 Daftar Isi

 Kumpulan Slide

 Tutorial

 Download

 About SmartStat
Search: typ Cari

RANCANGAN ACAK KELOMPOK LENGKAP (RAKL)

54 KomentarPosted by smartstat pada Oktober 22, 2009

Pendahuluan
Unit percobaan dalam RAL selalu diasumsikan homogen. Pada kenyataannya hal tersebut belum tentu benar,
sehingga diperlukan metode lain yang bisa menguraikan keragaman tersebut. Apabila kita melakukan percobaan
pada sebidang tanah yang mempunyai tingkat kesuburan berbeda, maka pengaruh perlakuan yang kita anggap
berasal dari perlakuan yang kita cobakan bisa saja tidak benar, sehingga membuat Kesalahan Tipe I. Apabila hal
ini terjadi, maka keragaman tambahan yang berasal dari perbedaan tingkat kesuburan tanah ini dalam RAL akan
dimasukkan ke dalam JKG (Within) sehingga KTG akan semakin besar dan F (KTP/KTG) akan semakin kecil,
akibatnya percobaan tidak sensitif lagi. Akhirnya, apabila kita melakukan pengulangan perlakuan pada lokasi
yang mempunyai keragaman berbeda (tidak homogen), maka keragaman tambahan tersebut perlu disingkirkan
dari analisis sehingga kita lebih fokus pada keragaman yang ditimbulkan oleh perlakuan yang kita cobakan saja.
Apabila faktor kelompok disertakan dalam rancangan, kita dapat mengcapture keragaman yang disebabkannya
ke dalam JK Blok. Proses tersebut akan mengurangi JK Within (Error), bandingkan dengan Rancangan Acak
Lengkap.

Rancangan Acak Kelompok adalah suatu rancangan acak yang dilakukan dengan mengelompokkan satuan
percobaan ke dalam grup-grup yang homogen yang dinamakan kelompok dan kemudian menentukan perlakuan
secara acak di dalam masing-masing kelompok. Rancangan Acak Kelompok Lengkap merupakan rancangan
acak kelompok dengan semua perlakuan dicobakan pada setiap kelompok yang ada. Tujuan pengelompokan
satuan-satuan percobaan tersebut adalah untuk membuat keragaman satuan-satuan percobaan di dalam
masing-masing kelompok sekecil mungkin sedangkan perbedaan antar kelompok sebesar mungkin. Tingkat
ketepatan biasanya menurun dengan bertambahnya satuan percobaan (ukuran satuan percobaan) per
kelompok, sehingga sebisa mungkin buatlah ukuran kelompok sekecil mungkin. Pengelompokan yang tepat akan
memberikan hasil dengan tingkat ketepatan yang lebih tinggi dibandingkan rancangan acak lengkap yang
sebanding besarnya.

Keuntungan rancangan acak kelompok adalah:

 Lebih efisien dan akurat dibanding dengan RAL

 Pengelompokan yang efektif akan menurunkan Jumlah Kuadrat Galat, sehingga akan meningkatkan
tingkat ketepatan atau bisa mengurangi jumlah ulangan.
 Lebih Fleksibel.
  Banyaknya perlakuan
 Banyaknya ulangan/kelompok
 tidak semua kelompok memerlukan satuan percobaan yang sama
 Penarikan kesimpulan lebih luas, karena kita bisa juga melihat perbedaan diantara kelompok

Kerugiannya adalah:

 Memerlukan asumsi tambahan untuk beberapa uji hipotesis

 Interaksi antara Kelompok*Perlakuan sangat sulit
 Peningkatan ketepatan pengelompokan akan menurun dengan semakin meningkatnya jumlah satuan
percobaan dalam kelompok
 Derajat bebas kelompok akan menurunkan derajat bebas galat, sehingga sensitifitasnya akan menurun
terutama apabila jumlah perlakuannya sedikit atau keragaman dalam satuan percobaan kecil (homogen).
 Memerlukan pemahaman tambahan tentang keragaman satuan percobaan untuk suksesnya
pengelompokan.
 jika ada data yang hilang memerlukan perhitungan yang lebih rumit.

Seperti diuraikan di atas, suksesnya pengelompokan dalam Rancangan Lingkungan RAK memerlukan
pemahaman tambahan tentang keragaman satuan percobaan. Kita harus bisa mengidentifikasi arah keragaman
tersebut, sehingga Variabel Pengganggu (Nuisance factor /disturbing factor) bisa diminimalisir. Nuisance factor
adalah setiap faktor/variabel diluar perlakuan yang akan berpengaruh terhadap respons. Berikut ini merupakan
panduan dalam mengidentifikasi faktor tersebut, yang bisa dijadikan acuan dalam pembuatan
kelompok/pengelompokan.
Variabel Pengganggu Unit percobaan
 Perbedaan arah kesuburan Petak percobaan
 Perbedaan arah kandungan
air/kelembaban
 Perbedaan kemiringan
 Perbedaan komposisi tanah

 Arah terhadap sudut penyinaran matahari Rumah kaca

 Aliran air
 Penyebaran panas/suhu

 Umur Pohon
 Kepadatan

 Jenis kelamin Orang/Partisipan

 Usia
 IQ
 Pendapatan
 Pendidikan
 Sikap

 Waktu pengamatan
 Lokasi
 Bahan Percobaan
 Alat pengukur

Cara Pengacakan dan Denah Percobaan Rancangan Acak

Kelompok Lengkap

Langkah-langkah pengacakan dalam RAKL sama seperti pada RAL dengan kelompok sebagai ulangan. Perhatikan
Gambar di bawah ini. Pengelompokan dilakukan tergak lurus terhadap arah keragaman sehingga keragaman
pada masing-masing kelompok yang sama relatif lebih kecil. Daerah percobaan di dalam setiap kelompok dibagi
ke dalam jumlah yang sesuai dengan jumlah perlakuan yang akan dicobakan.

Gambar 1.1 Contoh pengelompokan petak percobaan

Sebelum pengacakan, bagilah daerah percobaan atau satuan percobaan ke dalam beberapa kelompok sesuai
dengan jumlah ulangan. Setiap kelompok kemudian dibagi lagi menjadi beberapa petak yang sesuai dengan
banyaknya perlakuan yang akan dicobakan. Pengacakan dilakukan secara terpisah untuk setiap kelompok,
karena dalam RAK perlakuan harus muncul satu kali dalam setiap ulangan. Misal percobaan dengan 6 perlakuan
(A, B, C, D, E, F) dan 4 kelompok. Cara yang lebih sederhana dengan melakukan pengundian. Buat 6 gulungan
kertas, kemudian pada setiap kertas tulis satu kode perlakuan yang akan dicoba dari kode A sampai F. Lakukan
pengundian tanpa pemulihan untuk kelompok I. Setelah selesai melakukan pengundian untuk kelompok I,
lakukan hal yang sama untuk kelompok II dan seterusnya.

Sebenarnya, proses pengacakan akan lebih mudah dan praktis apabila kita menggunakan bantuan komputer,
misalnya dengan menggunakan Angka Acak (dalam Microsoft Excel misalnya dengan menggunakan fungsi
RAND()). Berikut ini diberikan contoh pengacakan dengan menggunakan Ms Excel. Langkah pengerjaan
detailnya hampir mirip dengan proses pengacakan pada RAL (lihat proses pengacakan pada RAL dengan
menggunakan bantuan MS Excel).

