5.

1 Dibawah ini output yang diperoleh dari program computer yang menghitung anova 2 arah pada
percobaan factorial.

Two Way ANOVA: y versus, A,B

Source DF SS MS F P
A 1 0.322 … … …
B … 80.554 40.2771 4.59 …
Interaction … … … … …
Error 12 105.327 8.7773
Total 17 231.551

a. Isi tabel ANOVA yang kosong.

b. Berapa level dari faktor B?
c. Berapa replikasi percobaan?
d. Apa kesimpulan yang dapat diambil?

Jawab:
a. Dengan menggunakan data pada tabel yang telah diketahui dapat diperoleh nilai dari sel-sel
yang kosong.

 DF A= a-1= 1
a= 2

 DF Total = abn-1= 17
abn= 18
2bn= 18
bn= 9

 DF Error = ab(n-1)= 12
2b(n-1)= 12
2bn-2b= 12
2(9)-2b= 12
18-2b= 12
-2b= -6
b= 3

 DF B = b-1= 3-1= 2

 DF Interaction = (a-1)(b-1)
= (2-1)(3-1)
= (1)(2)
=2

SS A 0.322
 MS A = = =0.322
a−1 1
 SS B 45.348
 MS Interaction = = =22.674
b−1 2

 SS AB = SS Subtotal – SS A – SS B

SS Error = SS Total – SS Subtotal

105. 327 = 231.551 – SS Subtotal
SS Subtotal = 231.551 – 105. 327
= 126.224

SS AB = 126.224 – 0.322 – 80.554

= 45.348

MS A 0.322
 F0 A = = =0.036686
MS Total 8.7773
MS AB 22.674
 F0 Interaction = = =2.588325
MS Error 8.7773
 Nilai p pada tabel diperoleh dengan bantuann Microsot Excell dengan fungsi F.DIST(Nilai F0 , DF,
DF Total, False), dimana FALSE mengartikan fungsi probabilitas.

Two Way ANOVA: y versus, A,B

Source DF SS MS F P
A 1 0.322 0.322 0.36686 0.53558
B 2 80.554 40.2771 4.59 0.01654
Interaction 2 45.348 22.674 2.58325 0.08038
Error 12 105.327 8.7773
Total 17 231.551

b. Level dari faktor B adalah b = 3

c. Replikasi percobaan dapat dicari dengan menghitung n
bn = 9
3n =9
n =3
Jadi, banyaknya replikasi pada percobaan sebanyak 3 replikasi
d. Dari model mean
i=1 , 2 ,… , a

dimana
{
y ijk =μ ij + ϵ ijk j=1, 2 , … , b
k=1 , 2, … , n

μij =μ+ τ i+ β j +¿

Akan dilakukan pengujian hipotesis,

dengan hipotesis tentang kesamaan pengaruh tiap level di faktor A
H0:τ 1 =τ 2=…=τ a=0
 H1: setidaknya satu τ i ≠ 0
Jika H0 ditolak maka pengaruh tiap level di faktor A tidak sama, jika H 0 diterima maka pengaruh
tiap level di faktor A sama.

dengan hipotesis tentang kesamaan pengaruh tiap level di faktor B

H0: β 1=β 2=…=β a=0
H1: setidaknya satu β i ≠ 0
Jika H0 ditolak maka pengaruh tiap level di faktor B tidak sama, jika H 0 diterima maka pengaruh
tiap level di faktor B sama.

dengan hipotesis tentang adanya interaksi perlakuan di faktor A dan faktor B

H0:( τβ)ij=0 untuk semua i,j
H1: setidaknya satu ( τβ)ij ≠ 0
Jika H0 ditolak maka ada interaksi perlakuan di faktor A dan faktor B, jika H 0 diterima maka tidak
ada interaksi perlakuan di faktor A dan faktor B.

Dari tabel ANOVA pada soal,

MSA tidak lebih besar daripada MSE , sehingga H0 diterima maka pengaruh antara tiap level di
faktor A adalah sama.
MSB lebih besar daripada MSE , sehingga H0 ditolak maka pengaruh antara tiap level di faktor A
adalah tidak sama.
MSAB lebih besar daripada MSE , sehingga H0 ditolak maka ada interaksi antara faktor A dan
faktor B.

