PRACTICAL 8.

THE TWO WAY LAYOUT

DRUGS TO RELIEVE ITCHING

Pada analisis ini digunakan percobaan dengan mengambil sampel dari

kumpulan data A. Data tersebut digunakan untuk menyelidiki perbedaan

antara obat-obatan, termasuk plasebo dan tidak memiliki obat sama

sekali. Namun, analisis tata letak satu arah tidak tepat di sini karena kita

memiliki tujuh pengukuran pada masing-masing 10 orang, tidak satu

pengukuran pada masing-masing dari 70 subjek - kami memiliki desain

pengukuran berulang. Dengan demikian ada faktor pemblokiran yang

diberikan oleh orang-orang. Data ini dianalisis sebagai tata letak dua arah

(dengan obat faktor pengobatan dan faktor pemblokiran seseorang)

dengan satu pengamatan per sel (setiap orang menerima setiap obat

sekali). Perhatikan bahwa kita akan dipaksa berasumsi bahwa tidak ada

interaksi antara obat dan orang.

 Analisis ini merupakan analisis untuk mengetahui pengaruh antara

variable yang ada menggunakan uji ANOVA dengan melihat hubungan

kedua variable. Untuk melakukan analisis varians ini kita harus mencheck

asumsi dasar apakah data tersebut dapat dijadikan sebagai data set uji

ANOVA atau tidak. Asumsi dasar yang harus terpenuhi adalah

Homoscedastic dan Normality. Asumsi homoscedastic dapat dipenuhi

dengan melakukan uji residual analisis, hal ini dikarenakan metode kali ini

menggunakan two-way layout. Sedangkan asumsi Normality dapat

dipenuhi dengan cara melakukan uji QQ-Plot.

Analisis ini dilakukan dengan menggunakan program R.

Impor data dari data yang telah tersedia.

Masukkan nama data set “Itching.Drugs”.

View dataset untuk mengetahui apakah impor data tadi berhasil atau tidak.

Setelah data berhasil di impor lakukan konversi peubah numerik ke faktor.

Dengan memilih peubah “person” dan untuk level faktor dipilih “gunakan angka”.

Lalu, lakukan fit model dengan model regresi.

Dengan memasukkan nama data set “itching.drugs.lm” dan formula model
“seconds~drug+person”.

Maka akan didapatkan hasil seperti dibawah ini.

Call:

lm(formula = seconds ~ drug + person, data = Itching.Drugs)

Residuals:

Min 1Q Median 3Q Max

-81.286 -34.800 -8.393 30.900 148.914

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 141.586 26.598 5.323 2.02e-06 ***

drug[T.Morphine] 3.700 24.880 0.149 0.88233

drug[T.No drug] 46.700 24.880 1.877 0.06592 .

drug[T.Papaverine] -26.100 24.880 -1.049 0.29883

drug[T.Pentobarbitol] 32.200 24.880 1.294 0.20109

drug[T.Placebo] 60.500 24.880 2.432 0.01838 *

drug[T.Tripelennamine] 22.900 24.880 0.920 0.36144

person[T.2] 35.000 29.737 1.177 0.24436

person[T.3] -2.857 29.737 -0.096 0.92381

person[T.4] 38.429 29.737 1.292 0.20176

person[T.5] 11.714 29.737 0.394 0.69518

person[T.6] -18.571 29.737 -0.625 0.53491

person[T.7] -46.286 29.737 -1.557 0.12543

person[T.8] -27.286 29.737 -0.918 0.36292

person[T.9] -45.000 29.737 -1.513 0.13604

person[T.10] 82.000 29.737 2.758 0.00793 **

---

Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 55.63 on 54 degrees of freedom

Multiple R-squared: 0.4832, Adjusted R-squared: 0.3397

F-statistic: 3.367 on 15 and 54 DF, p-value: 0.00052

Kesimpulan:

a. Persamaan regresi linier

Y= 141.586 + 3.700 + 46.700 + (-26.100) + 32.200 + 60.500 + 22.900 + 35.000 + (-2.857) +

38.429 + 11.714 + (-18.571) + (-46.286) + (-27.286) + (-45.000) + 82.000

b. Hipotesis

Ho: β0=0 (tidak Variasi waktu gatal untuk setiap orang pada masing-masing obat)

Ha: β0≠0 (ada variasi waktu gatal untuk setiap orang pada masing-masing obat)

c. Kesimpulan

Pv>α (tidak ada perbedaan nyata, maka Ho diterima)

Pv<α (ada perbedaan nyata, maka Ha diterima)

Karena p value (0.00052) dan lebih kecil dari nilai alfa (0,05) sehingga ada perbedaan nyata,
Ha diterima dan Ho ditolak sehingga dapat disimpulkan bahwa ada variasi waktu gatal untuk
setiap orang pada masing-masing obat.

d. Pengaruh R square

Multiple R square 0.4832= 48.32% dapat disimpulkan bahwa 48.32% ada pengaruh variasi
waktu gatal untuk setiap orang pada masing-masing obat, sisanya 51.68% dipengaruhi oleh
faktor lainnya.