1. Buat Tabel yang terdiri dari 4 kolom, No; Perlakuan; Kelompok; Angka Acak. Kolom Nomor hanya sebagai
referensi dan tidak dilakukan pengacakan sehingga jangan disorot (Blok). Banyaknya perlakuan dan
Kelompok sesuai dengan Rancangan Perlakuan. Untuk contoh kasus di atas, bentuk tabelnya seperti pada
Gambar …a. Selanjutnya Sorot Kolom Perlakuan, Kelompok, dan Angka Acak, lakukan sortasi berdasarkan
hierarki berikut: Pengurutan pertama berdasarkan Kelompok, dan kedua berdasarkan Angka Acak
(Gambar …b).
 Gambar …

1. Hasil pengacakannya tampak seperti pada Gambar berikut: Perhatikan Urutan Kelompok tetap
dipertahankan, yang berubah adalah Urutan Acak dari Perlakuan. Tempatkan Urutan acak tersebut sesuai
dengan kelompoknya (atau tempatkan Kode Perlakuan berdasarkan Nomor yang telah kita buat
sebelumnya pada Denah Percobaan. Awas.., penomoran pada denah percobaan harus diurutkan
berdasarkan kelompok, No 1-6 ditempatkan pada Kelompok I, 7-12 pada kelompok II dst.).
 Gambar 1.1 Denah Percobaan Rancangan Acak Kelompok Lengkap

Tabulasi data untuk rancangan acak kelompok dari hasil pengacakan di atas disajikan sebagai berikut :

Tabel 3.1. Tabulasi Data Dari Hasil Percobaan Dengan Menggunakan

Rancangan Acak Kelompok Lengkap
Perlakuan (t) Kelompok (r) Total Perlakuan
1 2 3 4 (Yi.)
1 Y11 Y12 Y13 Y14 Y1.
2 Y21 Y22 Y23 Y24 Y2.
3 Y31 Y32 Y33 Y34 Y3.
4 Y41 Y42 Y43 Y44 Y4.
5 Y51 Y52 Y53 Y54 Y5.
6 Y61 Y62 Y63 Y64 Y6.
Total Kelompok (Y.j) Y.1 Y.2 Y.3 Y.4 Y..
Model Linier Rancangan Acak Kelompok Lengkap

Model linier RAK dengan banyaknya kelompok (ulangan ) k dan banyaknya perlakuan t adalah:

dimana i =1,2,…,t dan j = 1,2,…,r

Dengan:

Yij = pengamatan pada perlakuan ke-i dan kelompok ke-j

μ = mean populasi

τi = pengaruh aditif dari perlakuan ke-i

βj = pengaruh aditif dari kelompok ke-j

εij = pengaruh acak dari perlakuan ke-i dan kelompok ke-j

Asumsi:
Pengaruh perlakuan tetap Pengaruh perlakuan acak

Hipotesis:
Hipotesis yang Akan Diuji: Pengaruh perlakuan tetap Pengaruh perlakuan acak

H0 Semua τi = 0 στ2 = 0
(i = 1, 2, …, t) (tidak ada keragaman dalam populasi perlakuan)
H1 Tidak semua τi = 0 στ2 > 0
(i = 1, 2, …, t) (ada keragaman dalam populasi perlakuan)

Analisis Ragam:
Parameter Penduga
μ
βij
τi
 εi
Refresentasi data dari model linier Yij = μ + τi + βj + εij adalah sebagai berikut:

Keragaman totalnya dapat diuraikan sebagai berikut :

Sehingga persamaan Jumlah kuadratnya menjadi:

Atau: JKT = JKK + JKP + JKG.

Jadi,

Jumlah kuadrat total (JKT) = Jumlah kuadrat kelompok (JKK) + Jumlah kuadrat perlakuan (JKP) + Jumlah
kuadrat galat (JKG)
Definisi Pengerjaan
FK

JKT

JKK

JKP

JKG

Tabel analisis ragam bagi rancangan acak kelompok lengkap dengan pengaruh kelompok tetap adalah sebagai
berikut :

Tabel 3.2. Analisis Ragam Rancangan Acak Kelompok Lengkap Dengan

Pengaruh Kelompok Tetap
Sumber Jumlah Derajat Kuadrat E(KT)
Keragaman Kuadrat Bebas (db) Tengah
(SK) (JK) (KT)
Perlakuan tetap Perlakuan acak
Kelompok JKK r-1 KTK

Perlakuan JKP t-1 KTP

Galat JKG (r-1)(t-1) KTG σ2 σ2

Total JKT rt-1

Statistik uji yang digunakan untuk pengujian di atas adalah:

dengan kaidah keputusan pada taraf nyata α sebagai berikut :

Apabila terima H0 dan sebaliknya tolak H0. Fα adalah nilai F

yang luas di sebelah kanannya sebesar α.

Adakalanya kita ingin menguji pengaruh kelompok, tetapi biasanya perlakuanlah yang menjadi perhatian utama ,
pengelompokan dilakukan sebagai alat untuk mereduksi keragaman galat percobaan.

Hipotesis untuk menguji pengaruh kelompok :

 H0 : Semua βj = 0
 H1 : Tidak semua βj = 0

Statistik uji untuk pengujian pengaruh kelompok tersebut adalah dengan keputusan tolak
H0apabila dan sebaliknya.

Galat Baku

Galat baku (Standar error) untuk perbedaan di antara rata-rata perlakuan dihitung dengan formula berikut:

Efisiensi Pengelompokan Dibandingkan Rancangan Acak

Lengkap

Efisiensi relatif pengelompokan dibandingkan rancanngan acak lengkap dinyatakan sebagai berikut :

dengan E menunjukkan seberapa lebih besar ulangan diperlukan pada rancangan acak lengkap dibandingkan
dengan dengan rancangan kelompok untuk memperoleh sensitifitas rancangan acak lengkap sama dengan
ranacangan acak kelompok. Sedangkan db1 menyatakan derajat bebas galat percobaan untuk rancangan acak
lengkap dan db2 menyatakan derajat bebas galat percobaan untuk rancangan kelompok , S a2 menyatakan
penduga ragam galat percobaan untuk rancangan acak kelompok dan KTG menyatakan penduga ragam galat
untuk rancangan acak kelompok.

