Acara 6.

Perancangan Perlakuan:
Percobaan Faktorial Lengkap

Tujuan : - Mahasiswa dapat melakukan perancangan perlakuan dan mengerjakan

analisis varians yang sesuai dengan rancangan tersebut

- Mahasiswa dapat mengerjakan rancangan percobaan faktorial, melakukan

analisis, serta menafsirkan hasilnya sesuai dengan model rancangan tersebut

Acara 5 mempelajari bagaimana grup-grup perlakuan dapat dibuat terstruktur

ataupun tidak. Dalam percobaan, struktur grup-grup perlakuan dibuat untuk membantu
menjawab hipotesis-hipotesis ikutan secara sistematis. Strukturisasi perlakuan dikenal
sebagai rancangan perlakuan (untuk membedakan dari rancangan lingkungan yang
fungsinya adalah mengendalikan sesatan).
Salah satu golongan rancangan perlakuan yang paling sering digunakan adalah apa
yang dikenal sebagai keluarga rancangan faktorial, yang mengombinasi dua atau lebih faktor.
Dalam struktur faktorial, suatu faktor memiliki sejumlah perlakuan yang masing-masing
disebut aras/level. Percobaan faktorial dengan dua faktor berarti mengombinasi atau
memasangkan satu aras faktor pertama dengan satu aras dari faktor kedua. Apabila semua
aras pada satu faktor berpasangan dengan semua aras dari faktor yang lainnya, kita
menyebutnya faktorial lengkap. Dilihat dari bagaimana kombinasi pasangan aras dibuat, ada
dua kelompok percobaan faktorial lengkap, yaitu (1) berstruktur tersarang dan (2) berstruktur
tersilang. Rancangan berstruktur tersarang tidak akan dibahas dalam praktikum.

Mentik Wangi IR-64

(A1) (A2)

Urea Organik Urea Organik

(B1) (B2) (B1) (B2)

Rancangan faktorial dengan dua faktor tersilang dapat dilihat Skema 1.

Skema 1: Rancangan faktorial tersilang.

 Percobaan faktorial pada Skema 1 adalah percobaan faktorial tersilang dua faktor
(“Kultivar”dan “Pupuk”) 2×2 yang merupakan bentuk paling sederhana rancangan faktorial.
Rancangan faktorial tidak terbatas hanya dua faktor, dan bisa pula dipadukan dengan
rancangan lingkungan.

Simple effects, Interaction effects, dan Main effects

Pada perlakuan faktorial terdapat tiga macam efek perlakuan, yaitu, simple effects (efek
sederhana), interaction effects (efek interaksi), dan main effects (efek utama). Sebagai contoh,
data berikut adalah data dengan rancangan lingkungan CRD dan rancangan faktorial 2×2
sehingga disebut CRD faktorial dua faktor. Ini adalah data selisih bobot (dalam gram) akibat
pemberian pakan tambahan yang merupakan kombinasi protein dan karbohidrat (kalori).
Tabel 1. Data perubahan/selisih bobot

Pakan tambahan Ulangan

1 2 3

Protein tinggi dan kalori tinggi 3 11 10

Protein rendah dan kalori rendah 13 16 13
Protein tinggi dan kalori rendah 19 21 20

Protein rendah dan kalori tinggi 17 16 21

Dari tabel tersebut, dapat dibuat tabel 2.

Tabel 2. Perhitungan simple effects dan interaction effects data Tabel 1.
 Tabel 2 menunjukkan rerata tiap pasangan perlakuan A1B1, A1B2, A2B1, dan A2B2, secara

berturut-turut 8, 20, 18, dan 14. Simple effect faktor A pada level/aras B ke j dinotasikan
dalam bentuk µ[ABj ]. Dengan demikian, sebagai contoh, µ[AB1 ] merupakan besarnya

simple effect protein pada kalori tinggi dengan nilai 10. Simple effect ini mengukur

perbedaan selisih bobot protein tinggi dan protein rendah ketika yang digunakan
kalori tinggi dan rerata selisih bobot dengan protein rendah lebih tinggi daripada protein
tinggi ketika yang digunakan kalori tinggi. Begitu pula besarnya simple effect protein pada
kalori rendah adalah -6. Artinya, dan rerata selisih bobot dengan protein tinggi lebih
tinggi daripada protein rendah ketika yang digunakan kalori rendah. Coba simpulkan
simple effect untuk kalori.
Efek interaksi dihitung dari selisih dua simple effects (simple effects protein atau simple
effects kalori). Ketika efek interaksi bernilai nol, maka tidak ada interaksi pada faktor-faktor
yang digunakan. Pada contoh di atas efek interaksi bisa dihitung dengan menghitung selisih
simple effects protein ataupun simple effects kalori. Dengan perhitungan tersebut, maka
terdapat interaksi antara protein dan kalori karena selisih dua simple effects, dalam hal ini

simple effects protein yang dihitung dengan bernilai 8.

