Buku Rancangan Percobaan

Bahan Ajar
a
r ay
Rancangan Percobaan
ka
(Metode dan Rancangan Penelitian)
ng
la
Pa
UM
Haryadi
Universitas Muhammadiyah Palangkaraya
2012
Daftar Isi
a
ay
1 Pengantar 1
1.1 Prinsip Dasar Rancangan Percobaan . . . . . . . . . . . . . . . . 2
1.1.1 Replikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
r
1.1.2 Blocking . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Randomisasi . . . . . . . . . . . . . . . . . . . . . . . . . 2
ka
1.2 Perencanaan Penelitian . . . . . . .
1.2.1 Menentukan Tujuan . . . . .
1.2.2 Sumber variasi . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
3
4
ng
2 Konsep Dasar Statistika 5
2.1 Beberapa distribusi peluang . . . . . . . . . . . . . . . . . . . . . 9
2.2 Uji Hipotesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
la
3 Eksperimen Satu Faktor Random Lengkap 13

Pa
3.1 Randomisasi Satuan Percobaan . . . . . . . . . . . . . . . . . . . 13

3.2 Analisis Varian . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4 Uji Perbedaan Antar Mean 19

4.1 Perbandingan Pasangan Mean . . . . . . . . . . . . . . . . . . . . 19
UM
4.1.1 Metode Tukey . . . . . . . . . . . . . . . . . . . . . . . . 19

4.1.2 Fisher Least Significant Different (LSD) . . . . . . . . . . 21
4.1.3 Uji Ganda Duncan (Duncan’s multiple range test) . . . . 22
4.2 Pembandingan mean perlakuan dengan kontrol . . . . . . . . . . 24
4.3 Kontras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5 Memeriksa Kesesuaian Model 29

5.1 Normalitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.2 Memeriksa Independensi Kesalahan . . . . . . . . . . . . . . . . . 32
5.3 Uji Kesamaan Varian . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.4 Transformasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
6 Rancangan Blok 39
6.1 Rancangan Blok Random Lengkap . . . . . . . . . . . . . . . . . 39
6.1.1 Asumsi model . . . . . . . . . . . . . . . . . . . . . . . . . 39
i
ii DAFTAR ISI
6.1.2 Perbandingan ganda pada rancangan blok random lengkap 44

6.1.3 Memeriksa asumsi model . . . . . . . . . . . . . . . . . . 44
6.2 Rancangan Blok Tak Lengkap Seimbang . . . . . . . . . . . . . . 46
6.3 Rancangan Bujur Sangkar Latin . . . . . . . . . . . . . . . . . . 49
6.4 Rancangan Blok Lengkap yang Diperluas . . . . . . . . . . . . . 54
7 Rancangan Faktorial 57
7.1 Model dan Hipotesis Rancangan Dua Faktor . . . . . . . . . . . 59
7.1.1 Analisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
7.1.2 Perbandingan Ganda . . . . . . . . . . . . . . . . . . . . . 64
7.1.3 Uji Kelayakan Model . . . . . . . . . . . . . . . . . . . . . 67
a
7.2 Rancangan Faktorial Umum . . . . . . . . . . . . . . . . . . . . . 69
ay
7.3 Rancangan Faktorial Kelompok . . . . . . . . . . . . . . . . . . . 72
8 Rancangan Faktorial 2k 77
8.1 Rancangan 22 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
r
8.2 Rancangan 23 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
9 Model Efek Random

ka
8.3 Rancangan Faktorial 2k . . . . . . . . . . . . . . . . . . . . . . . 84
87
9.1 Satu Faktor Random . . . . . . . . . . . . . . . . . . . . . . . . . 87
ng
9.2 Dua Faktor Random . . . . . . . . . . . . . . . . . . . . . . . . . 90
9.3 Model Campuran Dua Faktor . . . . . . . . . . . . . . . . . . . . 93
la
10 Rancangan Tersarang dan Split Plot 97
10.1 Rancangan Tersarang Dua Tahap . . . . . . . . . . . . . . . . . . 97
10.2 Rancangan Split Plot . . . . . . . . . . . . . . . . . . . . . . . . . 100
Pa
UM
Bab 1
Pengantar
a
r ay
Ketika kita akan melakukan penelitian, kita sering dihadapkan pada pertanyan
seperti ”bagaimana cara melaksanakan eksperimen agar kita bisa memperoleh
ka
informasi yang akurat”. Meskipun data atau informasi dapat diperoleh melalui
studi observasi dan eksperimen, namun hanya data dari eskperimen yang memu-
ngkinkan kita untuk bisa mengambil kesimpulan tentang sebab dan akibat.
ng
Eksperimen merupakan serangkaian uji (test) dalam mana variabel input
diberikan pada suatu proses atau sistem sehingga kita bisa melakukan observasi
dan identifikasi pada output respon.
Eksperimen digunakan untuk melakukan studi unjuk kerja suatu proses atau
la
sistem. Proses atau sistem merupakan kombinasi dari mesin, tenaga kerja,
metode dan sumber daya lainnya yang mentranformasi input menjadi output.
Pa
Faktor-faktor yang mempengaruhi suatu proses terdiri dari faktor-faktor terk-

endali (controllable) dan faktor-faktor tak terkendali (uncontrollabel). Faktor
terkendali yang bisa mempengaruhi repson suatu proses dinamakan pula per-
lakuan (treatment) atau faktor. Perlakuan sengaja diberikan pada proses
dengan tujuan untuk melihat pengaruhnya terhadap output. Untuk mengetahui
UM
efek dari perlakuan terhadap respon suatu proses, perlakuan dikenakan secara
bervariasi. Variasi perlakuan ini selanjutnya dinamakan level atau tingkat atau
dosis perlakuan.
Satuan percobaan (experimental unit) merupakan material paling pent-

ing dalam penelitian, karena dari satuan percobaan kita bisa memperoleh data/
informasi. Satuan percobaan adalah material dimana level dari perlakuan dike-
nakan. Misalnya, petak atau pot beserta tanamannya, pasien atau relawan,
hewan percobaan, mesin, peralatan, dan sebagainya.
Contoh 1. Seorang peneliti ingin mengatahui pegaruh dosis pupuk P terhadap

hasil tanaman jagung. Berdasarkan informasi sebelumnya, ia menentukan dosis
1, 2, 3, 4 dan 5 kwintal/ha, dan setiap dosis diberikan pada 3 petak. Ini berarti
ada 3 × 5 = 15 petak percobaan.
1
2 BAB 1. PENGANTAR
Setiap petak merupakan satuan percobaan (experimental unit), jadi ada

15 satuan percobaan. Pupuk P merupakan faktor atau perlakuan, dan dosis
pupuk P tersebut merupakan tingkat/level dari perlakuan. Dengan demikian
pada contoh ini perlakuan pupuk P memiliki 5 level.
1.1 Prinsip Dasar Rancangan Percobaan

Untuk bisa melaksanaan eksperimen secara efisien dan kesimpulannya absah, se-
orang peneliti perlu menyusun suatu perencaan penelitian. Rancangan peneli-
tian secara statistika merupakan suatu proses perencanaan eksperimen se-
a
hingga data yang dapat dianalisis dengan metode statistika, akan memberikan
kesimpulan yang absah. Prinsip dasar perancangan percobaan adalah ulangan
ay
(replikasi), randomisasi dan pengelompokan (blocking ).
1.1.1 Replikasi
r
ka
Replikasikasi berarti mengenakan level perlakuan yang sama pada beberapa sat-
uan percobaan. Pada contoh di atas, setiap dosis P diberikan pada 3 satuan
percobaan yang berarti terdapat 3 ulangan. Fungsi dari ulangan adalah un-
tuk menimbulkan galat (random error). Random error menggambarkan variasi
ng
dalam satu level perlakuan.
1.1.2 Blocking
la
Selain faktor perlakuan, setiap satuan percobaan harus mendapat kondisi yang
sama. Jika banyaknya satuan percobaan semakin besar, maka bisa terjadi
Pa
ada faktor selain perlakuan yang membuat satuan percobaan mendapat kon-
disi berbeda yang tidak bisa dihindari. Misalnya pada percobaan di lapangan
secara alami bisa terjadi adanya perbedaan kesuburan tanah. Dengan demikian
selain dipengaruhi faktor perlakuan, respon tanaman juga akan dipengaruhi
oleh kesuburan tanah. Untuk mengatasi pengaruh perbedaan kesuburan ini
UM
dilakukan pengelompokan (blocking), dalam arti bahwa dalam satu kelompok

terdapat setiap level perlakuan dan setiap satuan percobaan berada pada kon-
disi yang sama selain kondisi perlakuan.
Sebagai contoh, karena adanya perbedaan kesuburan tanah, maka jagung di-
tanam dalam 3 kelompok dimana setiap kelompok terdiri dari 5 satuan per-
cobaan yang masing-masing diberi dosis P 1, 2, 3, 4 dan 5 kuintal per hektar.
Demikian pula dalam bidang medis, pengukuran beberapa variabel secara alami
dipengaruhi oleh jenis kelamin, sehingga dalam meneliti perbedaan alat ukur
kita perlu melakukan pengelompokan atas dasar jenis kelamin.
1.1.3 Randomisasi
Randomisasi bertujuan untuk menghindari bias sistematik atau bias personal.
Bias personal bisa terjadi misalnya ketika seorang peneliti ingin memband-
1.2. PERENCANAAN PENELITIAN 3
ingkan varietas vaforitnya dengan varitas lain, maka bisa timbul kencederun-
gan bersikap subjektif pada saat melakukan pengamatan. Bias ini juga terjadi
misalnya seorang peneliti yang ingin mengetahui perbedaan efek beberapa obat
dengan obat faforitnya.
Bias sistematik misalnya bisa terjadi jika seorang peneliti melakukan penga-
matan secara berurutan dari satuan percobaan yang levelnya paling rendah
hingga paling tinggi. Cara pengamatan demikian bisa memacu kencenderungan
pencatatan nilai pengamatan akan semakin besar atau semakin kecil. Ran-
domisasi dapat dilakukan dengan bantuan tabel bilangan random ataupun den-
gan perangkat lunak.
a
ay
1.2 Perencanaan Penelitian
Suatu penelitian bisa dianggap sebagai suatu sistem atau proses dimana ter-
r
dapat input, faktor perlakuan, faktor pengganggu (nuisance factor) dan respon
ka
atau output. Faktor-faktor tersebut akan mempengaruhi sistem sehingga terjadi
variasi pada respon. Oleh karena itu dalam perencaan penelitian perlu diper-
timbangkan keberadaan faktor-faktor tersebut. Secara garis besar perencanaan
ng
penelitian meliputi:
(1) Menentukan tujuan penelitian.
(2) Mengidentifikasi semua sumber variasi yang mencakup:
la
(a) faktor perlakuan dan level