14.13 Seorang teknisi menguji produk-produk manufaktir 3 mesi. Setiap mesin bisa dioperasikan dengan
setelan dua tenaga. Sebuah mesin memiliki tiga titik dimana produk terbentuk. Sebuah percobaan
dilakukan dimana masing-masing mesin diuji dalam kedua setelan sumber tenaga, dan tiga hasil diambil
dari setiap titik. Pengolahan dibuat random dan hasilnya terdata di tabel 14.1. Analisa percobaan ini
dengan asumsi semua tiga faktor diperbaiki.

Station Machine 1 Machine 2 Machine 3

1 2 3 1 2 3 1 2 3
Power 34.1 33.7 36.2 31.1 33.1 32.8 32.9 33.8 33.6
Setting 1 30.3 34.9 36.8 33.5 34.7 35.1 33.0 33.4 32.8
31.6 35.0 37.1 34.0 33.9 34.3 33.1 32.8 31.7
Power 24.3 28.1 25.7 24.1 24.1 26.0 24.2 23.2 24.7
Setting 2 26.3 29.3 26.1 25.0 25.1 27.1 26.1 27.4 22.0
27.1 28.6 24.9 26.3 27.9 23.9 25.3 28.0 24.8

Jawab:
Soal ini dijawab dengan bantuan program R,

Dengan R script sebagai berikut:

data=read.table("D:/Rancob/product.txt", header=T)
data$Machine <- as.factor(data$Machine)
data$Station <- as.factor(data$Station)
data$Power <- as.factor(data$Power)
fit <- lm(Product~Machine+Power+Station%in%Machine+Power%in
%Machine+Power%in%Station%in%Machine, data = data)
anova(fit)
Output
> data=read.table("D:/Rancob/product.txt", header=T)
> data
Product Machine Station Power
1 34.1 1 1 1
2 30.3 1 1 1
3 31.6 1 1 1
4 24.3 1 1 2
5 26.3 1 1 2
6 27.1 1 1 2
7 33.7 1 2 1
8 34.9 1 2 1
9 35.0 1 2 1
10 28.1 1 2 2
11 29.3 1 2 2
12 28.6 1 2 2
13 36.2 1 3 1
14 36.8 1 3 1
15 37.1 1 3 1
16 25.7 1 3 2
17 26.1 1 3 2
18 24.9 1 3 2
19 31.1 2 1 1
20 33.5 2 1 1
21 34.0 2 1 1
22 24.1 2 1 2
23 25.0 2 1 2
24 26.3 2 1 2
25 33.1 2 2 1
26 34.7 2 2 1
27 33.9 2 2 1
28 24.1 2 2 2
29 25.1 2 2 2
30 27.9 2 2 2
31 32.8 2 3 1
32 35.1 2 3 1
33 34.3 2 3 1
34 26.0 2 3 2
35 27.1 2 3 2
36 23.9 2 3 2
37 32.9 3 1 1
38 33.0 3 1 1
39 33.1 3 1 1
40 24.2 3 1 2
41 26.1 3 1 2
42 25.3 3 1 2
43 33.8 3 2 1
44 33.4 3 2 1
45 32.8 3 2 1
46 23.2 3 2 2
47 27.4 3 2 2
48 28.0 3 2 2
49 33.6 3 3 1
50 32.8 3 3 1
51 31.7 3 3 1
52 24.7 3 3 2
53 22.0 3 3 2
54 24.8 3 3 2

> data$Machine <- as.factor(data$Machine)

> data$Station <- as.factor(data$Station)
> data$Power <- as.factor(data$Power)
> fit <- lm(Product~Machine+Power+Station%in%Machine+Power%in
%Machine+Power%in%Station%in%Machine, data = data)
> anova(fit)

Analysis of Variance Table

Response: Product
Df Sum Sq Mean Sq F value Pr(>F)
Machine 2 21.44 10.72 6.2475 0.004687 **
Power 1 845.70 845.70 492.9587 < 2.2e-16 ***
Machine:Station 6 33.58 5.60 3.2626 0.011513 *
Machine:Power 2 0.38 0.19 0.1115 0.894793
Machine:Power:Station 6 29.21 4.87 2.8375 0.022924 *
Residuals 36 61.76 1.72
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Tabel ANOVA diatas menunjukkan bahwa mesin, power, mesin(station), dan mesin(tenaga(station)
signifikan terhadap produk manufaktur.