Contoh Penerapan 1

Dari hasil penelitian mengenai pengaruh pencucian dan pembuangan kelebihan kelembapan dengan cara melap
atau menyemprotkan udara terhadap kandungan asam askorbat pada tanaman turnip green diperoleh data
dalam miligram per 100 gr bobot kering sebagai berikut :
 Tabel 3.3. Data Turnip Green (mg/100gr Bobot Kering)
Perlakuan Kelompok Total
1 2 3 4 5 Perlakuan
(Yi.)
kontrol 950 887 897 850 975 4559
Dicuci dan dilap 857 1189 918 968 909 4841
Dicuci dan disemprot dengan 917 1072 975 930 954 4848
udara
Total kelompok (Y.j) 2724 3148 2790 2748 2838 Y.. = 14248
Langkah-langkah perhitungan Analisis Ragam:

Langkah 1: Hitung Faktor Koreksi

Langkah 2: Hitung Jumlah Kuadrat Total

Langkah 3: Hitung Jumlah Kuadrat Kelompok

Langkah 4: Hitung Jumlah Kuadrat Perlakuan

Langkah 5: Hitung Jumlah Kuadrat Galat

Langkah 6: Buat Tabel Analisis Ragam beserta Nilai F-tabelnya

Tabel Analisis Ragam Data Turnip Green

Sumber Derajat Jumlah Kuadrat Fhitung F0.05 F0.01
Keragaman Bebas (db) Kuadrat Tengah KT)
(SK) (JK)
Kelompok 4 25148 6287 0.75 3.838 7.006
Perlakuan 2 10873 5436 0.65 4.459 8.649
Galat 8 67194 8399
Total 14 103216
F(0.05,4,8) = 3.838
F(0.01,4,8) = 7.006

F(0.05,2,8) = 4.459

F(0.01,2,8) = 8.649

Langkah 7: Buat Kesimpulan

Karena Fhitung (0.65) ≤ 4.459 maka kita gagal untuk menolak H0: μ1 = μ2 = μ3 pada taraf kepercayaan 95%.
Hal ini berarti bahwa pada taraf kepercayaan 95%, semua rata-rata perlakuan tidak berbeda dengan yang
lainnya. Atau dengan kata lain dapat diambil keputusan terima Ho, artinya tidak ada perbedaan pengaruh
perlakuan terhadap respon yang diamati.

Keterangan:

Biasanya, tanda tidak nyata (tn) diberikan, apabila nilai F-hitung lebih kecil dari F(0.05), tanda bintang
satu (*) diberikan, apabila nilai F-hitung lebih besar dari F(0.05) dan tanda bintang dua (**) diberikan
apabila nilai F-hitung lebih besar dari F(0.01)

Langkah 8: Hitung Koefisien Keragaman (KK)

Post-Hoc

Karena berdasarkan analisis ragam, pengaruh perlakuan tidak nyata, maka tidak perlu dilakukan pengujian lanjut
karena rata-rata diantara perlakuan tidak berbeda.

Contoh Penerapan 2

Data pada tabel berikut merupakan Hasil padi (kg/petak) Genotif S-969 yang diberi 6 perlakuan. Faktor-faktor
yang diteliti adalah kombinasi pupuk NPK sebanyak 6 taraf, yaitu Kontrol, PK, N, NP, NK, NPK.

Tabel 3.3. Data Hasil Padi Genotif S-969 (kg/petak)

Kombinasi Pemupukan Kelompok Total Perlakuan
1 2 3 4 (Yi.)
Kontrol 27.7 33.0 26.3 37.7 124.7
PK 36.6 33.8 27.0 39.0 136.4
N 37.4 41.2 45.4 44.6 168.6
NP 42.2 46.0 45.9 46.2 180.3
NK 39.8 39.5 40.9 44.0 164.2
NPK 42.9 45.9 43.9 45.6 178.3
 Total kelompok (Y.j) 226.6 239.4 229.4 257.1 952.5
Langkah-langkah perhitungan Analisis Ragam:

Langkah 1: Hitung Faktor Koreksi

Langkah 2: Hitung Jumlah Kuadrat Total

Langkah 3: Hitung Jumlah Kuadrat Kelompok

Langkah 4: Hitung Jumlah Kuadrat Perlakuan

Langkah 5: Hitung Jumlah Kuadrat Galat

Langkah 6: Buat Tabel Analisis Ragam beserta Nilai F-tabelnya

Tabel Analisis Ragam Hasil Padi

Sumber Derajat Jumlah Kuadrat Fhitung F0.05 F0.01
Keragaman(SK) Bebas Kuadrat Tengah
(db) (JK)
Kelompok 3 95.1045833 31.7015278 3.46 * 3.287 5.417
Perlakuan 5 658.06375 131.61275 14.38 2.901 4.556
**
Galat 15 137.257917 9.15052778 –
Total 23 890.42625
F(0.05,3,15) = 3.287

F(0.01,3,15) = 2.901

F(0.05,5,15) = 5.417

F(0.01,5,15) = 4.556
Langkah 7: Buat Kesimpulan

Karena Fhitung (14.39) > 2.901 maka kita menolak H0: μ1 = μ2 = μ3 pada taraf kepercayaan 95%. Hal ini
berarti bahwa pada taraf kepercayaan 95%, ada satu atau lebih dari rata-rata perlakuan yang berbeda dengan
yang lainnya. Atau dengan kata lain dapat diambil keputusan tolak Ho, artinya terdapat perbedaan pengaruh
perlakuan terhadap respon yang diamati.

Keterangan:

Biasanya, tanda tidak nyata (tn) diberikan, apabila nilai F-hitung lebih kecil dari F(0.05), tanda bintang
satu (*) diberikan, apabila nilai F-hitung lebih besar dari F(0.05) dan tanda bintang dua (**) diberikan
apabila nilai F-hitung lebih besar dari F(0.01)

Langkah 8: Hitung Koefisien Keragaman (KK)

Post-Hoc

Langkah pengerjaan pengujian perbedaan rata-rata dengan menggunakan uji Tukey HSD.

Hitung nilai Tukey HSD ():

Bandingkan selisis rata-rata perlakuan dengan nilai Tukey HSD ()

 Urutkan rata-rata perlakuan (urutan menaik/menurun)

 Buat Tabel Matriks selisih antara rata-rata perlakuan
 Bandingkan selisih rata-rata dengan nilai HSD


Kontrol PK NK N NPK NP Notasi
rata-rata 31.18 34.10 41.05 42.15 44.58 45.08
Kontrol 31.18 0.00 a
PK 34.10 2.93 0.00 a
NK 41.05 9.88* 6.95* 0.00 b
N 42.15 10.98* 8.05* 1.10 0.00 b
NPK 44.58 13.40* 10.48* 3.53 2.43 0.00 b
NP 45.08 13.90* 10.98* 4.03 2.93 0.50 0.00 b

Hasil akhirnya adalah sebagai berikut:

 Tabel rata -rata perlakuan dikembalikan urutannya sesuai dengan No Urut perlakuan)
 Pupuk (P) Rata-rata
Kontrol 31.18 a
PK 34.10 a
N 42.15 b
NP 45.08 b
NK 41.05 b
NPK 44.58 b
Share this:

 15Bagikan pada Facebook(Membuka di jendela yang baru) 15

 Klik untuk berbagi pada Twitter(Membuka di jendela yang baru)
 Klik untuk mencetak(Membuka di jendela yang baru)
 Klik untuk email(Membuka di jendela yang baru)


Terkait

Rancangan Acak Kelompokdalam "RAK"

Rancangan Bujur Sangkar Latindalam "RBSL"
Asumsi-Asumsi ANOVA Satu Faktordalam "Asumsi Sidik Ragam"
RAK RAK, Rancangan Acak Kelompok
← Bagaimana menata tesis Anda?RANCANGAN FAKTORIAL →
54 responses to “RANCANGAN ACAK KELOMPOK LENGKAP (RAKL)”

1. jupa November 23, 2009 pukul 11:43 am

Bisa g kasi contoh Kalau RAK tapi studi kasusnya jangan ke masalah pertanian?
misalnya bidang lain kayak apa ya…
butuh bgt nih.
mksh

Balas

2. jupa Desember 14, 2009 pukul 4:45 am

Bagaimana penerapan RAKL kasusnya bukan ke pertanian?

misalnya penjualan?
Bisa tidak atau bidang lain yang bukan pertanian
mksh.