(b) satuan percobaan
Pa
(c) faktor blok, faktor pengganggu dan covariat.

(3) Menentukan suatu metode cara pengenaan/pemberian perlakuan pada sat-
uan percobaan.
UM
(4) Menentukan metode pengukuran, prosedur percobaan dan antisipasi kesuli-

tan.
(5) Melakukan pilot experiment.
(6) Menentukan model.
(7) Membuat garis besar analisis.
(8) Menentukan banyaknya observasi yang diperlukan.
Perencaan di atas tidak harus dilakukan secara urut seperti daftar tersebut.
1.2.1 Menentukan Tujuan

Untuk menentukan tujuan, kita dapat memulai dengan pertanyan yang berkai-
tan dengan penelitian yang akan dilakukan.
4 BAB 1. PENGANTAR
1.2.2 Sumber variasi

Sumber variasi (source of variation) adalah segala sesuatu yang bisa mengaki-
batkan terjadinya perbedaan nilai observasi antara observasi yang satu dengan
yang lain. Ada sumber variasi yang mengakibatkan perbedaan kecil, dan ada
pula yang mengakibatkan perbedaan besar.
(1) Sumber variasi yang berasal dari perlakuan merupakan sumber variasi yang
menjadi perhatian utama peneliti.
(2) Sumber variasi faktor pengganggu tidak menjadi perhatian peneliti namun
akan digunakan dalam analisis.
a
(3) Sumber variasi yang berasal dari satuan percobaan terjadi misalnya adanya
ay
material atau lingkungan yang tidak seragam antar satuan percobaan. Dalam
percobaan lapangan sumber variasi ini bisa berasal dari perbedaan tingkat
kesuburan lahan, cahaya matahari, kemiringan dan sebagainya.
r
(4) Selain sumber variasi di atas, masih ada sumber variasi yang lain yang pen-
ka
garuhnya jelas ada namun di luar kendali peneliti, yaitu covariat. Misalnya
tekanan darah pasien, IQ, besarnya ukuran pohon dan sebagainya.
ng
la
Pa
UM
Bab 2
Konsep Dasar Statistika
a
ay
Untuk memberikan gambaran bagaimana pentingnya statistika dalam rancan-
r
gan percobaan, kita akan mulai dengan contoh eksperimen sederhana. Eksper-
ka
imen pembandingan sederhana merupakan eksperimen dengan dua level per-
lakuan. Misalkan suatu eksperimen ingin mempelajari pengaruh perbedaan dua
jenis pupuk. Perhatikan bahwa dalam hal ini perlakuannya adalah jenis pupuk
ng
dan levelnya adalah pupuk jenis 1 dan pupuk jenis 2. Peneliti melakukan ek-
sprimen dengan membuat dua kelompok tanaman, satu diberi pupuk jenis 1
dan lainnya diberi pupuk jenis 2. Misalkan setiap perlakuan diulang 10 kali dan
data hasil pengamatan terhadap variabel produksi adalah sebagai berikut:
la
Table 2.1: Hasil tanaman

Pa
Pupuk jenis 1 Pupuk jenis 2

Ulangan
(y1 ) (y2 )
1 12.6 20.2
2 18.5 21.3
3 13.6 21.5
UM
4 12.5 19.5
5 16.3 18.4
6 18.9 20.4
7 17.3 23.1
8 15.2 22.3
9 14.7 21.4
10 17.8 21.4
Ada banyak cara untuk mengetahui apakah ada perbedaan produksi antara
tanaman yang diberi pupuk jenis 1 dengan yang diberi pupuk jenis 2. Misalnya
kita dapat menggunakan diagram box plot. Diagram box plot menyajikan nilai
minimum, maksimum, quartil bawah, quartil atas dan median data (Gambar
2.1).
5
6 BAB 2. KONSEP DASAR STATISTIKA
Figure 2.1: Diagram kotak (boxplot)
a
r ay
ka
Cara kedua adalah dengan diagram titik (Gambar 2.2), yang memungkinkan
ng
peneliti untuk melihat dengan cepat kencederungan dan sebaran dari nilai penga-
matan.
la
Figure 2.2: Diagram titik (dotplot)
Pa
UM
Kedua cara di atas hanya memberikan kita informasi secara visual. Pen-
dekatan yang lazim digunakan untuk melihat perbedaan pengaruh di atas adalah
menggunakan inferensi statistik. Didalam inferensi statitik kita akan mengambil
kesimpulan mengenai ada tidaknya perberdaan pengaruh perlakuan berdasarkan
data pengamatan. Untuk mempelajari inferensi statistik, kita ingatkan kembali
7
pengertian-pengertian yang akan sering digunakan. Ingat kembali bahwa vari-

abel respon juga dipengaruhi oleh kehadiran faktor pengganggu yang terjadi
secara rancom. Dengan demikian variabel respon merupakan variabel random.
Ini berarti hasil pengamatan pada 2.1 adalah variabel random.
Variabel random dikatakan diskrit jika nilai-nilainya berhingga atau terhitung.
Variabel random kontinyu adalah variabel random yang dapat mengambil ni-
lai berarapun dalam suatu interval. Distribusi peluang suatu variabel random
merupakan gambaran bagaimana peluang variabel random pada nilai-nilai ter-
tentu. Jika X variabel random diskrit, maka peluang variabel random Y bernilai
y ditulis dengan notasi
f (y) = P (Y = y).
a
Sedangkan jika Y adalah variabel random kontinyu, maka peluang Y mengam-
ay
bil nilai antara a dan b ditulis
Z b
f (y)dy
r
a
ka
dan f (y) dinamakan fungsi densitas.
Nilai harapan suatu variabel random menggambarkan nilai yang diharapkan
akan terjadi dari suatu eksperimen random atau kecenderungan hasil yang akan
ng
terjadi.
Definisi 2.0.1. Nilai harapan suatu variabel random ditulis E(Y ) atau µ,
didefinisikan sebagai berikut
la
X
µ = E(Y ) = yi .P (Y = yi ),
Pa
jika Y variabel random diskrit, dan

Z b
µ = E(Y ) = yf (y)dy,
a
UM
jika Y variabel random kontinyu.

Jika µ adalah nilai harapan variabel random Y , maka Y − µ merupakan
penyimpangan (deviasi) Y terhadap nilai harapannya.
Definisi 2.0.2. Varian variabel random Y ditulis V ar(Y ) atau σ 2 adalah
X
σ 2 = V ar(Y ) = E((Y − µ)2 ) = (yi − µ)2 .P (Y = yi ),
jika Y variabel random diskrit, dan

Z b
σ 2 = V ar(Y ) = E((Y − µ)2 ) = (y − µ)2 .f (y)dy,
a
√
jika Y variabel random kontinyu. Kuantitas σ = σ 2 dinamakan deviasi stan-
dar.
Berdasarkan definisi di atas, V ar(Y ) merupakan nilai harapan kuadrat de-

viasi Y − µ; dengan demikian V ar(Y ) ≥ 0.
Jika diketahui Y variabel random dengan nilai harapan µ dan varian σ 2 , dan
k konstanta, yakni E(Y ) = µ dan V ar(Y ) = σ 2 ; maka berlaku
(1) E(k) = k
(2) E(kY ) = kµ.
(3) V ar(k) = 0.
(4) V ar(kY ) = k 2 σ 2 .
a
ay
Misalkan ada dua variabel random Y1 dan Y2 dengan nilai harapan dan var-
ian berturut-turut E(Y1 ) = µ1 , V ar(Y1 ) = σ12 dan E(Y2 ) = µ2 , V ar(Y2 ) = σ22 .
Covarian variabel random Y1 dan Y2 ditulis Cov(Y1 , Y2 ) didefinisikan sebagai
r
Cov(Y1 , Y2 ) = E[(Y1 − µ1 )(Y2 − µ2 ).
ka
Covarian variabel Y1 dan Y2 menggambarkan hubungan linear antara kedua
variabel. Dapat ditunjukan jika kedua variabel independen maka Cov(Y1 , Y2 ) =
ng
0.
(1) E(Y1 + Y2 ) = E(Y1 ) + E(Y2 ) = µ1 + µ2 .
(2) V ar(Y1 +Y2 ) = V ar(Y1 )+V ar(Y2 )+2Cov(Y1 , Y2 ) = σ12 +σ22 +2Cov(Y1 , Y2 ).
la
(3) V ar(Y1 −Y2 ) = V ar(Y1 )+V ar(Y2 )−2Cov(Y1 , Y2 ) = σ12 +σ22 −2Cov(Y1 , Y2 ).
Pa
(4) Jika Y1 dan Y2 independen, maka V ar(Y1 + Y2 ) = V ar(Y1 ) + V ar(Y2 ) =

σ12 + σ22 .
(5) Jika Y1 dan Y2 independen, maka E(Y1 · Y2 ) = E(Y1 )E(Y2 ).