Setelah itu tulis didalam RConsole -> “Itching.Drugs<-

add.diagnostics(Itching.Drugs,itching.drugs.lm,predicted="predicted.original",residuals="residuals.or
iginal")”.

Setelah berhasil memasukkan rumus tersebut, refresh data. Lalu uji dengan scatter plot.
Dengan memilih pada peubah x “predicted” dan y “residuals”.

Maka akan didapatkan grafik seperti dibawah ini.

 150
100
residuals.original

50
0
-50

100 150 200 250

predicted.original

Berdasarkan hasil uji scatterplot diketahui bahwa persebaran data yang ada sudah
menunjukkan homoscedastic sehingga data sudah layak untuk digunakan dalam mencheck
asumsi selanjutnya yaitu normality dengan menggunakan QQ-Plot.
Setelah melakukkan uji scatter plot dilakukan uji QQ plot untuk mengetahui apakah data
terdistribusi secara normal atau tidak.

Dengan memilih residuals.original.

Dan akan didapatkan hasil seperti dibawah ini.

 150
100
Itching.Drugs$residuals.original

50
0
-50

-2 -1 0 1 2

norm quantiles

Dari grafik tersebut dapat disimpulkan bahwa grafik uji QQ plot menunjukkan bahwa
data terdistribusi normal karena tidak terdapat pencilan, sehingga data tersebut dapat
digunakan untuk uji selanjutnya.

Hipotesis

H0: µ1 = µ2 = µ3 = µ4

Ha: µ1 ≠ µ2 ≠ µ3 ≠ µ4

H0: durasi gatal dipengaruhi oleh jenis obat dan faktor pemblokiran seseorang.
 Ha: durasi gatal tidak dipengaruhi oleh jenis obat dan faktor pemblokiran seseorang.

Berdasarkan analisis data diatas, didapatkan nilai p-value 0,00052 ≤ α 0.01 sehingga
terdapat bukti yang sangat nyata bahwa H0 ditolak dan Ha diterima, artinya durasi gatal tidak
dipengaruhi oleh jenis obat dan faktor pemblokiran seseorang. Untuk mengetahui jenis racun
dan perlakuan yang paling tepat untuk membunuh hewan maka dilakukan uji ANOVA dan
dilanjutkan dengan uji Tukey.

Klik model aktif dengan memilih “itching.drugs.lm”.

Lalu, lakukan uji tabel anova.
Maka akan didapatkan hasil seperti dibawah ini.

Anova Table (Type II tests)

Response: seconds

Sum Sq Df F value Pr(>F)

drug 53013 6 2.8548 0.017303 *

person 103280 9 3.7078 0.001124 **

Residuals 167130 54

---

Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Berdasarkan uji ANOVA didapatkan hasil bahwa pengaruh jenis obat dan perlakuan
terhadap pengaruh obat bagi tubuh dengan nilai signifikansi sebesar 0. Untuk mengetahui
waktu gatal dan obat yang paling tepat dilakukan uji Tukey.

Ketik dalam Rconsole  “TukeyHSD(aov(itching.drugs.lm))”

Dan didapatkan hasil seperti dibawah ini.

Tukey multiple comparisons of means

95% family-wise confidence level

Fit: aov(formula = itching.drugs.lm)