Balas

o smartstat Desember 15, 2009 pukul 6:00 am

Istilah kelompok atau petak bisa dianalogkan dengan grup. Intinya.., kita berusaha untuk menghilangkan
keragaman di luar perlakuan yang kita cobakan, sehingga keragaman respons (parameter yang kita amati)
 hanya disebabkan oleh perkaluan yang kita cobakan.
Untuk kasus penjualan.., Jupa mw meneliti apa? Pengelompokkan bisa kita analogkan dengan grup/cluster atau
hal lainnya, sehingga dalam satu kelompok/grup/cluster, keragamaannya kita anggap homogen!
Contoh: ANALISIS PENGARUH STRATEGI PEMASARAN TERHADAP VOLUME PENJUALAN
Kita harapkan perbedaan volume penjualan hanya disebabkan oleh strategi yang kita terapkan, dan bukan oleh
faktor lain, misalnya status sosial, domisili (pedesaan, perkotaan, dsb). Seandainya kita menganggap bahwa
domisili juga dianggap akan mempengaruhi volume penjualan (life style-nya berbeda :D), maka kita buat
kelompok berdasarkan domisili pembeli. Misal Metropolitan, perkotaan, Pedesaan (atau kriteria lainnya),
sehingga perbedaan daya beli antara masyarakat perkotaan dan pedesaan kita eliminasi dari perlakuan dengan
masukkannya ke dalam kelompok.

Balas

3. diwi Desember 26, 2009 pukul 2:56 am

jika kita gunakan RAKL dalm kasus pendidikan, ex. dalam membedakan hasil belajar dari metode yang
berbeda, apakah hasilnya akan valid, atau ada rancangan lain yang lebih sesuai. thks

Balas

o smartstat Desember 28, 2009 pukul 1:39 pm

Maaf baru di balas, menikmati weekend dulu,

Panduan dalam mengidentifikasi faktor yang bisa dijadikan acuan dalam pembuatan kelompok
(pengelompokan) dalam bidang pendidikan:
Subjek : Orang/Partisipan

 Jenis kelamin

 Usia

 IQ

 Pendapatan

 Pendidikan

 Sikap

Atau berdasarkan:

 Waktu pengamatan

 Lokasi

 Bahan Percobaan

 Alat pengukur

Variabel tersebut bisa dijadikan pedoman dalam pembuatan pengelompokkan, sehingga keragaman dalam
kelompok yang sama (di luar Metode yang kita cobakan) relatif homogen. Misalnya apabila jenis kelamin di
perkirakan akan memberikan keragaman, buatlah pengelompokkan berdasarkan Jenis Kelamin.
 Namun apabila variabel pengganggu di atas di anggap seragam atau homogen, kita bisa menggunakan
Rancangan Lingkungan: Rancangan Acak Lengkap atau One Way Anova.

Balas

4. niq Januari 1, 2010 pukul 9:38 pm

Pak…mohon pencerahan…..Jika penerapan RAKL diterapkan di perikanan seperti: tingkat kepadatan plankton
pada kedalaman laut yg berbeda terhadap daya serap tiram saat menyaring plankton untuk makanannya…trims

Balas

o smartstat Januari 3, 2010 pukul 11:55 am

Maaf bru di bls..

saya kurang paham mengenai karakteristik tiram dan plankton.
Kalo saya perhatikan, di sini terdapat dua sumber keragaman, pertama tingkat kepadatan plankton pada
kedalaman tertentu dan kedua dari tiramnya sendiri. Mana diantara dua sumber keragaman tersebut yang
dianggap sebagai perlakuan?

Plankton:
Apakah kepadatan plankton berbeda pada masing2 kedalaman/lapisan? kira2 setiap berapa meter perbedaan
tersebut??
Apakah pada kedalaman yang sama, populasi pankton diasumsikan homogen/seragam? Apabila ya.., buat
pengelompokkan (gruping) untuk setiap lapisan/kedalaman tersebut, identik dengan pengulangan. Misal ada
tiga taraf kedalaman, 0-1 meter, 1-2 meter, 2-3 meter (3 ulangan => ulangan disini berperan sebagai
kelompok)

Tiram:
Apakah disini tiram dianggap sebagai perlakuan?? misal berdasarkan ukuran/umur tiram/spesies (jenis
tiram)??
Hanya saja harus di perhatikan, apakah semua taraf tiram bisa dipertahankan berada pada setiap lapisan
kedalaman?
Misal Untuk taraf tiram pertama bisa ditempatkan pada setiap kedalaman? begitu juga dengan taraf tiram
lainnya, sehingga pada setiap kedalaman terdapat masing-masing satu taraf tiram?? (misalnya dengan
menggunakan bantuan jaring untuk memisahkan tiap kedalaman, sehingga tiram tetap berada pada
kelompoknya.

Apabila betul seperti itu, maka rancangan perlakuannya:

Perlakuan: Tiram (berapa taraf)
Kelompok: lapisan kedalaman (berapa ulangan)?
Respons: daya serap tiram terhadap plankton?

Alternatif ke-2:
Perlakuan: tingkat kepadatan plankton pada kedalam berbeda (apa bisa di desain/dikondisikan?)
Kelompok: Ukuran Tiram?
apakah perancangannya seperti ini??

Alternatif ke-3:
Perlakuan: tingkat kepadatan plankton
Kelompok (gruping): kedalaman
Respons: daya serap Tiram terhadap plankton (tiram yang digunakan harus seragam)
 Alternatif ke-4 (RAK Faktorial 2 Faktor) :
Perlakuan:
1. tingkat kepadatan plankton
2. kedalaman
Kelompok: Tiram di grupkan berdasarkan ukurannya?
vs..
Perlakuan:
1. tingkat kepadatan plankton
2. Jenis/ukuran/umur Tiram?
Kelompok (gruping): kedalaman

Saya haraf niq bisa memberikan informasi yang lengkap

Balas

5. ojan Januari 20, 2010 pukul 7:20 pm

salam kenal mas

saya mau tanya bisa tidak misalnya untuk mengetahui pengaruh waktu keberangkatan (pagi, siang, sore)
terhadap banyaknya jumlah penumpang pesawt bisa tidak menggunakan rancangan percobaan (RAL, RAK).
bisa tidak kalau untuk RAK perlakuannya : pagi,siang, sore sedangkan kelompoknya berdasarkan hari.
Atau bagaimana yang cocok kalau kita menggunakan seperti kasus seperti diats.
makasih mohon bantuannya.

Balas

o smartstat Februari 3, 2010 pukul 3:19 am

Maaf baru sempet di balas.