UM
Definisi 2.0.3. Diketahui y1 , y2 , · · · , yn adalah n nilai hasil pengamatan. Mean

sampel, ȳ didefinisikan Pn
yi
ȳ = i=1
n
dan varian sampel, s2 didefinisikan
Pn
(y1 − ȳ)2
s2 = i=1 .
n−1
√
s = s2 dinamakan deviasi standar sampel.
Parameter seperti rata-rata populasi dan varian populasi, umumnya tidak

diketahui. Oleh karena itu nilai suatu parameter perlu diketahui dengan cara
menduga (mengestimasi). Mean dan varian sampel merupakan statistik; mean
sampel ȳ merupakan penduga titik (point estimator) untuk mean populasi µ,
2.1. BEBERAPA DISTRIBUSI PELUANG 9
sedangkan varian sampel s2 merupakan penduga titik untuk varian populasi σ 2 .
Ada beberapa kriteria untuk estimator yang baik. Dua kriteria berikut
merupakan kriteria yang paling umum digunakan:
(1) Penduga tak bias (unbiased), yakni nilai harapan penduga tersebut sama
dengan nilai parameter yang diduga.
(2) Penduga tak bias sebaiknya memiliki varian minimum, yaitu memiliki
varian yang paling kecil di antara penduga lainnya.
a
Teorema 2.0.1. Mean sampel ȳ dan varian sampel s2 berturut-turut merupakan
penduga tak bias untuk paramater mean populasi µ dan varian populasi σ 2 .
ay
Pn
(y −ȳ)2 Pn
Didalam rumus s2 = i=1n−1i , jumlah JK = i=1 (yi − ȳ)2 dinamakan
jumlah kuadrat, dan bilangan n − 1 dinamakan derajat bebas (degrees of
r
freedom.
2.1
ka
Beberapa distribusi peluang
ng
Pengambilan kesimpulan secara statistik didasarkan pada beberapa asumsi agar
proses pengambilan kesimpulan tersebut absah. Untuk itu kita perlu menyam-
paikan kembali hasil-hasil dalam mata kuliah statistika.
Definisi 2.1.1. Variabel random y dikatakan berdistribusi normal dengan pa-
la
rameter µ dan σ, jika fungsi peluangnya adalah

1 1 2
√ e− 2 ((y−µ)/σ) ,
Pa
f (y) = −∞ < y < ∞.

σ 2π
Jika variabel random y dikatakan berdistribusi normal dengan parameter µ
dan σ, maka ditulis y ∼ N (µ, σ 2 ). Jika µ = 0 dan σ = 1 maka y dikatakan
brdistribusi normal standar, dan ditulis y ∼ N (0, 1).
UM
Suatu hasil penting adalah jika y ∼ N (µ, σ 2 ), dan

y−µ
z=
σ
maka z ∼ N (0, 1).
Dalam prakteknya kita tidak mengetahui bagaimana distribusi variabel ran-
dom yang menjadi perhatian. Untunglah ada teorema yang menjamin bahwa
jika ukuran sampel semakin besar maka distribusi variabel random tersebut
akan mendekati distribusi normal.
Teorema 2.1.1 (Teorema Limit Pusat). Jika Y adalah mean sampel random
berukuran n dari suatu populasi dengan mean µ dan varian σ 2 , maka
Y −µ
Z= √
σ n
mendekati berdistribusi normal standar jika n besar.
Umumnya Z mendekati distribusi normal untuk n ≥ 30. Teorema di atas

dapat digunakan untuk mencari nilai pendekatan peluang variabel random Ȳ .
Hasil-hasil yang berkaitan dengan distribusi normal yang akan kita gunakan
dalam pembahasan selanjutnya kita ringkas sebagai berikut:
Distribusi Chi-square Jika variabel random Y1 , Y2 , Y3 , · · · , Yr adalah r

variabel independen yang masing-masing berdistibusi normal standar, maka
variabel random
χ2 = Y12 + Y22 + Y32 + · · · + Yr2 ,
a
berdistribusi Chi-square dengan derajat bebas r.
Distribusi kumulatif χ2 dengan derajat bebas r ditulis P (χ2r ≤ x). Nilai batas
ay
y untuk derajat bebas r dan distribusi kumulatif γ tertentu dapat dicari pada
suatu tabel yang dinamakan tabel Distribusi χ2 .
r
Distribusi t Diketahui Y dan Z variabel random independen, dengan Y
ka
berdistribusi normal standar dan Z berdistribusi chi-square dengan derajat be-
bas r. Dapat ditunjukan bahwa variabel random
ng
Y
T =p
Z/r
memiliki distribusi t dengan derajat bebas r.

la
Nilai distribusi kumulatif variabel random berditribusi t dengan derajat bebas

r ditulis P (tr ≤ x). Nilai y untuk derajat bebas r dan distribusi kumulatif γ
tertentu dapat dicari pada suatu tabel yang dinamakan tabel Distribusi t.
Pa
Distribusi F Diketahui variabel random Y dan Z berdistribusi chi-square

dengan derajat bebas berturut-turut r1 dan r2 . Dapat dibuktikan bahwa vari-
abel random
UM
Y /r1
F =
Z/r2
memiliki distribusi F dengan derajat bebas r1 dan r2 . Dalam hal ini r1 disebut
juga derajat bebas pembilang dan r2 disebut juga derajat bebas penyebut. Dis-
tribusi kumulatif F dengan derajat bebas r1 dan r2 , ditulis P (Fr1 ,r2 ≤ y). Nilai
y untuk r1 dan r2 tertentu dan distribusi kumulatif γ tertentu telah dihitung
dan ditabelkan pada suatu tabel yang dinamakan tabel F .
2.2 Uji Hipotesis

Kita tinjau kembali percobaan sederhana pengaruh jenis pupuk terhadap hasil
suatu jenis tanaman. Misal y11 , y12 , · · · , y1n1 menyatakan n1 hasil pengamatan
faktor pertama, dan y21 , y22 , · · · , y2n2 menyatakan n2 hasil pengamatan faktor
2.2. UJI HIPOTESIS 11
kedua. Diasumsikan sampel tersebut diambil secara random dari dua populasi
normal independen.
Hasil eksperimen dapat dinyakan dengan model. Model pada eksperimen seder-
hana tersebut dapat ditulis
yij = µi + ij , i = 1, 2. dan j = 1, 2, · · · , ni .
dimana yij menyatakan hasil pengamatan ke j pada faktor ke i, µi adalah

mean respon faktor i, dan ij kesalahan random pengamatan ke j faktor i yang
diasumsikan berdistribusi normal standar. Karena µ1 dan µ2 konstan, maka yij
berdistribusi normal dengan mean µi dan varian σi2 , i = 1, 2.
a
Definisi 2.2.1. Hipotesis statistik adalah suatu pernyataan tentang parameter
ay
suatu distribusi peluang atau paramater di dalam suatu model.
Jadi hipotesis mencerminkan suatu dugaan (konjektur) tentang persoalan
r
yang dibicarakan. Sebagai contoh pada eksperimen sederhana di atas, hipote-
sisnya dapat berupa pernyataan “Mean kedua perlakuan tidak perbeda”.
ka
Jika H0 adalah suatu hipotesis, maka hipotesis yang berbeda dengan H0 dina-
makan hipotesis alternatif dan ditulis H1 . Sedangkan H0 dinamakan hipotesis
nol. Misalnya H0 adalah pernyataan “Mean kedua perlakuan tidak perbedaan”
ng
Hipotesis alternatifnya misalnya adalah “Mean kedua perlakuan berbada”. Se-
cara umum kedua hipotesis biasa ditulis
H0 : µ1 = µ2
la
(2.1)
H1 : µ1 6= µ2
Hipotesis di atas dinamakan hipotesis dua sisi, karena H1 : µ1 6= µ2 ekivalen

Pa
dengan µ1 < µ2 atau µ1 > µ2 . Uji hipotesis adalah suatu prosedur yang
berdasarkan data sampel akan menuntun pada diterima atau tidak diterima
hipotesis tersebut.
Dalam mengambil keputusan diterima atau ditolaknya suatu hipotesis ada dua
jenis kesalahan yang bisa terjadi. Kesalahan jenis pertama adalah ”menolak H0
UM
padahal H0 benar”. Kesalahan jenis kedua adalah ”menerima H0 padahal H0

salah”. Peluang terjadinya kesalahan pertama dinamakan tingkat signifikansi
dan ditulis dengan notasi α,
Tingkat signifikansi =α = P (menolak H0 |H0 benar)

a
r ay
ka
ng
la
Pa
UM
Bab 3
Eksperimen Satu Faktor
a
ay
Random Lengkap
r
3.1
ka
Randomisasi Satuan Percobaan
ng
Untuk memahami bagaimana eksperimen satu faktor dari sisi rancangan per-
cobaan, kita akan berikan melalui contoh. Misalkan seorang peneliti ingin
mengetahui pengaruh dosis pupuk NPK terhadap produksi tomat. Untuk keper-
luan tersebut peneliti menerapkan 5 dosis pupuk NPK yaitu P1= 0, P2=2,
la
P3=4, P4=6 dan P5=7 ton per hektar. Peneliti juga mengulang setiap dosis
4 kali. Ini merupakan contoh ekeperimen satu faktor dengan 5 tingkat (per-
Pa
lakuan) dan 4 ulangan. Dengan demikian ada 20 satuan percobaan yang

akan dilakukan secara random. Ke 20 satuan percobaan terlebih dahulu diberi
nomor urut 1 sampai dengan 20.
Table 3.1:
UM
Dosis Nomor Urut Satuan Percobaan

