Biometri

Prodi Pendidikan Biologi, FKIP

EKSPERIMEN DENGAN SPLIT PLOT

Penggunaan perlakuan factorial dalam suatu desain eksperimen tidak selalu efektif dan
efisien ketika suatu eksperimen terkendala dengan situasi di lapangan atau laboratorium.
Pemberian pupuk nitrogen pada konsentrasi yang berbeda (100, 150, 200 kg/ha) pada dua
varitas tomato dengan 3 ulangan tidak dapat dilakukan dengan factorial apabila lahan
yang digunakan adalah lapangan. Bayangkan traktor yang menyebar pupuknya dan
kemungkinan kontaminasi antara satu konsentrasi dengan konsentrasi pupuk lainnya
diantara tanaman tomat yang berbeda varitas serta kesulitan dalam menyebarkan pupuk
pada setiap unit tanaman secara acak seperti dalam faktorial. Memberikan kombinasi
perlakuan dalam setiap unit eksperimen menyulitkan penggunaan traktor dan menjadi
tidak efisien.

Contoh lain dapat juga terjadi dalam penelitian pendidikan. Teknik mengajar biasanya
diterapkan ke seluruh murid dalam kelas. Kelas kemudian dapat dibagi menjadi beberapa
sub-unit yang diberikan training yang berbeda.

Atau penelitian biologi dengan menggunakan ’Growth Chamber’. Harga ’Growth

Chamber’ sangat mahal dan biasanya tersedia dalam jumlah relative sedikit dalam suatu
universitas atau institusi. Intensitas cahaya di lapangan tidak mudah diatur karena
berhubungan dengan dengan perubahan temperature. Dalam suatu ‘Growth Chamber’
intensitas cahaya ini dapat diatur dengan temperature yang juga dapat dikontrol. Jika
sebuah eksperimen ingin menggunakan perlakuan dengan beda intensitas cahaya
terhadap dua spesies tumbuhan maka penggunaan ‘Growth Chamber’ merupakan pilihan.
Dua species tumbuhan ini ditanam pada pot-pot sebagai unit eksperimen terkecil. Pot-pot
ini disebar secara acak dengan jumlah ulangan yang sama pada setiap growth chamber.
Intensitas cahaya pada masing-masing growth chamber diatur berbeda sebagai perlakuan
yang mempengaruhi kedua spesies tumbuhan.

Dari kondisi diatas maka error karena variasi yang disebabkan bisa terjadi di dua level.
Error pertama timbul karena variasi diantara ’Growth Chamber’ yang terjadi dan
error/kesalahan ini disebut error pertama (whole error= error a). Error kedua timbul
karena terjadi diunit terkecil dalam setiap plot yang dipengaruhi oleh perlakuan pertama.
Dengan demikian variasi tersebut muncul dari kombinasi kedua pengaruh. Dalam hal ini
error kedua (error b = split error) terjadi diantara unit eksperimen dengan dua spesies
tanaman dalam setiap ‘growth chamber’nya. Thus berbeda dengan factorial, split plot
mempunyai dua level error.

Contoh:
a. Dalam eksperimen pertanian, air yang diaplikasikan dengan system irigasi ke area
yang luas dan kemudian dibagi menjadi lahan yang lebih kecil untuk aplikasi
pemupukan atau perlakuan lainnya.
b. Dalam eksperimen industri, pabrik memasukkan bahan/material mentah ke dalam
beberapa batch untuk efisiensi dan kemudian bahan-bahan tersebut dibagi kelak
dalam jumlah yang lebih kecil untuk perlakuan berikutnya yang berbeda seperti

1
 Biometri
Prodi Pendidikan Biologi, FKIP
pengerasan atau hal lainnya. Bayangkan pembuatan ice cream coklat dan
kemudian bagian luarnya mempunyai rasa yang berbeda (mocca, strawberry,
double coco etc).

Dalam split plot, randomization (pengacakan) dilakukan dua kali. Masing-masing

pengacakan dilakukan pada setiap perlakuan.
Contoh lay out dari split plot.