Saya rasa tidak bisa apabila Hari di Jadikan Kelompok, demikian juga dengan Waktu keberangkatan. Kenapa
tidak bisa?? Karena bisa saja terjadi Interaksi antara waktu keberangkatan dengan Hari, sedangkan dalam
Rancangan Acak Kelompok, tidak boleh terjadi interaksi antara perlakuan dengan ulangan. Contoh interaksi:
Waktu keberangkatan pagi mungkin lebih padat pada hari Senin, dan hal sebaliknya terjadi pada hari jum’at
atau sabtu, justru siang atau sore hari jumlah penumpang lebih padat.
Mungkin Bisa di rancang dengan pola Faktorial: Faktor 1: Waktu keberangkatan; Faktor 2: Hari.
Pengelompokkan/Ulangannya: Minggu I; II, III….

Alternatif lain apabila taraf dari masing-masing sama, mungkin lebih tepat apabila menggunakan rancangan
bujur sangkar latin, karena apabila di perhatikan, terdapat dua sumber keragaman di luar waktu
keberangkatan, yaituL Hari Kerja dan Minggu. Hanya saja taraf jumlah hari dan minggu harus sama dengan
waktu keberangkatan, 3.
Analoginya:
Kolom: dianalogkan dengan Hari (3 taraf, pilih hari apa saja)
Baris: dianalogkan dengan Minggu (Minggu I sampai Minggu III),
Perlakuan: dianalogkan dengan Waktu keberangkatan (pagi, siang, sore)
Kelebihannya: selain bisa melihat pengaruh waktu keberangkatan, juga kita juga bisa melihat perbedaan antara
Hari juga antara Minggu.
Kelemahannya: Hanya bisa dipilih 3 hari yang tetap, misal: Senin, Selasa, Rabu.
 Balas

6. jupa Januari 27, 2010 pukul 8:55 am

Mas saya mau mncoba mengaplikasikan rancangan percobaan ke bidang ekonomi.

kalau kita mau mengetahui pengaruh atribut produk yang terdiri dari keistimewaan, kualitas, gaya, dan
rancangan dan yang mana paling berpengaruh dominan.
Bisa tidak kita menggunakan rancangan percobaan? yang cocok menggunakan rancangan apa?
Kalau kita juga mau lihat dari penggunanya misalnya pelajar, mahasiswa, dll. ini cocok dijadikan sebagai apa?
tolong ya mas bantuannya. msh

Balas

o smartstat Februari 2, 2010 pukul 2:11 am

Sorry for delay..

contoh skripsi relevan yang bisa di download: ANALISIS PENGARUH ATRIBUT PRODUK TERHADAP KEPUTUSAN
PEMBELIAN KEBAB TURKI BABA RAFI DI YOGYAKARTA

Saya masih memerlukan penjelasan mengenai rencana proses pengumpulan data dan definisi operasional
variabelnya.

1. Apa variabel terikatnya (respons) ?

 bagaimana sekala pengukurannya?

 non metrik/kualitatif (nominal, ordinal)

 metrik (interval, rasio)

 Apakah variabel respons-nya adalah keputusan seseorang untuk membeli produk tersebut?? (0 = tidak; 1 =
Ya)


2. Definisi operasional untuk variabel bebasnya?

 Apa yang ingin diukur,

 Cara pengukuran, Alat ukur, Satuan ukuran (jika ada)

 skala pengukurannya? (apakah nominal, ordinal, interval, rasio)


3. Contoh: Kualitas:

 Cara dan alat ukur (wawancara dengan kuesioner);

 menggunakan skala likert (5 tingkat): sangat tidak setuju (=1) sd. sangat setuju (= 5).

 SKala pengukuran: ordinal

Perbedaan dalam skala pengukuran antara variabel bebas dan variabel terikatnya akan menentukan dalam
pemilihan jenis uji statistik yang sesuai.
 Untuk melihat variabel mana yang memberikan kontribusi tertinggi terhadap variabel respons kita bisa
melakukannya dengan uji asosiasi/korelasi dengan melihat koefisien korelsinya dengan variabel respons
atau regresi untuk melihat kontribusi dari masing-masing variabel bebas, X, terhadap Respons, Y, yaitu
dengan melihat nilai koefisiennya. Perlu diperhatikan bahwa pemilihan analisis korelasi atau regresi yang sesuai
tergantung pada jenis variabelnya.

 Korelasi: Korelasi Pearson untuk Analisis data parametrik dan Korelasi ρ Spearman and τ Kendall b untuk
analisis data non-parametrik.

 Regresi:

 Regresi linier berganda untuk analisis data parametrik, dimana skala pengukuran untuk variabel bebas (X)
dan variabel terikatnya (Y) adalah interval/rasio) dan

 Regresi Logistik Multinomial (Logit), apabila skala pengukuran untuk variabel terikatnya, Y, berupa data
kualitatif (nominal, ordinal) sedangkan untuk variabel bebasnya, X, bisa campuran antara ordinal sampai rasio

Saran saya, coba pelajari Analisis Regresi Logistik dan Analisis Diskriminan.

Balas

7. karim Februari 1, 2010 pukul 11:47 pm

mas, mau tanya,

bagaimana kalau kita mau ada dua perlakuan, perlakuan kimia vs alami
kimia: dosis 1, dosis 2, dosis 3
alami: hanya satu perlakuan (ga ada arasnya seperti hanya dengan pupuk hijau)

itu rancangan yang cocok gimana ya mas?

maksasih banyak sebelumnya

Balas

o smartstat Februari 3, 2010 pukul 2:01 am

Menurut saya, Rancangan Perlakuannya bisa dianggap 1 Faktor, yang terdiri dari 4 taraf:
1. Alami
2. Kimia Dosis 1
3. Kimia Dosis 2
4. Kimia Dosis 3

Rancangan Lingkungan: Tergantung kondisi lingkungan tempat percobaan di laksanakan, apabila di

LAB/Rumah Kaca mungkin bisa menggunakan RAL, namun apabila dilaksanakan di lapangan, lebih tepat
menggunakan RAK.

Alternatif Lain: Coba pelajari Nested Design (dosis nested/tersarang dalam Jenis Pupuk), hanya saja di sini
pupuk alami tidak punya taraf dosis, sehingga Nested mungkin kurang tepat. Namun apabila Jenis Pupuk Alami
terdiri dari 3 taraf, sama seperti taraf Pupuk Kimia, Nested Design mungkin lebih tepat, dosis Pemupukan
tersarang dalam Jenis Pupuknya.

Balas
8. ojan Februari 13, 2010 pukul 4:43 pm

Mas bagaimana cara kita memilih uji lanjut yang tepat setelah uji anava dilakukan?

Balas

o smartstat Februari 16, 2010 pukul 11:06 pm

Coba lihat komentar pada pemilihan uji lanjut Tukey berikut ini:
Uji lanjut manakah yang harus saya pilih?

Balas

9. simon April 20, 2010 pukul 12:56 am

mas mau nanya,

misalnya saya mau ujicoba ttg ketertarikan anak2 terhadap 3 jenis makanan (makanan jenis A sbg kontrol,
jenis makanan B dan jenis makanan C) yg bentuknya sama tetapi kandungannya berbeda. Anak-anak saya bagi
dalam 2 kelompok yaitu anak di desa dan anak di kota, dimana umur anak bervariasi antara 5 – 10 tahun tp
tdk dikelompokan berdasarkan umur, hanya berdasarkan lokasi tempat tinggal (desa dan kota). Kalo ini pake
metoda apa mas. Trims atas bantuannya.

