Kumpulan Slide
Tutorial
Download
About SmartStat
Search: typ Cari
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.
Kerugiannya adalah:
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
Umur Pohon
Kepadatan
Waktu pengamatan
Lokasi
Bahan Percobaan
Alat pengukur
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.
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 :
Model linier RAK dengan banyaknya kelompok (ulangan ) k dan banyaknya perlakuan t adalah:
Dengan:
μ = mean populasi
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:
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 :
Adakalanya kita ingin menguji pengaruh kelompok, tetapi biasanya perlakuanlah yang menjadi perhatian utama ,
pengelompokan dilakukan sebagai alat untuk mereduksi keragaman galat percobaan.
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 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:
F(0.05,2,8) = 4.459
F(0.01,2,8) = 8.649
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)
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.
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)
Post-Hoc
Langkah pengerjaan pengujian perbedaan rata-rata dengan menggunakan uji Tukey 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
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:
Terkait
Bisa g kasi contoh Kalau RAK tapi studi kasusnya jangan ke masalah pertanian?
misalnya bidang lain kayak apa ya…
butuh bgt nih.
mksh
Balas
Balas
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
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
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
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
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.
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
Balas
Balas
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
Balas
Saya masih memerlukan penjelasan mengenai rencana proses pengumpulan data dan definisi operasional
variabelnya.
Apakah variabel respons-nya adalah keputusan seseorang untuk membeli produk tersebut?? (0 = tidak; 1 =
Ya)
2. Definisi operasional untuk variabel bebasnya?
3. Contoh: Kualitas:
menggunakan skala likert (5 tingkat): sangat tidak setuju (=1) sd. sangat setuju (= 5).
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
Balas
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
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
Coba lihat komentar pada pemilihan uji lanjut Tukey berikut ini:
Uji lanjut manakah yang harus saya pilih?
Balas
Balas
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
Gmana kalo buat tesis kependidikan ya mas..ada motivasi,pemahaman konsep,ketrampilan proses..pada kelas
tinggi,sedang dan rendah.
Balas
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
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..
Balas
mas…
ada punya bahan tentang rancangan tersarang 2 tingkat ga????
blh donk d share
Balas
Balas
salam kenal, mw tanya apa yang dimaksud dengan rancangan berulang dalam waktu dan bagaimana cara
pengerjaannya ?? Thanks be4..
Balas
Balas
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
Balas
ANOVAnya mana?
Balas
Balas
saya mau nanya, kalo untuk mengetahui nilai f0,05 dan f0,01 pada tabel anova bagaimana cara
menghitungnya???
trima kasih
Balas
Balas
mas mohon bantuannya,,, saya butuh data untuk digunakan dalam rancangan percobaan, dimana data yg
digunakan memenuhi basic statistic,,, makasii mas
Balas
Balas
:: Thn;x…
Balas
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
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
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
Balas
maaf br nimbrung..klo RAKL dengan metode AMMI nanti gmbarannya bgaimana ya..mhon bntuannya..:)
Balas
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
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
kalau rancangannya split plot RAK, tapi mau dianalisis non parametrik, pakai apa ya?
Balas
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
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
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
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
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
Pak mau tanya kalo 1 faktor di gunakan dalam pola tanam untuk melihat populasi si hama itu berapa taraf yah
Mohon pencerahanya pak
Balas
mas mau tanya kalau cara membedakan ulangan di RAL dan kelompok di RAK pada contoh soal caranya
gimana
Balas
nuhun…………
Balas
Balas
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
Email Subscription
Masukkan alamat email Anda untuk berlangganan ke blog SmartStat dan menerima pemberitahuan posting baru
melalui email.
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
Blogroll
BPT Situbondo
Smartstat Info
WordPress.com
WordPress.org
Calculator
Scientific Calculator
Cluster Map
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