$drug

diff lwr upr p adj

Morphine-Aminophylline 3.7 -72.48544 79.885440 0.9999990

No drug-Aminophylline 46.7 -29.48544 122.885440 0.5039188

Papaverine-Aminophylline -26.1 -102.28544 50.085440 0.9398221

Pentobarbitol-Aminophylline 32.2 -43.98544 108.385440 0.8515989

Placebo-Aminophylline 60.5 -15.68544 136.685440 0.2057246

Tripelennamine-Aminophylline 22.9 -53.28544 99.085440 0.9676471

No drug-Morphine 43.0 -33.18544 119.185440 0.6006037

Papaverine-Morphine -29.8 -105.98544 46.385440 0.8919777

Pentobarbitol-Morphine 28.5 -47.68544 104.685440 0.9107883

Placebo-Morphine 56.8 -19.38544 132.985440 0.2710014

Tripelennamine-Morphine 19.2 -56.98544 95.385440 0.9867157

Papaverine-No drug -72.8 -148.98544 3.385440 0.0699571

Pentobarbitol-No drug -14.5 -90.68544 61.685440 0.9970659

Placebo-No drug 13.8 -62.38544 89.985440 0.9977708

Tripelennamine-No drug -23.8 -99.98544 52.385440 0.9609992

Pentobarbitol-Papaverine 58.3 -17.88544 134.485440 0.2430713

Placebo-Papaverine 86.6 10.41456 162.785440 0.0162806

Tripelennamine-Papaverine 49.0 -27.18544 125.185440 0.4454107

Placebo-Pentobarbitol 28.3 -47.88544 104.485440 0.9134888

Tripelennamine-Pentobarbitol -9.3 -85.48544 66.885440 0.9997652

Tripelennamine-Placebo -37.6 -113.78544 38.585440 0.7369272

$person

diff lwr upr p adj

2-1 35.000000 -63.108566 133.10857 0.9728491

3-1 -2.857143 -100.965709 95.25142 1.0000000

4-1 38.428571 -59.679995 136.53714 0.9511779

5-1 11.714286 -86.394281 109.82285 0.9999953

6-1 -18.571429 -116.679995 79.53714 0.9997658

7-1 -46.285714 -144.394281 51.82285 0.8624406

8-1 -27.285714 -125.394281 70.82285 0.9952075

9-1 -45.000000 -143.108566 53.10857 0.8809356

10-1 82.000000 -16.108566 180.10857 0.1776469

3-2 -37.857143 -135.965709 60.25142 0.9554390

4-2 3.428571 -94.679995 101.53714 1.0000000

5-2 -23.285714 -121.394281 74.82285 0.9985633

6-2 -53.571429 -151.679995 44.53714 0.7312976

7-2 -81.285714 -179.394281 16.82285 0.1866526

8-2 -62.285714 -160.394281 35.82285 0.5391798

9-2 -80.000000 -178.108566 18.10857 0.2037024

10-2 47.000000 -51.108566 145.10857 0.8515057

4-3 41.285714 -56.822852 139.39428 0.9255765

5-3 14.571429 -83.537138 112.67999 0.9999693

6-3 -15.714286 -113.822852 82.39428 0.9999418

7-3 -43.428571 -141.537138 54.67999 0.9014227

8-3 -24.428571 -122.537138 73.67999 0.9979183

9-3 -42.142857 -140.251423 55.96571 0.9164365

10-3 84.857143 -13.251423 182.96571 0.1448655

5-4 -26.714286 -124.822852 71.39428 0.9959037

6-4 -57.000000 -155.108566 41.10857 0.6579876

7-4 -84.714286 -182.822852 13.39428 0.1463844

8-4 -65.714286 -163.822852 32.39428 0.4629060

9-4 -83.428571 -181.537138 14.67999 0.1606173

10-4 43.571429 -54.537138 141.67999 0.8996574

6-5 -30.285714 -128.394281 67.82285 0.9898192

7-5 -58.000000 -156.108566 40.10857 0.6358045

8-5 -39.000000 -137.108566 59.10857 0.9466387

9-5 -56.714286 -154.822852 41.39428 0.6642739

10-5 70.285714 -27.822852 168.39428 0.3673835

7-6 -27.714286 -125.822852 70.39428 0.9946249

8-6 -8.714286 -106.822852 89.39428 0.9999996

9-6 -26.428571 -124.537138 71.67999 0.9962196

10-6 100.571429 2.462862 198.67999 0.0402547

8-7 19.000000 -79.108566 117.10857 0.9997177

9-7 1.285714 -96.822852 99.39428 1.0000000

10-7 128.285714 30.177148 226.39428 0.0025614

9-8 -17.714286 -115.822852 80.39428 0.9998414

10-8 109.285714 11.177148 207.39428 0.0179384

10-9 127.000000 28.891434 225.10857 0.0029415

Lakukan uji plot mean dengan memilih faktor “drug+person” sedangkan untuk peubah dipilih
“seconds”.

Maka akan didapatkan hasil grafik seperti dibawah ini.

 Plot of Means

Itching.Drugs$drug
400

Aminophylline
Morphine
mean of Itching.Drugs$seconds

No drug
Papaverine
300

Pentobarbitol
Placebo
Tripelennamine
200
100

1 2 3 4 5 6 7 8 9 10

Itching.Drugs$person

Berdasarkan hasil uji Tukey diketahui bahwa perbandingan antar factor berbeda
nyata, karena nilai p adj ≤ 0,05. Serta dari grafik plot of means rata-rata jenis obat yang
efektif adalah papaverine karena durasi gatal paling rendah, sedangkan rata-rata jenis obat
yang kurang efektif adalah placebo karena durasi gatal paling tinggi.
 Plot profil yang dihasilkan memiliki orang sebagai sumbu kategori dan obat-obatan
menentukan profil. Hal ini berguna untuk memvisualisasikan efek obat. Plot profil yang
mengandung obat sebagai sumbu kategori dan orang yang menentukan profil menunjukkan
informasi yang sama dengan cara yang berbeda. Ini berguna untuk memvisualisasikan efek
orang untuk mendapatkan plot alternatif ini, masuk ke jendela R Console di tab Rgui.

Tulis di Rconsole 
“plotMeans(Itching.Drugs$predicted,Itching.Drugs$drug,Itching.Drugs$person,error.bars="n
one", col="black")”
 Plot of Means

Itching.Drugs$person
mean of Itching.Drugs$predicted

250

1
2
3
200

4
5
6
150

7
8
100

9
10

Aminophylline Pentobarbitol

Itching.Drugs$drug

Sebuah plot projek yang memiliki obat-obatan sebagai sumbu kategori dan orang-orang
yang menentukan profilnya menunjukkan informasi yang sama dengan cara yang berbeda.