Balas

10. smartstat April 20, 2010 pukul 8:57 pm

Apabila Simon hanya ingin melihat perbedaan ketertarikan Anak2 terhadap jenis makanan, saya kira rancangan
Simon sudah tepat.
Variabel independen (Faktor) yang ingin di teliti adalah Jenis Makanan (ada tida level, Makanan A, B, dan
C).
Pengelompokkan: berdasarkan lokasi (ada dua kelompok, desa dan kota) dengan asumsi bahwa gaya hidup
anak2 perkotaan pasti berbeda dengan perdesaan.

Itu masuk ke metode penelitian komparatif, dengan menggunakan rancangan acak kelompok (RAK).

Namun apabila Simon ingin melihat juga apakah ada perbedaan ketertarikan antara anak2 yang ada di Desa
dan Kota terhadap jenis makanan tertentu, dan atau ingin melihat apakah ada interaksi antara lokasi dan jenis
makanan terhadap ketertarikan anak-anak, rancangannya sedikit berbeda. Metodenya masih sama, Komparatif,
hanya saja faktor yang di teliti menjadi 2 Faktor (Faktorial), yaitu Lokasi dan Jenis Makanan, sehingga
nama model rancangan berubah menjadi RAL Faktorial.

Harap di perhatikan bahwa rancangan di atas, hanya digunakan untuk analaisis parametrik yaitu apabila
respons (ketertarikan) di ukur dengan skala interval atau rasio. Namun apabila skala pengukuran respons-
nya diukur dalam skala ordinal (0=tidak tertarik, …, 3=membeli dan dimakan), saya kira tidak ada alternatif
yang sesuai untuk analisis non parametriknya.
analisis non parametrik Kruskal–Wallis test hanya digunakan untuk analisis one way anova (tidak ada
pengelompokkan berdasarkan desa dan kota). Analisis dilakukan secara terpisah untuk kedua kelompok
tersebut. Simon hanya bisa menguji bagaimana ketertarikan anak-anak kota terhadap jenis makanan tertentu,
 dan bagaimana pula dengan anak-anak perdesaan? Analisis dilakukan secara terpisah.
Alternatif non-parametrik lain, yaitu uji Friedman untuk analisis two way anova (jenis makanan fixed, dan
kelompok random). Hanya saja uji ini hanya digunakan untuk analisis pengukuran berulang (repeated
measure).

Meskipun demikian, ada beberapa literatur yang mengatakan bahwa analisis nonparametrik untuk kasus seperti
di atas bisa di dekati dengan GLM (general linier model) yaitu analisis Anova seperti biasa, hanya saja datanya
harus di ubah terlebih dulu menjadi data ranking (apabila datanya belum dalam bentuk skala rank/ordinal).

Review:
Michael G. Akritas. 1990. The Rank Transform Method in Some Two-Factor Designs. Journal of the American
Statistical Association, Vol. 85, No. 409 (Mar., 1990), pp. 73-78 (Jstor)
atau Nonparametric Competitors to the Two-Way ANOVA, by Larry E. Toothaker and De Newman © 1994

Balas

11. Hairani Mei 29, 2010 pukul 11:45 am

Gmana kalo buat tesis kependidikan ya mas..ada motivasi,pemahaman konsep,ketrampilan proses..pada kelas
tinggi,sedang dan rendah.

Balas

o smartstat Mei 29, 2010 pukul 5:41 pm

Boleh saya tau, rencana judulnya apa? so bisa dipilah mana yang akan dijadikan parameter respons (variabel
yang akan diukur di lapangan) dan mana yang akan dijadikan faktornya?
Tujuannya? Apakah ingin mengetahui bagaimana motivasi, pemahaman konsep dan keterampilan proses pada
kelas tinggi, sedang dan rendah?
Metodologi Penelitiannya, apakah survey, deskriptif, komparatif, asosiatif, atau prediktif?

Balas

 Hairani Pardjo Juni 26, 2010 pukul 12:48 pm

Iya mass..Trmkasih..judul tesis ku..Pengaruh Pembelajaran Inkuiri Terbimbing untuk Materi Suhu dan Kalor
terhadap motivasi berprestasi,pemahaman konsep dan ketrampilan proses..Data nya dari kelas X di SMA ada 6
kelas yg sudah start awal kelas tinggi di kelas X1X2..Kelas sedang X3X4..kelas rendah X5X6 dengan jumlah
masing2 kelas 32 siswa jadi total 192 siswa..
Pembimbing ku mengarahkan tuk memakai desain Desain Acak Kelompok Lengkap..
Data ku peroleh dari angket motivasi,LKS inkuiiri terbimbing,data nilai ketrampilan proses,dan nilai pemahaman
konsep..
Penelitian Eksperimen atau Quasi Ekperimen..
Mohon bantuannya..trmakasih..

12. Jay Juni 22, 2010 pukul 11:46 pm

 Menarik mas.. tapi mungkin koreksi sedikit… Mungkin maksudnya akan berakibat pada tingginya kekeliruan tipe
2 ya bukan 1. karena kalo 1 pengujina cenderung sensitif…. Thanks. Maaf kalo salah

Balas

13. lidya September 2, 2010 pukul 3:27 pm

mas…
ada punya bahan tentang rancangan tersarang 2 tingkat ga????
blh donk d share

Balas

o smartstat Oktober 9, 2010 pukul 5:51 pm

Maaf lidya, saya belum ngompilasi materi rancangan tersarang..

Balas

14. vira Oktober 6, 2010 pukul 10:30 am

salam kenal, mw tanya apa yang dimaksud dengan rancangan berulang dalam waktu dan bagaimana cara
pengerjaannya ?? Thanks be4..

Balas

o smartstat Oktober 9, 2010 pukul 5:50 pm

Maaf blsnya telat:

Rancangan percobaan berulang (Repeated Measure): Penelitian dengan rancangan tertentu dimana
pengamatannya dilakukan secara berulang, baik menurut waktu, musim, atau lokasi. Analisisnya mirip dengan
Split-Plot dengan rancangan dasar RAL. Coba pelajari materi ini, pada materi tersebut dibahas juga mengenai
pengukuran berulang: https://smartstat.files.wordpress.com/2009/12/8-split-plot.pdf

Balas

15. drg. endang prawesthi November 21, 2010 pukul 12:03 pm

salam kenal, mas saya mau tanya tentang peneltian yg sdng saya kerjakan: sy meneliti bahan wax kedokteran
gigi dg bentuk yg berbeda (kel.1 dan 2) dan disimpan slm 1 , 3 dan 7 hari , saya ingin melihat jarak perub.
btknya (dlm mm) dan hypotesa saya ada perub. yg brmakna dan smkin lm pnyimpana smkin besar jarak perub.
itu menggunkan RAL atau RAK ya? terus perlu dilakukan pengulangan ngga ya?apa var. independent nya cuma
1 yi.perlakuannya aja?statistiknya menggunakan apa?sorry tanyanya bnyak…ditunggu jwban ya….thanks bgt
sblumnya
 Balas

o smartstat November 21, 2010 pukul 6:05 pm

Salam kenal kembali.