Blok II Blok I
A2 A3 A1 A1 A3 A2

B2 B1 B4 B2 B3 B2
B4 B4 B3 B3 B4 B1
B3 B2 B2 B4 B1 B3
B1 B3 B1 B1 B2 B4

Dengan menggunakan dua ulangan (r dalam bentuk blok disini), factor pertama (A)
diacak diantara ulangan dan perlakuan ini bertindak sebagai whole plot. Kemudian
perlakuan kedua (B) diacak diantara setiap whole plot (A) dan bertindak sebagai unit
split.

Kita dapat melihat bahwa dengan menggunakan split plot terjadi pembatasan pengacakan
kombinasi perlakuan A dan B di setiap replikasi atau blok. Hal tersebut tidak terjadi pada
perlakuan yang dilakukan dengan factorial. Dalam factorial, kombinasi perlakuan
diacak. Bandingkan dengan lay-out perlakuan factorial berikut ini.

Blok II Blok I

A2B2 A2B1 A3B4 A1B2 A2B3 A3B2

A1B4 A2B4 A1B3 A3B3 A1B4 A2B1
A3B3 A1B2 A3B2 A2B4 A3B1 A1B3
A3B1 A1B3 A2B1 A1B1 A2B2 A3B4

Linear model dari split splot adalah sebagai berikut:

Yijk = µ + ρi + αj + δij + βk + (αβ)jk + εijk i = 1, 2, … r

j = 1, 2, …a
k = 1, 2, …b

2
 Biometri
Prodi Pendidikan Biologi, FKIP
Yijk = observasi dari unit eksperimen dengan factor b dibawah pengarh factor A pada
setiap ulangan r
µ = overall mean
ρi = efek dari i blok (replikasi)
αj = efek perlakuan dari level j faktor A
δij = komponen error dari whole plot
βk = efek perlakuan dari level k factor B

(αβ)jk = komponen untuk mengukur interaksi yang disebabkan pengaruh level j dari
factor A dan level k dari factor B

εijk = komponen error dari split splot.

ANOVA:

Correction Factor (faktor koreksi) = C = Y2.../rab

  y
2
Total Sum Square (SSY) = -C
ijk
i j k

1
Sum Square R (SSR) = 
ab i
y1.. − C
2

1

2
Sum Square A (SSA) = y −C
rb j . j .

Untuk mendapatkan sum square error dari whole plot kita perlu menghitung sum square
untuk whole plot (WP) terlebih dahulu.

1
 y
2
Sum Square Whole Plot A (SSWP) = −C
b i j
ij .

Maka Sum Square Error 1 atau whole plot (SSE1) = SSWP – SSA – SSR

Sum square dari split plit B dan interaksi AxB dihitung sevagai berikut:

1

2
Sum Square B (SSB) = y −C
ra k ..k

1

2
Sum square sub plot (SAB) = y −C
r j k . jk

3
 Biometri
Prodi Pendidikan Biologi, FKIP

Sum Square interaksi AB (SSAB) = SAB – SSA – SSB

Maka Sum square error kedua (SSE2) atau disebut error split plot:

SSE2 = SSY – SSR – SSA – SSE1 – SSB – SSAB

Tabel ANOVA split splot sebagai berikut:

Source of df SS MS Ftest
variation
Reps r-1 SSR MSR=SSR/( r-1)
A a-1 SSA MSA=SSA/( a-1) MSA/MSE1
Error WP (r-1)(a-1) SSE1 MSE1=SSE1/(r-1)(a-1)
B b-1 SSB MSB=SSB/( b-1) MSB/MSE2
AxB (a-1)(b-1) SSAB MSAB=SSAB/(a-1)(b-1) MSAB/MSE2
Error SP (r-1)a(b-1) SSE2 MSE2 = SSE2/(r-1)a(b-1)
Total rab-1 SSY

Contoh:

