
1.702.46
1.992.72
2.152.87
2.252.97
2.333.05
2.403.11
2.453.16
2.503.21
2.543.24
40 0.050.01
1.682.42
1.972.68
2.132.82
2.232.92
2.312.99
2.373.05
2.423.10
2.473.14
2.513.18
60 0.050.01
1.672.39
1.952.64
2.102.78
2.212.87
2.282.94
2.353.00
2.393.04
2.443.08
2.483.12
120 0.050.01
1.662.36
1.932.60
2.082.73
2.182.82
2.262.89
2.322.94
2.372.99
2.413.03
2.453.06
∞ 0.050.01
1.642.33
1.922.56
2.062.68
2.162.77
2.232.84
2.292.89
2.342.93
2.382.97
2.423.00
Tabel 10. Critical Values of the Dunnett Test for Comparing Treatment Means with a Control (One-tailed comparisons).
Uji Kruskal-Wallis
• Statistika Parametrik: ANOVA RCBD.– Asumsi: populasi terdistribusi normal, data interval atau
rasio• Statistika Nonparametrik: uji Kruskal-Wallis.
– Asumsi: populasi tidak harus terdistribusi normal, data serendah-rendahnya peringkat (ordinal) MISALNYA untuk kasus sebelumnya: panelis hanya diminta meranking: kontrol, sampel A dan B.
• Asumsi lain pada Uji Kruskal-Wallis:– Tidak ada interaksi antara blok dan treatment
(Independent)– Lebih dari 2 kelompok yang diuji– Untuk Completely random Design
Uji HEDONIK
• Suatu uji hedonik yang diikuti oleh 30 panelis
dilakukan untuk menguji kesukaan panelis
terhadap 4 sampel kue kering (A, B, C, dan D).
Skala kesukaan yang digunakan adalah structured
scaling (1 = amat sangat tidak suka, 2 = sangat
tidak suka, …, 5 = biasa, …, 8 = sangat suka, 9 =
amat sangat suka). Apakah ada perbedaan
diantara keempat sampel pada taraf 5% ? Jika
benar, lakukan uji lanjutnya.
Uji HEDONIK
• Data diolah dengan menggunakan ANOVA
untuk Rancangan Blok Acak Lengkap sama
seperti dalam Difference-from-Control Test;
sedangkan uji lanjutnya dapat memilih salah
satu Multiple Comparison Tests, misalnya uji
LSD, Duncan, Tukey, ataupun yang lainnya.
• Jika hanya 2 sampel yang diuji, gunakan Uji t.
Tabel ANOVASumber
Keragamanderajat
bebas (db)Jumlah
Kuadrat (JK)Kuadrat
Tengah (KT) Fhitung
Sampel (perlakuan) 3 169,092 56,364 33,097
Panelis (blok) 29 119,075 4,106 2,411
Galat (Error) 87 148,158 1,703
Total 119 436,325
Pembacaan Tabel Nilai Kritik F untuk = 0.05, Untuk sampel : v1 = 3 dan v2 = 87 diperoleh nilai Ftabel = 2.733 (interpolasi 2.76 – 2.68 pada v2 = 60 – 120).
UJI PEMERINGKATAN(SIMPLE RANKING TEST)
• Divisi R & D suatu industri pangan ingin mengetahui peringkat produk sosisnya (A) jika dibandingkan dengan 3 produk pesaingnya (B, C, dan D). Uji pemeringkatan dilakukan untuk tujuan tersebut dengan Rancangan Blok Acak Lengkap (Randomized Complete Block Design) yaitu rancangan yang disusun berdasarkan perlakuan dan blok (pengelompokan terhadap perlakuan). Ada 13 panelis dimana setiap panelis memeringkat 1 s/d 4 terhadap atribut rasa dari 4 sampel yang disajikan. Peringkat 1 untuk sampel yang paling disukai sedangkan peringkat 4 untuk sampel yang paling tidak disukai. Tidak diperbolehkan ada peringkat yang sama.
UJI PEMERINGKATAN(SIMPLE RANKING TEST)
Panelis Sampel A Sampel B Sampel C Sampel D1 1 2 4 32 1 2 3 43 3 2 4 14 1 3 2 45 2 3 4 16 3 2 4 17 1 3 2 48 2 3 4 19 1 2 4 3
10 1 2 3 411 2 1 3 412 1 2 3 413 1 3 4 2
Rank sum (R) 20 30 44 36
Uji Friedman digunakan untuk mengolah data karena level datanya adalah Ordinal dan merupakan Randomized Block Design.