Maaf, sy msh kurang jelas terutama dalam penyimpanan.

Apakah mksdnya seperti ini (tolong betulkan apabila salah):

Materi yang akan di uji:

1. Wax dengan bentuk yang berbeda (ada 2 bentuk = 2 level)
2. Masing2 Wax tersebut di simpan selama 1, 3, dan 7 hari (ada 3 waktu penyimpanan = 3 level)
Jadi, untuk kedua bentuk wax ada yang di simpan 1 hari, ada yg disimpan 3 hari dan ada juga wax yg disimpan
7 hari. Kombinasinya ada 6 treatment..
Selanjutnya setelah beberapa hari kemudian, di ukur perubahan panjangnya??
Apabila mksdnya sprti itu.., berarti ada 2 Faktor, yaitu wax dan Lama penyimpanan atau dikenal juga
dengan Two Way Anova atau dikenal juga dengan RAL Faktorial.
—Maaf, penyimpanannya/pengujiannya di laboraotorium?? sehingga kondisi lingkungan percobaan dianggap
homogen atau dengan kata lain, tidak ada fakor lain di luar perlakuan yang kita coba yang akan mempengaruhi
hasilnya Jika iya, berarti betul RAL Faktorial? Namun apabila tidak, berarti harus di rancang dengan
menggunakan Rancangan Acak Kelompok (RAK), sehingga Rancangannya menjadi RAK Faktorial—

Ataukah seperti ini:

ada 2 jenis wax.. yang diamati perubahan panjangnya setelah 1 hari, 3 hari, dan 7 hari?? Ada tiga kali
pengamatan, hari ke 1, 3, dan 7?
Ini dikenal dengan One Way Anova atau RAL, namun karena pada sampel yang sama di amati secara
periodik, maka dikenal dengan Repeated Measure..

Balas

16. suci Mei 20, 2011 pukul 1:50 pm

ANOVAnya mana?

Balas

o suci Mei 20, 2011 pukul 2:04 pm

salah,udah ketemu…cuma tadi kurang teliti

Balas

17. Yuda Hadiwijaya September 17, 2011 pukul 10:52 am

saya mau nanya, kalo untuk mengetahui nilai f0,05 dan f0,01 pada tabel anova bagaimana cara
menghitungnya???
trima kasih
 Balas

o smartstat Oktober 17, 2011 pukul 12:35 am

Bisa menggunakan bantuan MS Excel:

F0,05:
Ketik formula berikut: = FINV(0.05, db1, dbGalat)
Apabila Setting Regional Indonesia: = FINV(0,05; db1; dbGalat)
F0.01: = FINV(0.01, db1, dbGalat)

Balas

18. vika Oktober 14, 2011 pukul 1:17 am

mas mohon bantuannya,,, saya butuh data untuk digunakan dalam rancangan percobaan, dimana data yg
digunakan memenuhi basic statistic,,, makasii mas

Balas

o smartstat Oktober 17, 2011 pukul 12:37 am

Maksudnya bagaimana Vika?

Apabila perlu contoh2 data untuk analisis, saya sudah menyimpan contoh data tersebut di link
ini: http://www.smartstat.info/download/sample-data/

Balas

19. Yul November 25, 2011 pukul 11:58 pm

:: Thn;x…

Balas

o smartstat Desember 3, 2011 pukul 1:14 pm

kembali thnx

Balas
20. vika Desember 27, 2011 pukul 4:26 pm

mas saya ingin melihat model untuk reapeted measurement pada rancangan faktorial dua faktor dengan
rancangan dasar RAK bagaimana yah? terima kasih sebelumnya

Balas

o smartstat Desember 28, 2011 pukul 8:53 pm

Mohon maaf vika, saya belum sempat membuat artikel ataupun tutorial mengenai Repeated Measure. Coba
vika pelajari Tutorial pada link di bawah ini:
Ada tutorial khusus mengenai Repated Measure, terdapat di bagian akhir Tautan:
Sub: Additional Topics in ANOVA & Analysis of Covariance
> Repeated Measure Design
http://www.smartstat.info/tutorial/spss/tutorial-spss-from-department-of-statistics-at-texas-am-university.html

Balas

21. jeri permana putra Maret 19, 2012 pukul 9:48 am

siang mas,, aku mo nanya mas kira-kira ada nggk judul skripsi yang menggunakan RAKL yang berhubungan dg
matematika,,,???
mohon bantuannya mas,,, saya jeri kuliah di salah satu perguruan tinggi jurusan matematika konsentrasi
statistik…

Balas

o jeri permana putra Maret 27, 2012 pukul 9:12 pm

mohon bantuannya mas

Balas

22. Permata Mei 13, 2012 pukul 10:06 pm

maaf br nimbrung..klo RAKL dengan metode AMMI nanti gmbarannya bgaimana ya..mhon bntuannya..:)

Balas

23. agus Juli 30, 2012 pukul 12:45 pm

salam kenal, saya mau tanya apakah desain saya sudah betul. saya mau meneliti EFEKTIFITAS LOKASI DAN
WAKTU INJEKSI INSULIN TERHADAP PENURUNAN KADAR GULA DARAH desain saya adalah randomize
 complete blok design. ada 4 lokasi penyuntikan yaitu di perut, paha, lengan, bokong dan ada 4 waktu
penyuntikan 15,20,25,30 menit..outcomenya adalah kadar gula darah.trimakasih

Balas

24. sabilafi Maret 4, 2014 pukul 10:29 pm

Reblogged this on sabilafiramadhani and commented:

lebih mudah dipahami

Balas

25. jenny riris marsella panggabean November 19, 2014 pukul 12:34 pm

mohon maaf pak.. mau nanya kalo mau nyari data hilang di Ral faktorial gimana caranya ya? terimakasih pak.

Balas

26. dien Januari 19, 2015 pukul 12:31 pm

kalau rancangannya split plot RAK, tapi mau dianalisis non parametrik, pakai apa ya?

Balas

27. Ovi Agustus 26, 2015 pukul 5:58 am

Maaf pak.
Saya mau bertanya ttg kemungkinan
hasil negatif dalam perhitungan data
uji statistik.
Misalnya jika perhitungan JKT/JKP yang
kita dapatkan itu negatif. Apakah itu
boleh ya pak. Mohon bantuan ny pak.

Balas

28. Catur Ari Blackhearts September 14, 2015 pukul 3:17 pm

ass pak mau tanya. pada penelitian saya ranacangan acak kelompok lengkap dengan faktor tunggal di dapat jk
total lebih kecil dibandingkan jk perlakuan dan jk kelompok sehingga jk kelompok saya bernilai minus pada saat
di kurangkan ddengan faktor koreksi, kemudian yang ingin sya tanyakan lagi , dalm membagi ataupun
pengurangan mana yang didahulukan akan berpengaruh dengan hasil perhitungan yang didapat?
 Balas

29. Fiona Azzahro (@FionaAzzahro) Oktober 6, 2015 pukul 2:25 pm

saya mau tanya.. saya ingin penelitian tentang pemuliaan tanaman. perlakuan pada tanaman terdapat tiga
faktor, yaitu faktor isolat patogen (A), faktor dosis radiasi (B), dan faktor dosis fungisida (C). Faktor A terdiri
dari dua, yaitu tanpa patogen (A0), dan aplikasi isolat cendawan (A1). Faktor B terdiri dari 10 dosis, yaitu tanpa
radiasi (B0), 5 Gry (B1), 10 Gry (B2), 15 Gry (B3), 30 Gry (B4), 45 Gry (B5), 60 Gry (B6), 75 Gry (B7), 90 Gry
(B8), dan 105 Gry (B9). Faktor C terdiri dari 3 dosis, yaitu 5% (C0), 10% (C1), dan 15% (C2). Kombinasi
perlakuan (ABC) dilakukan sebanyak tiga ulangan. yang saya tanyakan adalah, ini termasuk menggunakan
rancangan acak lengkap atau kelompok atau kelompok lengkap atau apaa?? terimakasih. jawabanmu sangat
membantuku.