P1 1 2 3 4
P2 5 6 7 8
P3 9 10 11 12
P4 13 14 15 16
P5 17 18 19 20
Penempatan ke 20 satuan percobaan dilakukan secara random. Dengan

menggunakan bilangan random dimisalkan susunan percobaan adalah seba-
gaimana disajikan pada Tabel 3.2.
Setelah percobaan dilaksanakan, maka diamati hasil tanaman pada setiap
13
14 BAB 3. EKSPERIMEN SATU FAKTOR RANDOM LENGKAP
Table 3.2: Urutan penempatan satuan percobaan

Nomor Satuan Percobaan 1 2 3 4 5 6 7 8 9 10
Randomisasi 18 16 6 2 4 14 5 13 8 19
Nomor Satuan Percobaan 11 12 13 14 15 16 17 18 19 20
Randomisasi 15 10 7 11 1 20 12 3 17 9
satuan percobaan. Sebagai ilustrasi, dimisalkan data hasil pengamatan ter-
a
hadap hasil panen adalah dinyatakan pada Tabel 5.1. Dari tabel ini, satuan
ay
percobaan nomor 1 ditempatkan pada posisi 18, satuan percobaan nomor 2 pada
posisi 16 dan seterusnya.
r
Table 3.3: Data Hasil Pengamatan
ka
Perlakuan
P1
Hasil per tanaman (gram)
20 18 14 23
ng
P2 24 25 30 25
P3 34 56 45 34
la
P4 57 56 45 52
P5 37 23 36 32
Pa
Setelah data diperoleh, berdasarkan data tersebut kita ingin mengambil kes-
impulan apakah dosis pupuk berpengaruh terhadap hasil tanaman tomat. Un-
tuk membahasnya kita perlu mengembangkan metode yang akan menuntun kita
UM
dalam mengambil kesimpulan tersebut.
3.2 Analisis Varian

Misalkan kita ingin membandingkan mean pada suatu percobaan faktor tunggal
terdiri dari a level atau perlakuan. Data hasil pengamatan percobaan ini dapat
dinyatakan dalam Tabel 3.4.
Di dalam percobaan faktor tunggal, nilai setiap observasi dapat dijelaskan
dengan model
yij = µi + ij
(3.1)
i = 1, 2, · · · , a dan j = 1, 2, · · · , n
dimana yij adalah nilai observasi perlakuan ke i ulangan ke j, µi adalah efek
perlakuan ke i dan ij adalah kesalahan random perlakuan ke i ulangan ke j
3.2. ANALISIS VARIAN 15
Table 3.4: Data Eksperimen Faktor Tunggal

Perlakuan Observasi Total Rata-rata
1 y11 y12 ··· y1n y1. ȳ1.
2 y21 y22 ··· y2n y2. ȳ2.
..
.
a ya1 ya2 ··· yan ya. ȳa.
a
yang diasumsikan berdistribusi normal dengan mean 0 dan varian σ 2 . Kesalahan
ay
random bersumber dari semua variabilitas selain perlakuan, seperti penguku-
ran, faktor yang tak diketahui, perbedaan antar satuan percobaan (misalnya
material), lingkungan dan waktu.
r
ka
Dalam rancangan random lengkap satu faktor dihipotesiskan bahwa terdapat
berbedaan mean antar level perlakuan. Secara lengkap hipotesis ini dinyatakan
dengan
ng
H0 : µ1 = µ2 = · · · = µa
H1 : µi 6= µj untuk suatu indeks i 6= j
la
Hipotesis H1 juga dapat dinyatakan bahwa setidaknya ada dua mean yang
berbeda.
Untuk menguji hipotesis tersebut, digunakan prosedur yang dinamakan anal-
Pa
isis varians. Dalam pembahasan selanjutnya kita gunakan notasi yi. meny-
atakan total perlakuan ke i, ȳi. menyatakan rata-rata perlakuan ke i, y.. total
seluruh observasi dan ȳ.. menyatakan rata-rata selurluh observasi, yakni
Pn
yi. = j=1 yij ȳi. = yi. /n
UM
Pa Pn (3.2)
y.. = i=1 j=1 yij ȳ.. = y.. /N
dimana N = na adalah banyaknya seluruh pengamatan.
Nilai observasi yij dikurangi rata-rata umum ȳ.. , yaitu
yij − ȳ..
menggambarkan besarnya penyimpangan nilai observasi tersebut. Jika selisih ini

dikuadratkan dan dijumlahkan untuk seluruh observasi, maka diperoleh kuanti-
tas yang merupakan ukuran variabilitas total dan dinamakan jumlah kuadrat
total disingkat JKT , yakni
a X
X n
JKT = (yij − ȳ.. )2
i=1 j=1
Dalam rancangan random lengkap satu faktor, diasumsikan variabilitas total

merupakan gabungan dari variabilitas perlakuan dan variabilitas kesalahan ran-
dom (random error ) atau galat. Oleh karena itu dalam analisis varian rancan-
gan ini, jumlah kuadrat total dipartisi menjadi jumlah kuadrat komponennya.
Untuk mempartisi jumlah kuadrat, perhatikan bahwa
yij − ȳ.. = ȳi. − ȳ.. + yij − ȳi.
Selanjutnya jumlah kuadrat total diperoleh dengan mengkuadratkan kedua

ruas dan menjumlahkannya
a
a X
X n a X
X n
(yij − ȳ.. )2 = (ȳi. − ȳ.. + yij − ȳi. )2
ay
i=1 j=1 i=1 j=1
Dapat ditunjukan bahwa jumlah kuadrat total ini dapat dinyatakan sebagai
r
X n
a X a
X a X
X n
(yij − ȳ.. )2 = n (ȳi. − ȳ.. )2 + (yij − ȳi. )2
ka
(3.3)
i=1 j=1 i=1 i=1 j=1
Persamaan 3.3 menyatakan bahwa jumlah kuadrat total data dapat dipar-
ng
tisi menjadi jumlah kuadrat perlakuan dan jumlah kuadrat kesalahan random
(galat). Selanjutnya jumlah kuadrat perlakuan dan jumlah kuadrat kesalahan
random berturut-turut ditulis dengan notasi JKP dan JKE . Dengan demikian
persamaan 3.3 dapat dituliskan sebagai
la
JKT = JKP + JKE (3.4)

Pa
Ada atau tidak adanya perbedaan antara mean perlakuan dapat dievalu-
asi berdasarkan perbandingan variabilitas perlakuan dan variabilitas kesalahan
random. Jika variabilitas perlakuan tidak berbeda jauh dengan variabilitas
kesalahan, maka ini merupakan indikasi tidak ada berbedaan antar level per-
lakuan, sebaliknya jika variabilitas perlakuan berbeda jauh dengan variabilitas
UM
kesalahan, maka ini merupakan indikasi adanya perbedaan mean antar level
perlakuan.
Suatu prosedur untuk menguji hipotesis ini dinamakan uji F . Dengan uji
ini statistik penguji ditulis dengan notasi F0 dan dihitung dengan
JKP
F0 = (3.5)
JKE
Jika nilai F0 lebih kecil atau sama dengan Fα,a−1,N −a maka disimpulkan tidak
ada perbedaan antar perlakuan. Sebaliknya, jika statistik penguji F0 lebih be-
sar dari Fα,a−1,N −a , maka disimpulkan ada perbedaan antar perlakuan. Notasi
Fα,a−1,N −a diperoleh dari tabel distribusi F0 dengan dejarat pembilang a − 1,
derajat bebas penyebut N − a dan tingkat signifikansi α.
3.2. ANALISIS VARIAN 17
Untuk perhitungan secara manual, jumlah kuadrat dapat dihitung dengan

persamaan-persamaan berikut.
a X
n
X
2 y..2
JKT = yij −
i=1 j=1
N
dan
a
1 X 2 y..2
JKP = y −
n i=1 i. N
Jumlah kuadrat galat (error) diperoleh dengan pengurangan sebagai berikut
a
JKE = JKT − JKP
ay
Analisis varian diringkas dalam tabel berikut
r
ka
Sumber Variasi Jumlah Kuadrat Derajat bebas Kuadrat Tengah F0
(Source (Sum (Degress (Mean square)
of variation) of square) of freedom)
Perlakuan JKP (a − 1) KTP = JK P KTA
ng
a−1 KTE
JKE
Galat (error) JKE a(n − 1) KTE = a(n−1)
Total JKT an − 1
la
Berdasarkan tabel analisis varian, dapa disimpulkan ada tidaknya perbedaan

antara perlakuan.
Pa
Contoh 2. Akan dilakukan analisis ragam data hasil pengamatan pada Tabel
1. Berdasarkan tabel tersebut diperoleh
y1. = 75 ȳ1. = 18.75

y2. = 104 ȳ2. = 26.00
UM
y3. = 169 ȳ3. = 42.25

y4. = 210 ȳ4. = 52.5
y5. = 128 ȳ5. = 32.00
y.. = 686 ȳ.. = 34.3
Jumlah kuadratnya adalah