Supervisi divisi kualitas pendidikan dasar dan menengah menginvestigasi pengaruh tiga
metoda pengajaran (klasik, menggunakan TV, dan kombinasi keduanya) pada
pemahaman konsep matematika. Dia juga memikirkan efek dari penggunaan kalkulator
dalam pemahaman konsep matematika ini. Secara natural metoda pengajaran harus
dilakukan pada siswa dalam suatu blok maka pelaksanaan eksperimen ini sebagai berikut:
Tiga sekolah dipilih secara acak dan 3 kelas paralel dalam setiap sekolah diambil.
Dengan cara pengacakan, satu metoda pengajaran diimplementasikan ke dalam salah satu
kelas tersebut. Dengan demikian, ketiga metoda pengajaran diimplementasikan pada
setiap sekolah. Separuh dari setiap kelas diacak untuk menggunakan kalkulator
sedangkan sebagian lainnya tidak menggunakan kalkulator. Di akhir pengajaran,
evaluasi atau ujian diberikan kepada semua siswa. Rerata skor dari setiap siswa
kemudian dianalisa untuk mengetahui hasil pengaruh beda perlakuan metoda pengajaran
dan penggunaan kalkulator.

4
 Biometri
Prodi Pendidikan Biologi, FKIP

Metoda pengajaran merupakan perlakuan whole plot (A) dan penggunaan kalkulator
merupakan perlakuan sub plot (B)

Klasik TV TV + Klasik

Sekolah 1 Kalkulator (C) Tanpa Kalkulator (NC) Tanpa Kalkulator (NC)

(Rep 1) Tanpa Kalkulator (NC) Kalkulator (C) Kalkulator (C)

Sekolah 2 Tanpa Kalkulator (NC) Kalkulator (C) Kalkulator (C)

(Rep 2) Kalkulator (C) Tanpa Kalkulator (NC) Tanpa Kalkulator (NC)

Sekolah 3 Kalkulator (C) Tanpa Kalkulator (NC) Tanpa Kalkulator (NC)

(Rep 3) Tanpa Kalkulator (NC) Kalkulator (C) Kalkulator (C)

Untuk memudahkan data skor matematika dilaporkan sebagai berikut:

Klasik TV Klasik+TV Total Rep

Rep 1 C 72 150 61 124 65 132 406
NC 78 63 67
Rep 2 C 80 165 64 127 71 144 436
NC 85 63 73
Rep 3 C 75 154 58 117 64 131 402
NC 79 59 67
Total metoda A 469 368 407 1244=y...

5
 Biometri
Prodi Pendidikan Biologi, FKIP

Klasik TV Klasik+TV Total B

C 227 183 200 610

NC 242 185 207 634

Penghitungan sum-square:
C = (1244)2/(3x3x2) = 85974.22
SSR = [(406)2 + (436)2 + (402)2]/6 – C = 86089.3 – 85974.22 = 115.11
SSA = [(469)2 + (368)2 + (407)2]/6 – C = 86839 – 85974.22 = 864.78
SRA = [(150)2 + (124)2 + … + (131)2]/2 – C = 86978 – 85974.22 = 1003.78
SSE1 = SRA – SSR = 1003.78 -115.11 = 23.89
SSB = [(610)2 + (634)2 ]/9 – C = 86006.22 – 85974.22 = 32
SAB = [(227)2 + (183)2 + … + (207)2]/3– C = 86885.33 – 85974.22 = 911.11
SSAB = 911.11 – 864.78 – 32.00 = 14.33
SSY = [(72)2 + (61)2 + (65)2 + … + (67)2] – C = 87028 – 85974.22 = 1053.78
SSE2 = SSY – SSR - SSA – SSE1 – SSB - SSAB =3.67

Maka Tabel ANOVA:

Source of df SS MS Ftest
variation
Reps r-1 = 3-1 = 2 115.11 MSR=115.11/2 = 57.55
A a-1 = 3-1 = 2 864.78 MSA=864.78/2 = 432.39 72.4271
Error WP (r-1)(a-1)= 4 23.89 MSE1=23.89/4 = 5.97
B b-1=2-1 = 1 32.0 MSB=32/1 = 32 52.4590
AxB (a-1)(b-1)=2 14.33 MSAB=14.33/2 = 7.17 11.7541
Error SP (r-1)a(b-1)=6 3.67 MSE2 = 3.67/6 = 0.61
Total rab-1=17

Ftabel pada α = 0.05

Ftabel 0.05;2, 4 = 6.94
Ftabel 0.05;1,6 = 5.99
Ftabel 0.05;2,6 = 5.14

Kesimpulan: ?