Main effects atau efek utama adalah rerata dari dua simple effects. Sebagai contoh, main

effects protein adalah rerata dari dua simple effects protein, yaitu Artinya,

besarnya perubahan rerata selisih bobot ketika aras protein berubah dari tinggi rendah
adalah 4. Begitu pula dengan kalori, besarnya perubahan rerata selisih bobot ketika

level/aras kalori berubah dari tinggi rendah adalah 2.

Untuk lebih memahami simple, interaction, dan main effects, perhatikan grafik interaksi di
bawah ini.

Grafik 1. Empat skenario pada rancangan perlakuan faktorial 2×2

Berikut tabel rerata untuk masing-masing skenario grafik di atas.

Tabel 3. Rerata faktor per skenario
Skenario (1) B1 B2 Rerata A Skenario (2) B1 B2 Rerata A

A1 10 18 14 A1 14 10 12

A2 12 20 16 A2 10 14 12

Rerata B 11 19 Rerata B 12 12

Skenario (3) B1 B2 Rerata A Skenario (4) B1 B2 Rerata A

A1 10 16 13 A1 13 14 13.5

A2 11 15 13 A2 18 12 15

Rerata B 10,5 15,5 Rerata B 15,5 13

 Pada Skenario (1), tidak terdapat interaksi karena rerata selisih simple effects adalah 0,

yaitu [(10 − 12) − (18 − 20)] = −2 − (−2) = 0. Selain itu, kedua garis tersebut paralel yang
jelas mengindikasikan tidak ada interaksi. Namun, terdapat signifikansi pada efek utama B
karena selisih rerata antar aras faktor B cukup besar yaitu 8. Efek utama A tidak signifikan
karena selisih reratanya cukup kecil, yaitu 2.

Pada Skenario (2), terdapat interaksi karena rerata selisih simple effects tidak 0, melainkan
4. Namun, tidak ada efek utama yang signifikan karena baik rerata faktor dan faktor B yang
mengakibatkan selisihnya 0.

Pada Skenario (3), terdapat interaksi karena rerata selisih simple effects bernilai 1. Efek utama
yang signifikan hanyalah faktor B karena selisih rerata antar aras faktor B adalah 5. Sedangkan,
selisih antar aras faktor A adalah 0.
Pada Skenario (4), terdapat interaksi dan kedua efek utama yang signifikan. Efek interaksi
bernilai 3,5. Selisih antar aras faktor A adalah 2. Begitu juga untuk faktor B. Dengan demikian,
pada skenario ini baik efek interaksi dan efek utama signifikan.

Pengujian Hipotesis

Pengujian hipotesis untuk percobaan faktorial dapat dilihat sebagai kombinasi dua faktor
yang lengkap berpasangan aras-arasnya: A1B1, A1B2, A2B1, dan A2B2. Jika empat kombinasi

ini kita pandang tanpa memperhatikan faktor-faktornya, H0 yang diuji adalah

H0: μA1B1 = μA1B2 = μA2B1 = μA2B2 = μ

Namun demikian, struktur faktorial yang dibuat membuat kita dapat menggali informasi
lebih jauh mengenai

i. H0: ½ (μA1B1 – μA2B2) = ½ (μA1B1 – μA2B1)= μ (hipotesis nol mengenai A*B, yaitu

interaksi A dengan B).

ii. H0: μA1 = μA2 = μ (hipotesis nol mengenai efek A, penyederhanaan

dari H0: ½ (μA1B1+ μA1B2)= ½ (μA2B1+ μA2B2)=μ),

iii. H0: μB1 = μB2 = μ (hipotesis nol mengenai efek B, penyederhanaan

dari H0: ½ (μA1B1 + μA2B1) = ½ (μA1B2 + μA2B2)= μ), dan

Dalam praktik, orang jauh lebih banyak menggunakan struktur tersilang karena informasi
yang tersedia lebih banyak, sehingga inilah yang akan kita bahas.
 ANOVA Faktorial Menggunakan Kontras