6862
JKT = 202 + 182 + · · · + 322 − 20 = 3450.2
1 6862

JKP = 4 752 + 1042 + 1692 + 1282 − 20 = 2841.7
JKE = JKT − JKT = 3450.2 − 2841.7 = 608.5

Kuadrat tengah dan Fhitung dapat diperoleh dari hasil-hasil di atas sebagai
beikut
2841.7
KTP = 4 = 710.4
608.5
KTE = 15 = 40.6
710.4
F = 40.6 = 17.51
Hasil perhitungan di atas dapat diringkas dalam suatu tabel analisis varian.
Sumber Variasi Jumlah Kuadrat Derajat bebas Kuadrat Tengah F
a
Perlakuan 2841.7 4 710.4 17.51
ay
Galat (Error) 608.5 15 40.6
Total 3450.2 19
r
Berdasarkan tabel analisis varian diperoleh F = 17.51, sedangkan nilai
ka
F0.05,4,15 = 3.06. Karena F > F0.05,4,15 maka disimpulkan ada pengaruh per-
lakuan, dengan kata lain pemberian pupuk NPK memberikan pengaruh ter-
hadap hasil tanaman tomat pada tingkat signifikansi 5 persen.
ng
la
Pa
UM
Bab 4
Uji Perbedaan Antar Mean
a
ay
Jika banyaknya level perlakuan lebih dari dua, maka tabel analisis varian tidak
r
memberikan informasi perlakuan mana yang berbeda. Jika analisis varian mengindikasikan
ka
adanya pengaruh perlakuan, maka kita dapat melanjutkan untuk menganalisis
perlakuan mana yang berbeda. Prosedur untuk menganalisis perbedaan antar
rata-rata (mean) dinamakan perbandingan ganda. Pada bagian ini kita akan
ng
mempelajari perbandingan antar mean, yaitu (1) perbandingan pasangan mean
perlakuan dan (2) perbandingan mean perlakuan dengan kontrol.
la
4.1 Perbandingan Pasangan Mean

Pa
Misalkan dalam suatu rancangan random lengkap terdapat a level perlakuan dan
analisis varian menunjukan adanya perbedaan antar mean perlakuan. Untuk
mengetahui level mana yang berbeda, maka kita perlu melakukan pengujian
perbedaan setiap pasangan mean dari a mean perlakuan tersebut. Dengan
demikian kita akan melakukan pengujian perbedaan sebanyak 2 = (a−1)a
a
UM
2
pasangan mean.
4.1.1 Metode Tukey

Misalkan hasil analisis varian menunjukan hipotesis nol ditolak yang berarti
ada perbedaan antar mean perlakuan. Selanjutnya misalkan kita ingin menguji
seluruh pasangan mean,
H0 : µi = µj
H1 : µi 6= µj
Untuk ukuran sampel sama, dua mean yi. dan yj. disimpulkan berbeda pada
tingkat signifikansi α, jika nilai mutlak selisih kedua mean lebih besar dari
r
KTE
Tα = qα (a, f ) (4.1)
n
19
20 BAB 4. UJI PERBEDAAN ANTAR MEAN
dimana qα (a, f ) diperoleh dari tabel q, dengan α tingkat signifikansi, a banyaknya

level perlakuan dan f derajat bebas kesalahan random (error).
Untuk ukuran sampel yang tidak sama, maka kriteria 4.1 menjadi
s
qα (a, f ) 1 1
Tα = √ KTE + (4.2)
2 ni nj
dengan ni dan nj adalah ukuran masing-masing sampel.
Berdasarkan hasil di atas, interval kepercayaan 100(1 − α) persen untuk
a
semua pasangan mean adalah
ay
r r
KTE KTE
ȳi. − ȳj. − qα (a, f ) ≤ µi − µj ≤ ȳi. − ȳj. + qα (a, f ) (4.3)
n n
r
untuk ukuran sampel sama. Untuk ukuran sampel tidak sama, interval keper-
cayaan dapat dibentuk dengan mengganti Tα dengan persamaan 4.2.
ka
Contoh 3. Berdsarkan hasil analisis varian pada contoh sebelumnya mengindikasikan
adanya perbedaan antar tingkat perlakuan, namun tingkat (dosis) yang mana
yang berbeda tidak dapat diamati dari hasil analisis tersebut. Kita akan meng-
ng
gunakan metode Tukey untuk membandingkan kelima tingkat perlakuan. Karena
tingkat signifikansi yang digunakan adalah 0.05, banyaknya ulangan setiap per-
lakuan sama yaitu 4 dan derajat bebas KTE adalah 15, maka berdasarkan tabel
la
q diproleh qα (a, f ) = q0.05 (4, 15) = 4.08. Berdasarkan tabel analisi varian diper-
oleh KTE = 40.6. Karena ukuran sampel setiap tingkat perlakuan sama, maka
digunakan 4.1 untuk menghitung Tα . Oleh karena itu
Pa
r
40.6
T0.05 = q0.05 (4, 15) = 12.9985
4
Nilai mutlak selisih antar rata-rata dua level perlakuan adalah sebagai berikut
UM
|ȳ1. − ȳ2. | = |18.75 − 26.00| = 7.25

|ȳ1. − ȳ3. | = |18.75 − 42.25| = 23.5∗
|ȳ1. − ȳ4. | = |18.75 − 52.50| = 33.75∗
|ȳ1. − ȳ5. | = |18.75 − 32.00| = 13.25∗
|ȳ2. − ȳ3. | = |26.00 − 42.25| = 16.25∗
|ȳ2. − ȳ4. | = |26.00 − 52.50| = 26.5∗
|ȳ2. − ȳ5. | = |26.00 − 32.00| = 6
|ȳ3. − ȳ4. | = |42.25 − 52.50| = 10.25
|ȳ3. − ȳ5. | = |42.25 − 32.00| = 10.25
|ȳ4. − ȳ5. | = |52.50 − 32.00| = 20.5∗
4.1. PERBANDINGAN PASANGAN MEAN 21
Selisih kedua mean lebih besar dari T0.05 diberi tanda *. Kita bisa membaca
hasil selisih ini, misalnya nilai mutlak selisih antara ȳ1. dan ȳ2. adalah 7.25,
yaitu lebih kecil dari T0.05 = 12.9985, dengan kata lain kedua tingkat perlakuan
tidak berbeda pada tingkat signifikansi 0.05. Nilai mutlak selisih antara ȳ1. dan
ȳ3. adalah 23.5, yaitu lebih besar dari T0.05 = 12.9985, dengan kata lain kedua
tingkat perlakuan berbeda pada tingkat signifikansi 0.05.
Hasil tersebut biasa diringkas dalam bentuk tabel berikut
Perlakuan Mean
P4 52.50A
a
P3 42.25AB
ay
P5 32.00BC
P2 26.00CD
r
P1 18.75D
ka
Abjad di kanan atas nilai rata-rata memiliki arti sebagai berikut: rata-rata
yang tidak memiliki huruf yang sama berarti berbeda pada tingkat signifikansi
ng
0.05. Sebagai contoh level P4 dan P3 tidak berbeda, level P4 dan P2 berbeda
pada tingkat signifikansi 0.05.
la
4.1.2 Fisher Least Significant Different (LSD)

Untuk menguji hipotesis H0 : µi = µj dan H1 : µi 6= µj dengan Uji LSD
Pa
digunakan statistik penguji

s
1 1
LSD = tα/2,N −a KT E + (4.4)
ni nj
UM
dengan kriteria µi dan µj dikatakan berbeda pada tingkat signifikan α jika
|ȳi. − ȳj. | > LSD (4.5)
Jika ukuran sampel semua perlakuan sama, maka LSD pada 4.5 digunakan
r
2KT E
LSD = tα/2,N −a (4.6)
n
Contoh 4. Berdasarkan tabel analisis varians pada contoh 1, kita akan melakukan
uji berpasangan mean dengan metode LSD pada tingkat signifikansi 5 persen.
Derajat bebas error 15, diperoleh t0.025,15 = 2.131; dari tabel analisis varian,
KT E = 40.6 dan karena ukuran sampel setiap perlakuan sama dengan 4, maka
nilai s
2 · (40.6)
LSD = (2.131) = 9.6013
4
|ȳ1. − ȳ2. | = |18.75 − 26.00| = 7.25

|ȳ1. − ȳ3. | = |18.75 − 42.25| = 23.5∗
|ȳ1. − ȳ4. | = |18.75 − 52.50| = 33.75∗
|ȳ1. − ȳ5. | = |18.75 − 32.00| = 13.25∗
|ȳ2. − ȳ3. | = |26.00 − 42.25| = 16.25∗
|ȳ2. − ȳ4. | = |26.00 − 52.50| = 26.5∗
a
|ȳ2. − ȳ5. | = |26.00 − 32.00| = 6
ay
|ȳ3. − ȳ4. | = |42.25 − 52.50| = 10.25∗
|ȳ3. − ȳ5. | = |42.25 − 32.00| = 10.25∗
|ȳ4. − ȳ5. | = |52.50 − 32.00| = 20.5∗
r
ka
Selisih yang bertanda * berarti lebih besar dari LSD=9.6013. Secara ringkas,
hasil perbandingan rata-rata dengan metode Fisher adalah sebagai berikut:
ng
Perlakuan Mean
P4 52.50A
la
P3 42.25B
P5 32.00C
Pa
P2 26.00CD
P1 18.75D
UM
4.1.3 Uji Ganda Duncan (Duncan’s multiple range test)

Pembandingan semua mean dengan metode Duncan dilakukan dengan terlebih
dahulu mengurutkan mean perlakuan dalam urutan naik. Untuk ukuran sampel
sama, maka standar error setiap mean adalah
r
KT E
Sȳi. = (4.7)
n
dengan n ukuran sampel perlakuan. Jika ukuran sampel tidak sama maka n
pada persamaan 4.7 diganti dengan nh dimana
a
nh = Pa 1 (4.8)
i=1 ni
4.1. PERBANDINGAN PASANGAN MEAN 23
dengan ni adalah ukuran sampel perlakuan ke i, i = 1, 2, · · · , a.