Balas

30. El-Fauzan Hadi Januari 28, 2016 pukul 1:05 pm

Saya mau nanya: bagaimana menentukan jumlah ulangan minimal dalam sebuah percobaan? Menurut yang
saya dengar yaitu dengan merujuk pada db galat, dimana db galat tidak boleh kurang dari 12, ada yang
mengatakan db galat minimum 8.
Mohon penjelasan supaya jumlah ulangan (blok) saya memenuhi kaidah statistik. Terima kasih

Balas

31. Zulkarnain Hoffree Djufri Februari 2, 2016 pukul 7:53 am

bagaimana kalau contoh RAK pada percobaan di Lingkungan yang temperatur dan pencahayaan nya
berpengaruh terhadap waktu kerja karyawan ? jadi temperatur dan pencahayaan mempengaruhi kerja
karyawan
terima kasih

Balas

32. rizky purnama putra Februari 4, 2016 pukul 6:39 pm

Pak mau tanya kalo 1 faktor di gunakan dalam pola tanam untuk melihat populasi si hama itu berapa taraf yah
Mohon pencerahanya pak

Balas

33. Muhamad Faizin Juni 11, 2016 pukul 10:46 pm

mas mau tanya kalau cara membedakan ulangan di RAL dan kelompok di RAK pada contoh soal caranya
gimana
 Balas

34. Wi Ridwanto Oktober 25, 2016 pukul 1:24 pm

nuhun…………

Balas

35. asistenultra April 11, 2017 pukul 2:56 pm

mau tanya lagi, kalo Penelitiannya seperti ini:

P0= tanpa penambahan
P1= penambahan A 10%
P2= penambahan A 20%
P3= penambahan B 10%
P4= penambahan B 20%
Rancangan yang dipakai apa?

Balas

36. nurdin April 18, 2017 pukul 9:45 am

pagi pak saya mau melakukan rancangan acak RAKL dengan

Dosis pupuk 0, 1, 10, 15, 20, varietas tanaman cabe merah dan cabe rawit, dilakukan pengulanagan sebanyak
3 kali, kira-kira gmn sistemnya

Balas

Tinggalkan Balasan

SS feed

Translate to…

Info:

Sebagian besar konten yang ada di sitewww.smartstat.wordpress dipindahkan ke situs yang baru:
www.smartstat.info
 Kategori
 Metodologi Penelitian
 Perancangan Percobaan
o Asumsi Sidik Ragam
o Faktorial
o Konsep Dasar
o Perbandingan Rataan
o Prinsip Rancob
o RAK
o RAL
o RBSL
o Slide
o Split Plot
o Split-Split Plot
o Strip Plot
o Uji-t
 Statistika
o Analisis Data Eksploratif
o Korelasi dan Regresi
o Statistika deskriptif
 Tambahan
o Contoh Kasus-Soal
 Analisis Varians
o Manual
o Regresi dan Korelasi
 Korelasi dan Regresi Linier
 Regresi tingkat lanjut
o Tabel Distribusi
 Distribusi
 Tutorial
o Tutorial SPSS
 { Did you know? }
o Goggle Earth Secret, Hidden, Amazing, Mysteri

Tutorial SPSS, Excel, Minitab, etc

 Tutorial SPSS: t test 2 sample homogen
 Tutorial SPSS: Rancangan Acak Lengkap (RAL)
 Tutorial SPSS: Rancangan Acak Kelompok (RAK)
 Tutorial SPSS: Rancangan Bujur Sangkar Latin (RBSL)
 Tutorial SPSS: RAL Faktorial
 Tutorial SPSS: RAK Faktorial
 Tutorial SPSS: Rancangan Split Plot
 Tutorial SPSS: Split Split Plot (Rancangan Petak Petak Terbagi)
 Tutorial SPSS: Analisis Kovarian (RAK)
 Tutorial SPSS: From Department of Statistics at Texas AM University

Email Subscription
 Masukkan alamat email Anda untuk berlangganan ke blog SmartStat dan menerima pemberitahuan posting baru
melalui email.

Bergabunglah dengan 233 pengikut lainnya

Sign me up!

Top Posts
 Distribusi Frekuensi
 Skala Pengukuran Variabel
 Variabel dan Data
 RANCANGAN ACAK KELOMPOK LENGKAP (RAKL)
 Mengenal Box-Plot (Box and Whisker Plots)
 Populasi dan Sampel
 Ukuran Penyebaran (Measures of Dispersion)
 Korelasi Pearson
 Stemplot (Stem-and-Leaf Plot)
 Ukuran Pemusatan Data (Central Tendency)

Arsip
Arsip

Blog Stats
 1,912,651 hits

Komentar Terbaru
dessy di Korelasi Pearson

yiyin di Korelasi Pearson

nurdin di RANCANGAN ACAK KELOMPOK LENGKA…

asistenultra di RANCANGAN ACAK KELOMPOK LENGKA…

Salma di Distribusi Frekuensi

Novelia di Mengenal Box-Plot (Box and Whi…

bangsungjoon di Mengenal Box-Plot (Box and Whi…

fauzi di Ukuran Pemusatan Data (Central…

 mika di RANCANGAN FAKTORIAL

Tifani di Skala Pengukuran Variabel

Sernanda Fitrania (@… di Distribusi Frekuensi

Melihat Pola Sebaran… di Mengenal Box-Plot (Box and Whi…

Habibah Syarifah di Perbandingan Kontras Ortogonal

ica di RANCANGAN FAKTORIAL

ica di RANCANGAN FAKTORIAL

Blogroll
 BPT Situbondo
 Smartstat Info
 WordPress.com
 WordPress.org

Calculator
 Scientific Calculator

Cluster Map

Smart Postingan Terbaru

 Stemplot (Stem-and-Leaf Plot)
 Korelasi Pearson
 Mengenal Box-Plot (Box and Whisker Plots)
 Analisis data eksploratif
 Tutorial SPSS: RAK Faktorial
 Tutorial SPSS: Rancangan Acak Kelompok (RAK)

Menu Lainnya
 Daftar Isi
 Kumpulan Slide
 Tutorial SPSS
 Download
 Game
 Statistika
 Perbandingan Rataan
 Contoh Kasus-Soal
  Slide
 Regresi tingkat lanjut
 Konsep Dasar
 Faktorial
 Distribusi
 Metodologi Penelitian
 Korelasi dan Regresi Linier
↑ TopBlog di WordPress.com.
 Ikuti