Analisis varians bagi struktur tersilang dapat mendeteksi keberadaan interaksi, selain
pengaruh utama. Dalam contoh kita, pengaruh utama protein, kalori dan interaksi pengaruh
protein-kalori dapat diuji dengan hipotesis-hipotesis nol berikut:

 Pengaruh utama protein: H0: μP1 = μP2;

 Pengaruh utama kalori: H0: μK1 = μK2; dan

Pengaruh interaksi protein-kalori: H :

μP1K1 μP2K1
 2
= 2

Perhatikan bahwa sesungguhnya μP1=(μP1K1+μP1K2)/2, dst. Akibatnya, pengaruh

utama protein sesungguhnya adalah Kontras1, pengaruh utama kalori sesungguhnya adalah

Kontras2, dan pengaruh interaksi adalah Kontras3. Jadi, rancangan faktorial tersilang tidak lain
adalah suatu struktur perlakuan yang menerapkan set kontras orthogonal (Cek di Kalori.txt).
Pendekatan kontras dapat dilakukan untuk menganalisis struktur faktorial tersilang ini.

Sebagai latihan, lakukanlah analisis kontras ortogonal untuk contoh data di atas! Mulailah
dengan membuat seri kontras ortogonal (ada tiga kontras, sebut saja kontras1, kontras2, dan
kontras3) sesuai dengan tiga hipotesis formal di atas. Bukalah file R untuk acara ini.

ANOVA Faktorial Menggunakan Model Linear

Model linear rancangan faktorial apabila menggunakan rancangan lingkungan CRD adalah:

𝑌𝑖𝑗𝑘=𝜇+𝐴̂𝑖+𝐵̂𝑗+(𝐴̂𝐵̂)𝑖𝑗+𝜀𝑖𝑗𝑘

Penduga berbagai komponennya adalah:

Untuk RCBD dan LS Design perlu tambahan komponen mengenai blok pada model.
 Keuntungan menggunakan model adalah kita dapat secara langsung menggunakan
perintah lm/aov pada R. Dengan model linear matematis seperti di atas, baris perintah R yang
bersesuaian adalah:

> lm(hasil~protein+kalori+protein:kalori) atau

> lm(hasil~protein*kalori)

Analisis pengaruh sederhana untuk menafsirkan interaksi

Jika hipotesis nol mengenai tidak ada pengaruh interaksi (Protein*Kalori) tidak
ditolak, analisis lanjutan setelah anova dilakukan terhadap pengaruh utama (main effects),
berupa pembandingan rerata (Acara 5 & Acara 7) aras-aras faktor utama yang nyata jika
faktornya tidak berstruktur, atau kontras ortogonal aras-aras faktor utama jika faktornya ber-
struktur (Ingat: Protein maupun Kalori di sini merupakan faktor kualitatif!).

Jika interaksi bermakna, analisis dilanjutkan dengan menggabung JK pengaruh utama

dengan JK interaksi dan kemudian dipecah kembali menjadi JK pengaruh sederhana faktor
pertama (atau kedua) untuk tiap aras faktor kedua (atau pertama) jika aras faktor kedua
(pertama) tidak berstruktur. Yang mana yang dipilih mendasarkan hasil analisis dalam kaitan
dengan kemudahan dalam mengambil kesimpulan. Perhatikan uji simple effects pada suplemen
acara ini.
Hasil pengujian pengaruh utama dapat diabaikan jika interaksinya bermakna
(nyata) karena interaksi yang bermakna berarti bahwa masing-masing faktornya berpengaruh,
tetapi pengaruhnya tergantung faktor yang lainnya. Oleh sebab itu, kita berusaha menjelaskan
bagaimana kerjasama kedua faktor yang dicoba. Cara analisisnya tergantung dari macam
faktornya, apakah keduanya faktor kualitatif (dengan analisis pengaruh sederhana), atau
kuantitatif (dengan model-model regresi permukaan tanggap), atau salah satu faktornya
kualitatif dan faktor yang kedua kuantitatif (dengan analisis pengaruh sederhana). Jika
faktornya kualitatif, apakah pemilihan grup perlakuannya ter- struktur (lanjutan dengan
kontras ortogonal pada tiap aras) atau tidak (lanjutan dengan uji pembandingan rerata
pada tiap aras).
Rancangan Faktorial Kualitatif-Kualitatif (3×2)

Pada acara 6 ini kita juga pelajari kasus faktorial yang kedua faktornya merupakan
perlakuan kualitatif tidak berstruktur lewat hasil percobaan faktorial yang dilakukan dengan
menggunakan CRD dengan tiga ulangan, dengan data produksi sbb. Faktor-faktornya adalah
kultivar (3 aras) dan jenis tanah (2 aras).