Selanjutnya dari tabel Duncan, dicari nilai
rα (p, f ), p = 2, 3, · · · , a
dimana α adalah tingkat signifikansi dan f banyaknya derajat bebas kesalahan.

Selanjutnya nilai rα (p, f ) dikonversi menjadi range signifikan terkecil
Rp = rα (p, f )Sȳi. , p = 2, 3, · · · , a (4.9)

Langkah selanjutnya adalah menguji selisih mean, dimulai dengan selisih mean
a
terbesar dan mean terkecil lalu hasilnya dibandingkan dengan Ra . Selanjut-
nya, selisih mean terbesar dengan mean terkecil kedua dibandingkan dengan
ay
Ra−1 . Pembandingan ini diteruskan hingga selisih antara mean terbesar dan
mean terbesar kedua. Setelah itu dilakukan pengujian selisih mean terbesar ke-
dua dengan mean terkecil, kemudian diteruskan hingga pengujian selisih mean
r
terbesar kedua dengan mean terbesar ketiga. Langkah ini diteruskan hingga
ka
seluruh selisih dua mean dilakukan.
Contoh 5. Kita akan menguji perbedaan mean pada contoh 1. Telah diperoleh
bahwa KT E = 40.6, N = 20, ukuran sampel setiap perlakuan sama yaitu n = 4,
ng
dan derajak bebas kesalahan f = 15. Kita tuliskan kembali mean perlakuan
yang telah diurutkan dengan urutan naik sebagai berikut:
la
ȳ1. = 18.75
ȳ2. = 26.00
Pa
ȳ5. = 32.00
ȳ3. = 42.25
ȳ4. = 52.5
UM
q
Standar error setiap mean adalah Sȳi. = 40.6
4 = 3.1859. Dari tabel Duncan
dengan derajas bebas 15, α = 0.05 dan p = 2, 3, 4, 5, diperoleh
r0.05 (2, 15) = 3.01, r0.05 (3, 15) = 3.16,

r0.05 (4, 15) = 3.25, r0.05 (5, 15) = 3.31.
Dengan demikian range signifikan terkecil adalah
R2 = r0.05 (2, 15)Sȳi. = (3.01)(3.1859) = 9.5859

R3 = r0.05 (3, 15)Sȳi. = (3.16)(3.1859) = 10.0674
R4 = r0.05 (4, 15)Sȳi. = (3.25)(3.1859) = 10.3542
R5 = r0.05 (5, 15)Sȳi. = (3.31)(3.1859) = 10.5453
Pengujian selisih antar mean dengan Rp menghasilkan
P4 v.s. P1 : 52.5 − 18.75 = 33.75 > R5

P4 v.s. P2 : 52.5 − 26.00 = 26.50 > R4
P4 v.s. P5 : 52.5 − 32.00 = 20.50 > R3
P4 v.s. P3 : 52.5 − 42.25 = 10.25 > R2
P3 v.s. P1 : 42.25 − 18.75 = 23.50 > R4
P3 v.s. P2 : 42.25 − 26.00 = 16.25 > R3
a
P3 v.s. P5 : 42.25 − 32.00 = 10.25 > R2
ay
P5 v.s. P1 : 32.00 − 18.75 = 13.25 > R3
P5 v.s. P2 : 32.00 − 26.00 = 6.0 < R2
r
P2 v.s. P1 : 26.00 − 18.75 = 7.25 < R2
ka
Berdasarkan hasil pembandingan tersebut diperoleh
ng
Perlakuan Mean
P4 52.50A
P3 42.25B
la
P5 32.00C
Pa
P2 26.00CD
P1 18.75D
UM
4.2 Pembandingan mean perlakuan dengan kon-

trol
Dalam suatu eksperimen dengan a level, bisa terjadi suatu level merupakan
kontrol dan peneliti ingin membandingkan kontrol dengan a−1 mean perlakuan.
Prosedur pembandingan demikian dapat dilakukan dengan metode Dunnett.
Anggap level a adalah kontrol dan akan diuji hipotesis apakah mean perlakuan
berbeda dengan mean kontrol, yaitu
H0 : µi = µa
H1 6 µa
: µi =
dengan i = 1, 2, · · · , a − 1. Untuk setiap i dihitung nilai absolut selisih mean
sampel
|ȳi. − ȳa. |, i = 1, 2, · · · , a − 1
4.3. KONTRAS 25
Hipotesis nol ditolak pada tingkat signifikansi α jika

s
1 1
|ȳi. − ȳa. | > dα (a − 1, f ) KT E + (4.10)
ni na
dimana ni adalah ukuran sampel perkaluan ke i, na ukuran sampel kontrol dan

dα (a − 1, f ) diperoleh dari tabel.
Contoh 6. Perhatikan kembali contoh 1, misalkan perlakuan P 1 dianggap se-
bagai kontrol. Dalam hal ini a − 1 = 4, f = 15 dan ni = 4. Dari tabel diperoleh
nilai d0.05 (4, 15) = 2.73 dan dihasilkan
a
s r
1 1 2(40.60)
ay
d0.05 (4, 15) 40.60 + = 2.73 = 12.3002
4 4 4
Dengan demikian suatu mean perlakuan dikatakan berbeda secara signifikan
r
terhadap kontrol jika selisih mean perlakuan dengan mean kontrol lebih besar
ka
dari 12.3002. Pembandingan mean perlakuan terhadap kontrol adalah
P2 v.s. P1 : 26.00 − 18.75 = 7.25 < 12.3002

ng
P3 v.s. P1 : 42.25 − 18.75 = 23.50 > 12.3002
P4 v.s. P1 : 52.5 − 18.75 = 33.75 > 12.3002
P5 v.s. P1 : 32.00 − 18.75 = 13.25 > 12.3002
la
4.3 Kontras
Pa
Hipotesis perbedaan dua mean
H0 : µ1 = µ2
UM
H1 : µ1 6= µ2
dapat dituliskan menjadi
H0 : µ1 − µ2 = 0
(4.11)
H1 : µ1 − µ2 6= 0
Demikian pula jika kita ingin menguji hipotesis apakah jumlah dua mean
sama dengan jumlah dua mean laiinya, yaitu
H0 : µ1 + µ2 = µ3 + µ3
H1 : µ1 + µ2 6= µ3 + µ3
dapat ditulis menjadi
H0 : µ1 + µ2 − µ3 − µ3 = 0
(4.12)
H1 : µ1 + µ2 − µ3 − µ3 6= 0
Jumlah dari koefisien µi pada hipotesis nol 4.11 adalah
1 + (−1) = 0
Demikian pula dari koefisien µi pada hipotesis nol 4.12 adalah
1 + 1 + (−1) + (−1) = 0
Misalkan kita memiliki a level perlakuan. Kontras adalah kombinasi linear

parameter µ1 , µ2 , · · ·
X a
a
ci µi
i=1
ay
sehingga c1 + c2 + · · · + ca = 0.
Hipotesis 4.11 dalam bentuk kontras dapat dituliskan sebagai
r
ka
H0 : c1 µ1 + c2 µ2 = 0
(4.13)
H1 : c1 µi + c2 µj 6= 0
dengan c1 = 1 dan c2 = −1. Demikian pula hipotesis 4.12 juga dapat
ng
diltuliskan dalam bentuk kontras
H0 : c1 µ1 + c2 µ2 + c3 µ3 + c4 µ3 = 0
(4.14)
H1 : c1 µ1 + c2 µ2 + c3 µ3 + c4 µ3 6= 0
la
dengan c1 = 1, c2 = 1, c3 = −1 dan c4 = −1. Pa

Untuk menguji hipotesis tentang kontras, kita bisa mengestimasi i=1 ci µi.
Pa
dengan menggunakan
a
X
C= ci yi.
i=1
UM
Karena varian yi. adalah nσ 2 , maka

a
X a
X a
X
V ar(C) = V ar(ci yi. ) = c2i nσ 2 = nσ 2 c2i .
i=1 i=1 i=1
Pa
Oleh karena itu C = i=1 ci yi. berdistribusi normal dengan mean 0 dan
varian V ar(C). Akibatnya Pa
i=1 yi.
V ar(C)
berditribusi normal standar.
Jika varian populasi σ 2 diganti dengan kuadrat tengah kesalahan KTE , maka
Pa
i=1 yi.
t0 = p Pa
nKTE i=1 c2i
4.3. KONTRAS 27
berdistribusi t dengan dejajad bebas N − a.

