Narasumber:
PENGANTAR
Materi ini dikembangkan dari materi kuliah di Jurusan Proteksi Tanaman, Fakultas Pertanian
Universitas Lampung. Data dan analisis yang digunakan dalam makalah ini bersumber dari buku
Aplikasi Statistika untuk Analisis Data Riset Proteksi Tanaman (F. X. Susilo, 2013, Penerbit
Aura, Bandar Lampung. 168 hlm). Jika peserta mengalami kesulitan dengan prosedur penentuan
kontras ortogonal dan aspek statistika lainnya diharapkan merujuk kepada buku tersebut atau
menggunakan referensi lain yang relevan. Materi ini khusus membahas penggunaan R untuk
menganalisis data sehingga memberikan hasil yang sama dengan buku. Terima kasih kepada
Prof. Susilo, Universitas Lampung, yang telah mengijinkan penggunaan data dan analisisnya.
Deskripsi Data:
1
Pertanyaan penelitian:
1) Apakah respons genotipa lokal (µ1) berbeda dengan respons genotipa-genotipa non-
lokal (yaitu genotipa-genotipa unggul µ2, µ3, µ4, µ5)?
2) Apakah respons genotipa-genotipa unggul tahan penyakit (µ2, µ3) berbeda dengan
respons genotipa-genotipa unggul tahan penyakit dan hama (µ4, µ5)?
3) Apakah respons genotipa unggul tahan penyakit P1 (µ2) berbeda dengan respons
genotipa unggul tahan penyakit P2 (µ3)?
4) Apakah respons genotipa unggul tahan penyakit P1 dan hama (µ4) berbeda dengan
respons genotipa unggul tahan penyakit P2 dan hama (µ5)?
Hipotesis
1) Ho: θ1 = 4µ1 – µ2 – µ3 – µ4 – µ5 = 0
H1: θ1 = 4µ1 – µ2 – µ3 – µ4 – µ5 ≠ 0
(A vs B, C, D, E)
2) Ho: θ2 = µ2 + µ3 – µ4 – µ5 = 0
H1: θ2 = µ2 + µ3 – µ4 – µ5 ≠ 0
(B, C vs D, E)
3) Ho: θ3 = µ2 – µ3 = 0
H1: θ3 = µ2 – µ3 ≠ 0
(B vs C)
4) Ho: θ4 = µ4 – µ5 = 0
H1: θ4 = µ4 – µ5 ≠ 0
(D vs E)
Koefisien kontras
k Kontras θk
ortogonal
1 θ1 = 4µ1 – µ2 – µ3 – µ4 – µ5 4 -1 -1 -1 -1
2 θ2 = µ2 + µ3 – µ4 – µ5 0 1 1 -1 -1
3 θ3 = µ2 – µ3 0 1 -1 0 0
4 θ4 = µ4 – µ5 0 0 0 1 -1
2
Hasil panen hipotetis dari 5 genotipa di atas adalah sbb (ton/ha)
Kelompok
Genotipa
1 2 3 4
3
# E 2,6 3,6 3,9 3,6
## AGAR DAPAT DIANALISIS DENGAN R TANPA ERROR MAKA HARUS DISUSUN ULANG
## DENGAN MENGGUNAKAN PAKET "tidyr"
if (!require(openxlsx)) install.packages('openxlsx')
library(openxlsx)
setwd("G:/My Drive/Webinar 2020/R_Webinar 2020/Presentasi")
kontras <- read.xlsx("GENOTIPA.xlsx",1)
kontras
# Aktifkan "tidyr"
if (!require(tidyr)) install.packages('tidyr')
library("tidyr")
4
# Agar tidak error ketika dianalisis dengan R, diatur agar "tidy"
# Dari data set di atas, hanya dipilih kolom 2 hingga 6
# Data set baru ini diberi nama kontras4 DENGAN NAMA VARIABEL
# "GENOTIPA" SEBAGAI PERLAKUAN (INDEPENDENT VARIABLE)
# "TON" SEBAGAI HASIL (DEPENDENT VARIABLE)
# DIURUT SESUAI ULANGAN ATAU REP
5
# Supaya lebih ringkas dalam koding, kontras4 diberi nama baru "df"
df = kontras4
df
# SEKARANG SET DATA YANG BERNAMA "df" telah "tidy" dan siap untuk diolah dengan R
#############################################################################
# Cara 1
RAK1<-aov(TON ~ factor(KELOMPOK) + factor(GENOTIPA), df)
summary(RAK1)
6
# Cara 2
# Cara 3
RAK3 = aov(TON ~ KELOMPOK + GENOTIPA, data = df)
summary(RAK3)
#############################################################################
# Sekedar untuk membandingkan, dianalisis dengan RAL
## Membuat ANOVA RANCANGAN ACAK LENGKAP (RAL)
## Ada beberapa cara menghasilkan ANOVA RAL
# Cara 1
RAL1<-aov(TON ~ factor(GENOTIPA), df)
summary(RAL1)
# Cara 2
7
# Cara 3
RAL3 = aov(TON ~ GENOTIPA, data = df)
summary(RAL3)
#############################################################################
# Karena pengaruh KELOMPOK atau BLOK signifikan maka selanjutnya RAK digunakan
# Dalam Uji Kontras Ortogonal, faktor GENOTIPA akan dipartisi ke dalam 4 kontras
sbb:
if (!require(lsr)) install.packages('lsr')
library(lsr)
if(!require(car))install.packages('car')
if(!require(lsmeans))install.packages("lsmeans")
if(!require(multcomp))install.packages("multcomp")
8
##
## Attaching package: 'TH.data'
library(lsmeans)
library(car)
df$GENOTIPA = factor(df$GENOTIPA,
levels=unique(df$GENOTIPA))
boxplot(TON ~ GENOTIPA,
data = df,
ylab="Produksi Ton/ha",
xlab="GENOTIPA")
levels(df$GENOTIPA)
# DEFINE CONTRASTS
9
# Gunakan fungsi "cbind" untuk menggabung 4 contrast tsb menjadi matriks
contrasts(df$GENOTIPA) = Matriks
CList = list("contrast1" = 1,
"contrast2" = 2,
"contrast3" = 3,
"contrast4" = 4)
summary(RAK_Kontras, split=list(GENOTIPA=CList))
############################################################################
# Kesimpulan
11