Ulangan
Kultivar Jenis
1 2 3
tanah

Cisadane Latosol 8 3 4

Grumusol 7 8 12

IR-36 Latosol 16 14 12

Grumusol 10 8 12

IR-64 Latosol 16 11 15

Grumusol 10 5 9

Data pada tabel di atas dapat dibuat grafik seperti di bawah ini (didapat setelah pengujian
menggunakan R).

Grafik 1. Interaksi faktor kualitatif-kualitatif

 Kita dapat melihat efek kultivar pada masing-masing aras jenis tanah. Untuk itu
diperlukan menghitung JK Kultivar pada tanah Latosol dan JK Kultivar pada tanah Grumusol.
Dapat pula kita melihat efek jenis tanah pada masing-masing kultivar. Untuk itu diperlukan
menghitung JK Jenis_tanah pada kultivar ‘Ciherang’, ‘IR36’ dan ‘IR64’. Untuk menghitung ini,
kita menghitung seperti biasa, seakan-akan hanya melakukan percobaan pada masing- masing
aras faktor lainnya.
Jalankan dan bacalah suplemen untuk rancangan faktorial kualitatif-kualitatif. Perhatikan
pada bagian testInteractions, ada sedikit perbedaan pada kedua keluaran. Pada pilihan
pertama, yaitu menganalisis efek kultivar pada setiap aras jenis tanah, terdapat kolom
Kultivar1 dan Kultivar2, sementara pada pilihan kedua, yaitu menganalisis efek jenis
tanah pada setiap aras kultivar, hanya ada satu kolom. Ini terjadi karena R menganalisis
kontras ortogonal dalam setiap aras. Dikarenakan ada tiga aras kultivar muncullah dua (3 minus
1) kontras yang saling ortogonal. Sebaliknya, pada pilihan menganalisis pengaruh sederhana
jenis tanah pada setiap kultivar, hanya ada satu kontras yang ortogonal (perhatikan derajat
bebasnya).

Rancangan Faktorial Kualitatif-Kuantitatif

Selain menggunakan dua faktor yang bersifat kualitatif-kualitatif, rancangan perlakuan
faktorial juga dapat bersifat kualitatif-kuantitatif. Sebagai contoh yang diambil Gomez dan
Gomez (1984), percobaan berikut adalah membandingkan hasil enam kultivar (faktor kualitatif)
yang diaplikasikan tiga dosis pupuk nitrogen (faktor kuantitatif). Berikut tabel data percobaan
tersebut.

Kultivar
Dosis
IR8 IR127 IR305 IR400 IR665 Peta
0 2373 4007 2620 2726 4447 2572
0 3958 5795 4508 5630 3276 3724
0 4384 5001 5621 3821 4582 3326
60 4076 5630 4676 4838 5549 3896
60 6431 7334 6672 7007 5340 2822
60 4889 7177 7019 4816 6011 4425
120 7254 7053 7666 6881 6880 1556
120 6808 8284 7328 7735 5080 2706
120 8582 6297 8611 6667 6076 3214
 Perhatikan tabel di atas. Terdapat enam aras faktor kualitatif dan tiga aras faktor kuantitatif.
Cara menganalisis data di atas bisa dilakukan dengan polinom ortogonal karena pada Acara 5
sudah diajarkan salah satu cara menganalisis ketika perlakuan berupa faktor kuantiatif adalah
dengan cara membuat ANOVA dengan koefisien polinomial ortogonal. Cara lain yang
sebenarnya lebih tepat adalah dengan melakukan regresi masing-masing faktor kualitatif (dalam
hal ini Kultivar) karena jika diperhatikan dengan seksama, hubungan antara Hasil sebagai
variabel Y dan Anakan sebagai variabel X adalah regresi linear sederhana. Dengan demikian,
dengan adanya tiga kultivar, maka sebenarnya analisis untuk rancangan perlakuan kualitatif-
kuantitatif adalah regresi linear dengan lebih dari satu garis atau membandingkan garis
regresi satu dengan yang lain (comparison of regression lines). Yang akan dibandingkan
adalah slope dan intercept setiap garis regresi, dalam hal ini slope dan intercept ketiga garis
regresi kultivar. Di praktikum ini cara regresi hanya akan diberikan sebagai pengayaan.