Selanjutnya karena kuadrat suatu distribusi t adalah berdistribusi F , maka
Pa 2
( i=1 yi. )
F0 = t20 = Pa
nKTE i=1 c2i
berdistribusi F dengan derajat bebas pembilang 1 dan derajat bebas penyebut

N − a.
Oleh karena itu hipotesis nol ditolak pada tingkat sigiunikansi α jika
F0 > Fα,1,N −a .
a
Perhatikan kembali bahwa F0 dapat ditulis
ay
Pa 2
KTkontras ( i=1 yi. )
F0 = = Pa
KTE KTE (n i=1 c2i )
r
Derajat bebas kontras adalah 1, yang berarti bahwa
JKkontras
1 ka Pa
( i=1 yi. )
= KTkontras = P a
n i=1 c2i
2
ng
dengan kata lain
Pa 2
( i=1 yi. )
la
JKkontras = a (4.15)
n i=1 c2i
P
Pa
UM
a
r ay
ka
ng
la
Pa
UM
Bab 5
Memeriksa Kesesuaian
a
ay
Model
r
ka
Dalam model efek tetap rancangan satu faktor
yij = µ + τi + ij
ng
(5.1)
i = 1, 2, · · · , a dan j = 1, 2, · · · , n
kita berasumsi bahwa ij berdistribusi normal independen dengan mean 0 dan
varian σ 2 . Akibatnya, yij berdistribusi normal independen dengan mean µ + τi
la
dan varian σ 2 .
Agar hasil analisis varian absah, maka asumsi di atas harus dipenuhi. Un-
Pa
tuk itu, setelah data hasil eksperimen diperoleh, maka kita perlu melakukan
pemeriksaan kelayakan asumsi pada model tersebut.
Dalam bagian ini kita akan memeriksa kelayakan asumsi model dan memberikan
langkah yang perlu dilakukan jika asumsi tersebut tidak dipenuhi. Berdasarkan
asumsi model, pemeriksaan yang akan dilakukan meliputi:
UM
1) Memeriksa normalitas eij dan adanya outlier atau observasi yang nilainya
ekstrim.
2) Menguji independensi kesalahan random (eij ).
3) Memeriksa kekonstanan varian, yaitu memeriksa apakah eij memiliki varian
yang sama untuk setiap perlakuan.
Didalam model eksperimen satu faktor, kesalahan random eij diasumsikan
memiliki nilai harapan nol. Ini berakibat nilai harapan yij
E(yij ) = µ + τi .
Penyimpangan terhadap asumsi model dapat diamati dari residual. Residual
observasi ulangan j perkaluan ke i, ditulis eij , adalah selisih antara nilai obser-
vasi ulangan ke j perlakuan ke i (yij ) dikurangi nilai dugaan observasi ulangan
ke j perlakuan ke i (ŷij ), atau
29
30 BAB 5. MEMERIKSA KESESUAIAN MODEL
eij = yij − ŷij

Nilai ŷij dapat diperoleh sebagai berikut
ŷij = µ̂ + τ̂i = ȳ.. + (ȳi. − ȳ.. ) = ȳi. .

Oleh karena itu residual eij dapat dihitung dengan
eij = yij − ȳi. (5.2)

Jika asumsi model sesuai, maka residual tidak memiliki pola struktur yang jelas.
a
Sebagai ilustrasi, marilah kita gunakan percobaan pengaruh pupuk P ter-
hadap hasil tanaman tomat yang telah kita bahas pada rancangan random
ay
lengkap.
Table 5.1: Data Hasil Pengamatan
r
Observasi
ka
Perlakuan ȳi.
1 2 3 4
P1 20 18 14 23 18.75
P2 24 25 30 25 26.00
ng
P3 34 56 45 34 42.25
P4 57 56 45 52 52.50
P5 37 23 36 32 32.00
la
Berdasarkan data observasi, kita bisa mencari residual setiap observasi, mis-
alnya
Pa
e11 = 20 − 18.75 = 1.25, e22 = 25 − 26 = −1, dan seterusnya.

Residual pada eksperimen 1 selengkapnya disajikan pada tabel 5.2.
UM
Table 5.2: Residual

Observasi
Perlakuan
1 2 3 4
P1 1.25 -0.75 -4.75 4.25
P2 -2 -1 4 -1
P3 -8.25 13.75 2.75 -8.25
P4 4.5 3.5 -7.5 -0.5
P5 5 -9 4 0
5.1 Normalitas
Pengujian normalitas bisa dilakukan dengan membuat plot residual. Jika eij
berdistribusi normal independen dengan mean nol dan varian σ 2 , maka plot
5.1. NORMALITAS 31
ini akan tampak seperti plot sampel yang diambil dari distribusi normal yang
berpusat di 0.
Plot residual bisa digunakan untuk mengamati adanya data yang nilainya
ekstrim (outlier). Data outlier akan sangat mengganggu dalam analisis varian.
Gambar 5.1 merupakan plot residual untuk percobaan di atas.
a
r ay
ka
Prosedur statistik yang dapat digunakan untuk melacak adanya outlier adalah
ng
dengan mengamati residual standar, yaitu
eij
dij = √
KTE
la
Jika asumsi eij berdistribusi normal independen dengan mean nol dan varian
σ 2 dipenuhi, maka residual standar akan mendekati normal dengan mean nol
Pa
dan varian 1. Dalam hal ini, sekitar 60 persen residual standar berada antara
-1 dan 1, sekitar 95 residual berada antara -2 dan 2 dan 100 persen residual
standar berada antara -3 dan 3. Residual yang jaraknya terhadap 0 lebih dari
3 merupakan indikasi sebagai outlier. Dari tabel 5.2, bisa dicari misalnya
e11 e1.25
d11 = √ =√ = 0.196
UM
KTE 40.6
e12 e−0.75
d12 = √ =√ = −0.118
KTE 40.6
dan residual maksimumnya adalah
e32 13.75
d32 = √ =√ = 2.16
KTE 40.6
Berdasarkan hasil ini, maka 100 persen residual standar berada antara −3
dan 3, dengan kata lain asumsi kesalahan random berdistribusi normal dipenuhi.
Outlier adalah suatu observasi yang lebih besar atau lebih kecil dari yang
diharapkan. Outlier dapat terjadi karena kesalahan dalam pengamatan, ke-
salahan random tidak berdistribusi normal atau memiliki varian berbeda dan
karena ketidaktepan pemilihan model. Adanya outlier diindikasikan dari resid-
ual yang bernilai besar atau kecil. Outlier mudah dilacak dengan mengamati
grafik antara residual yang distandarkan dengan level perlakuan.
5.2 Memeriksa Independensi Kesalahan

Independensi kesalahan random eij bisa diperiksa dengan melacak adanya ko-
relasi antar residual. Indikasi adanya dependensi antar residual bisa dilihat
ternjadinua kecenderungan residual positif atau negatif. Hal ini secara grafik
bisa dilakukan dengan membuat plot antara residual dan urutan pelaksanaan
(order) eksperimen. Untuk percobaan 1, grafik ini digambarkan pada 5.1.
Dari gambar ini kita tidak menemukan adanya pola yang menggambarkan keti-
dakindependenan.
a
Figure 5.1: Plot residual vs urutan pelaksanaan
r ay
ka
ng
la
Pa
5.3 Uji Kesamaan Varian

Uji kesamaan varian dapat dihipotesiskan sebagai berikut
H0 : σ12 = σ22 = · · · = σa2

(5.3)
UM
H1 : setidaknya ada satu varian yang tidak sama.

Secara grafik, indikasi perbedaan varian antar perlakuan dapat diselidiki
dengan membuat grafik residual vs nilai prediksi (fitted value). Adanya perbe-
daan varian ditunjukan dengan pola tertentu pada grafik tersebut. Untuk
percobaan 1, nilai prediksi adalah ŷij = ȳi. , yaitu sama dengan mean per-
lakuan. Grafik residual versus nilai prediksi untuk percobaan 1 digambarkan
pada 5.2. Dari grafik ini kita tidak mendapatkan adanya pola tertentu, yang
mengindikasikan tidak ada perbedaan varian.
Uji Bartlett dapat digunakan untuk menguji hipotesis kesamaan varian den-
gan syarat normalitas dipenuhi. Jika normalitas tidak dipenuhi, maka dis-
arankan tidak menggunakan uji Bartlett.
Statistik penguji untuk uji Bartlett adalah
q
χ20 = 2.3026 (5.4)
c
5.3. UJI KESAMAAN VARIAN 33
Figure 5.2: Plot residual vs nilai prediksi
a
r ay
dimana
1
ka
c = 1 + 3(a−1)
a
Pa
q = (N − a) log10 Sp2 − i=1 (ni − 1) log10 Si2
P
1 1
i=1 (ni −1) − N −a

ng
Pa 2
i=1 (ni −1)Si
Sp2 = N −a
dengan Si2
adalah varian sampel perlakuan ke i.
la
Dalam hal ini hipotesis nol ditolak jika
χ20 > χ2α,α−1 .