FRIEDMAN TEST
1t3p R1tpt
12 T 2
p = banyaknya panelist = banyaknya perlakuanR = jumlah peringkat setiap perlakuanPembacaan nilai kritik 2 menggunakan data = 0.05 dan v = t 1
14.17 1413*3 3644302014*4*13
12 T 2222
Nilai kritik 2 dengan db = 3 pada taraf 0.05 adalah 7.81
FRIEDMAN TESTKesimpulan Uji Friedman :Nilai T > nilai kritik 2 jadi berarti ada perbedaan peringkat kesukaan diantara keempat sampel pada taraf 5 %.Urutan R sampel terbesar – terkecil : C (=44) – D (=36) – B (=30) – A (=20)RC – RA = 44 – 20 = 24 > LSDrank → C ≠ ARC – RB = 44 – 30 = 14 > LSDrank → C ≠ BRC – RD = 44 – 36 = 8 < LSDrank → C = DRD – RA = 36 – 20 = 16 > LSDrank → D ≠ ARD – RB = 36 – 30 = 6 < LSDrank → D = BRB – RA = 30 – 20 = 10 < LSDrank → B = AC D B A
Quantitative Descriptive Analysis
• Analisis jaring laba-laba (spider web analysis)• Statistika lanjut dengan multivariate analysis
• Diagram Laba-laba - paling sederhana
Contoh KasusUji kesukaan terhadap 2 produk es krim (A dan B) yang diikuti oleh 7 panelis terlatih. Sebanyak 6 atribut ditanyakan kepada setiap panelis. Garis sepanjang 15 cm digunakan untuk setiap atribut. Berikut ini tabulasi data penilaian ketujuh panelis.
TAMPILAN DATA YANG DIPEROLEH:
RATA-RATA DATA YANG DIPEROLEH:
ANALISIS MULTIVARIAT
• Analisis terhadap lebih dari dua variabel secara simultan
• Merupakan perluasan dari analisis Univariat (uji t) dan Bivariat (korelasi, regresi sederhana atau hubungan variabel Y dan X)
• Variat: dapat didefinisikan sebagai suatu kombinasi linier dari variabel² dgn persamaan regresi berganda:
• Nilai variat = w1.X1 + w2.X2 + w3.X3+...... + wn.Xn
METODE ANALISIS MULTIVARIAT
• Regresi berganda, analisis diskriminan, analisis faktor, cluster, principal component analysis (PCA) dll.
KEUNGGULAN MULTIVARIAT
• Dapat menghitung lebih dari dua variabel secara bersama-sama (simultan)
• Banyak penelitian selalu melibatkan banyak variabel
• Contoh: perilaku konsumen terhadap produk baru akan melibatkan banyak variabel spt: harga, motivasi beli, pengaruh lingkungan, kualitas produk, pendapatan, jenis kelamin, dll.
KLASIFIKASI METODE MULTIVARIAT
• Analisis untuk kasus yang memiliki variabel dependen dan independen: metode multivariat yg dipakai adalah regresi berganda, analisis diskriminan, korelasi kanonik, Manova, analisis Conjoint atau SEM.
• Analisis pada kasus yang bersifat interdependence, yang ditandai dengan tidak adanya variabel bebas maupun bergantung: metode yg dipakai adalah Analisis faktor, analisis Cluster, dan analisis caterogical.
Pada Evaluasi sensori dan survei konsumen: umumnya variabel bersifat bebas sehingga Analisis Faktor, analisis cluster dan categorical lbh sering dipakai.
1. ANALISIS FAKTOR
• Tujuan:
1.Data summarization, yaitu mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi. Jika korelasi dilakukan antar variabel (dlm pengertian SPSS adalah Kolom) disebut R Factor Analysis. Jika dilakukan antar responden (sampel) disebut cluster analysis atau Q factor analysis.
2.Data reduction, membuat sebuah variabel set baru yg dinamakan faktor.
Jumlah sampel yg dianjurkan lebih dari 50 sampel.
Multiple Comparison Test • Uji pembandingan nilai-nilai tengah
perlakuan
• Uji lanjut (posthoc tests) dari ANOVA jika terdapat hasil yang signifikan (hipotesis H0 ditolak)
• Beberapa uji adalah :
1. Uji BNT (LSD, Least Significance Difference)
2. Uji Perbandingan Berganda Duncan (Duncan's Multiple Range Test)
3. Uji Perbandingan thd Kontrol (uji Dunnett)
• Uji Dunnett (perbandingan dg kontrol)Selang Uji = D 2 KTG banyaknya panelis
Multiple Comparison Test • Uji LSD
• Uji Duncan
,db galat2 KTG
LSD t n
p
KTGMultiple ranges = r
n
REFERENCES O’Mahony, M. 1986. Sensory Evaluation
of Food. Marcel Dekker, Inc., New York, U.S.A.
Meilgaard, M., Civille, G.V., dan Carr, T. 1999. Sensory Evaluation Techniques. CRC Press, Florida, U.S.A.
Santosa, S. 2005. Menggunakan SPSS untuk Statistik Non Parametrik. Elex Media Komputindo, Jakarta.
Simamora, B. 2005. Analisis Multivariate Pemasaran. Gramedia Pustaka Utama, Jakarta.
Uyanto, S. S. 2006. Pedoman Analisis Data dengan SPSS. Graha Ilmu, Jakarta. (recommended)