Pendekatan polinom ortogonal

Pendekatan polinom ortogonal memang lebih sederhana dibandingkan regresi banyak garis
karena hanya menyertakan koefisien polinom ortogonal pada dataset kemudian dilakukan
ANOVA (buka kembali Acara 5).
Pada data di atas yang memerlukan koefisien polinom ortogonal adalah dosis nitrogen
karena merupakan faktor kuantitatif. Dikarenakan terdapat tiga aras pada faktor nitrogen, maka
koefisiennya adalah linear dan kuadratik. Koefisien ini dapat dicari pada buku-buku statistik
seperti Gomez dan Gomez (1984).
Bentuk tabel ANOVAnya akan seperti berikut.

Sumber ragam db JK KT F
Varietas a-1
Nitrogen b-1
Dosis linear 1
Dosis kuadratik 1
Varietas × Dosis (a-1)*(b-1)
Varietas × Dosis linear (a-1)*1
Varietas × Dosis kuadratik (b-1)*1
Error ab(r-1)

Pada tabel ANOVA di atas terlihat bahwa bagian Nitrogen dipecah menjadi dosis linear dan
kuadratik beserta interaksinya. Dengan demikian, pada pendekatan ini yang menjadi minat
adalah apakah interaksi Kultivar dan Dosis Nitrogen berpola linear atau kuadratik. Namun,
yang menjadi kekurangan pada pendekatan ini adalah kita tidak bisa mendapat nilai slope
regresi per kultivar. Kita hanya bisa mengetahui ada interaksi yang linear atau kuadratik antara
Kultivar dengan Dosis tersebut karena dosis hanya tiga level. Ketika interaksi Kultivar dan Dosis
linear signifikan, maka kesimpulannya adalah efek Dosis terhadap Kultivar tidak sama
kecenderungannya (slopenya berbeda) dan tidak ada titik optimal jadi penambahan dosis pupuk
efeknya masih linear (meningkat terus atau menurun terus). Namun, jika interaksi yang
siginifikan adalah yang kuadratik, maka ada titik optimal (titik maksimum) sehingga peningkatan
Dosis pada suatu titik akan mengalami penurunan.

Pendekatan regresi banyak garis (*opsional)

Seperti yang dijelaskan sebelumnya, analisis yang dilakukan adalah regresi setiap varietas
(enam garis regresi). Hasil regresi diberikan pada Grafik 3. Pada grafik ini disertakan persamaan
regresinya. Agar persamaan regresi tiap varietas mudah dilihat, maka grafik dipecah menjadi per
kultivar.

Grafik 1. Regresi per kultivar dengan grafik terpisah

 Grafik 2. Regresi per kultivar dalam satu garis

Dari kedua grafik tersebut jelas bahwa ketika perlakuan faktorial terdiri atas faktor kualitatif-
kuantitatif, penyajian data menggunakan scatter plot dan analisis yang digunakan adalah regresi
linear. Data dengan rancangan perlakuan faktorial kualitatif-kuantitatif tidak dianalisis
menggunakan simple effects maupun uji posthoc. Pada Praktikum ini, data di atas akan dianalisis
untuk mengetahui apakah intercept dan slope tiap kultivar sama atau berbeda. Untuk memahami
analisis faktorial kualitatif-kuantitatif, analisislah data tersebut dengan menjalankan file R untuk
faktorial kualitatif-kuantitatif.

Interaksi nyata Analisis simple effect

Kualitatif-Kualitatif
Jika main effect nyata
Rancangan perlakuan faktorial

Interaksi tidak nyata analisis main effect

dengan posthoc

Perbandingan garis
regresi
Kualitatif-Kuantitatif Interaksi nyata
Polinom ortogonal
Jika main effect nyata
uji posthoc untuk faktor
Interaksi tidak nyata
kualitatif atau regresi
untuk faktor kuantitatif

Kuantitatif- Regresi liner berganda

Kuantitatif atau Response surface