Pa
Contoh 7. Pada eksperimen di atas, dapat dihitung bahwa
S12 = 14.25, S22 = 7.33, S32 = 110.92, S42 = 29.67, S52 = 40.67
UM
4(14.25) + 4(7.33) + 4(110.92) + 4(29.67) + 4(40.67)

Sp2 = = 54.09
20 − 5

1 1 1 1 1 1 1 17
c=1+ + + + + − =
3(5 − 1) 4 − 1 4 − 1 4 − 1 4 − 1 4 − 1 20 − 5 15
q = (20 − 5) log 40.67 − (3 log 14.25 + 3 log 7.33 + 3 log 110.92

+3 log 29.67 + 3 log 40.67)
= 24.139 − 21.427 = 2.702
2.702
χ20 = 2.3026 = 5.4897.
17/15
Karena χ20.05,4 = 9.49, maka hipotesis nol diterima, dengan kata lain kelima
varian perlakuan adalah sama.
Uji kesamaan varian yang tidak sensitif terhadap normalitas misalnya adalah
uji Levene yang dimodifikasi. Uji Levene menggunakan nilai mutlak deviasi
observasi terhadap median, yaitu
dij = |yij − ỹi |

(5.5)
i = 1, 2, · · · , a dan j = 1, , 2, · · · , ni
dimana ỹi adalah median perlakuan i. Statistik penguji untuk uji Levene adalah
uji F .
a
Contoh 8. Berdasarkan data, diperoleh median untuk setiap level perlakuan
ay
ỹ1 = 19, ỹ2 = 25, ỹ3 = 39.5, ỹ4 = 54 dan ỹ5 = 34. Penyimpangan terhadap
mediannya adalah sebagai berikut
r
Perlakuan Deviasi terhadap median
ka P1
P2
P3
1
1
5.5
1
0
16.5
5
5
5.5
5
0
5.5
ng
P4 3 2 9 2
P5 3 11 2 2
la
Berdasarkan data deviasi tersebut, diperoleh hasil analisis varian
Table 5.3: Tabel Analisis Varian

Pa
Sumber Derajat Jumlah Kuadrat

F0
Variasi bebas Kuadrat Tengah
Deviasi 4 103.7 25.9 1.84
UM
Error 15 211.5 14.1

Total 19 315.2
Karena F0.05,4,15 = 3.06, maka hipotesis nol diterima, dengan kata lain tidak
terdapat berbedaan varian.
5.4 Transformasi
Jika hasil pengujian kesamaan varian menunjukan adanya varian yang tidak
sama, maka kita perlu melakukan transformasi penstabilan varian sebelum
dilakukan analisis varian. Jika analisis varian telah dilakukan pada data yang
telah ditranformasi tersebut, maka interpretasinya juga hanya berlaku untuk
data transformasi tersebut.
5.4. TRANSFORMASI 35
Jenis transformasi penstabilan varian tergantung pada distribusi data. Data

yang mengikuti distribusi Poisson bisa dilakukan transformasi akar kuadrat
√ p
zij = yij atau zij = 1 + yij
Untuk data yang mengikuti distribusi lognormal, digunakan transformasi loga-

ritma
zij = log yij

dan untuk data yang berdistribusi binomial digunakan transformasi arcsin,
a
√
zij = arcsin yij .
ay
Jika distribusi data tidak bisa diketahui secara jelas, maka kita bisa mencari
transformasi untuk menyamakan varian.
Pemilihan jenis transformasi kita ringkaskan pada tabel berikut
r
σ konstan ka
Hubungan Antara σ dan µ Transformasi
Tidak perlu
transformasi
ng
√ √
σ sebanding dengan µ y∗ = y
σ sebanding dengan µ y∗ = log y
la
σ sebanding dengan µ3/2 y∗ = √1

y
Pa
1
σ sebanding dengan µ2 y∗ = y
Contoh 9. Suatu penelitian bertujuan untuk mengetahui pengaruh intensitas

cahaya terhadap tinggi suatu jenis tanaman. Hasil pengamatan (dalam cm)
UM
disajikan pada tabel berikut.
Observasi
Intensitas
1 2 3 4 5
I1 0.4 0.3 0.4 0.6 0.8
I2 2.3 2.4 2.7 3.1 2.9
I3 6.7 6.4 8.7 9.2 6.7
I4 10.2 16.7 12.4 17.5 11.2
Plot residual mengindikasikan adanya perbedaan varian (gambar 9). Sete-

lah dilakukan uji kesamaan varian dengan metode Levene, dengan menggunakan
Minitab diperoleh nilai F0 = 4.14 dengan nilai p−value = 0.024, yakni terdapat
berbedaan varian. Agar analisis varian absah, maka data harus ditranformasi
sehingga tidak ada perbedaan varian.
a
r ay
ka
ng
Berdasarkan pola hubungan antara residual dan mean perlakuan, ada kecen-
derungan nilai residual sebanding dengan akar mean perlakuan. Oleh karena
la
itu digunakan transformasi akar untuk menstabilkan varian. Data yang telah
ditransformasi disajikan pada tabel 5.4.
Pa
Observasi
Akar Intensitas
1 2 3 4 5
√
UM
I1 0.632 0.547 0.632 0.774 0.894

√
I2 1.516 1.549 1.643 1.760 1.702
√
I3 2.588 2.529 2.949 3.033 2.588
√
I4 3.193 4.086 3.521 4.183 3.346
Uji kesamaan varian pada data yang telah ditransfomasi memberikan statis-
tik Levene 2.19 dengan p − value = 0.129, yang berarti bahwa tidak terdapat
perbedaan varian.
Hasil analisis varian data tranformasi ini disajikan pada tabel 5.4. Kesim-
pulan yang diambil dari tabel analisis varian ini tentu harus dibatasi pada data
yang telah ditransfomasi, bukan pada data aslinya.
5.4. TRANSFORMASI 37
a
r ay
ka
ng
Derajat Jumlah Kuadrat
Sumber Variasi F0
bebas Kuadrat Tengah
Intensitas
3 25.0958 8.3653 118.67
la
(transformasi)
Error 16 1.1278 0.0705
Pa
Total 19 26.2236
UM
a
r ay
ka
ng
la
Pa
UM
Bab 6
Rancangan Blok
a
ay
Variabilitas yang bersumber dari faktor pengganggu bukan menjadi perhatian
r
peneliti, namun demikian variabilitas ini bisa memberikan pengaruh terhadap
ka
respon. Persoalaannya menjadi bertambah jika ternyata variabilitas dari fak-
tor pengganggu tidak diketahui peneliti atau di luar kemampuan peneliti untuk
mengendalikannya. Dampak dari adanya variabilitas ini adalah dapat menye-
ng
satkan dalam menguji efek perlakuan, apakah perbedaan respon disebabkan
faktor perlakuan atau faktor pengganggu. Jika faktor pengganggu dapat dike-
tahui dan dapat dikendalikan, maka kita bisa memisahkan efek faktor peng-
ganggu tersebut dengan faktor perlakuan dengan cara melakukan pengelom-
la
pokan (blocking).
Dalam kenyataan, faktor pengganggu yang dapat dikelompokan misalnya adalah
Pa
perbedaan kesuburan tanah, perbedaan mesin yang digunakan untuk meng-

hasilkan suatu produk, perbedaan operator suatu mesin, perbedaan guru untuk
suatu mata pelajaran, batch, jenis kelamin dan sebagainya.
UM
6.1 Rancangan Blok Random Lengkap

Dalam rancangan blok random lengkap, satuan percobaan dikelompokan, pada
setiap blok (kelompok) dikenakan semua level perlakuan dan randomisasi di-
lakukan pada setiap blok. Jadi jika ada a level perlakuan dan b kelompok maka
akan ada ab satuan percobaan.
6.1.1 Asumsi model

Notasi yij menyatakan respon unit eksperimen perlakuan ke i blok kej. Model
efek tetap untuk rancangan blok random lengkap adalah
yij = µ + τi + βj + ij
dengan i = 1, 2, · · · , a (6.1)
j = 1, 2, · · · , b
39
40 BAB 6. RANCANGAN BLOK
Blok 1 Blok 2 Blok b
y11 y12 y1b

y21 y22 y2b
y31 y32 ··· y3b
.. .. ..
. . .
ya1 ya2 yab
Figure 6.1: Rancangan kelompok random lengkap
a
ay
dimana µ adalah rata-rata keseluruhan, τi adalah efek perlakuan ke i, βj adalah
efek kelompok (blok) ke j dan ij adalah kesalahan random yang diasumsikan
berdistribusi normal dengan mean 0 dan variance σ 2 . Efek perlakuan dan efek
r
kelompok ditafsirkan sebagai deviasi terhadap rata-rata keseluruhan, yang be-
rarti
ka a
X
τi = 0 dan
b
X
βj = 0
ng
i=1 j=1
Hipotesis dalam rancangan ini dapat dituliskan sebagai
H0 : τ1 = τ2 = · · · = τa = 0
la
(6.2)
H1 : setidaknya ada satu τi 6= 0
Pa
Dalam analisis varian rancangan blok random lengkap kita akan menggu-
nakan notasi berikut
UM
b
X
yi. = yij (total perlakuan level i)
j=1
Xa
y.j = yij (total kelompok j)
i=1
Xa X b
y.. = yij (total seluruhnya)
i=1 j=1
yi.
ȳi. = (rata-rata semua observasi perlakuan level i)
b
y.j
ȳ.j = (rata-rata semua observasi kelompok ke j )
a
y..
ȳ.. = (rata-rata semua observasi)
N
6.1. RANCANGAN BLOK RANDOM LENGKAP 41
Karena
yij − ȳ.. = (ȳi. − ȳ.. ) + (ȳ.j − ȳ.. ) + (yij − ȳi. − ȳ.j + ȳ.. )
maka dengan mengkuadratkan kedua ruas dan menjumlahkan untuk semua per-
lakuan dan kelompok diperoleh
a X
X b a
X b
X a X
X b
(yij − ȳij )2 = b (ȳi. − ȳ.. )2 +a (ȳ.j − ȳ.. )2 + (yij − ȳi. − ȳ.j + ȳ.. )2
i=1 j=1 i=1 j=1 i=1 j=1
(6.3)
a
Persaamaan 6.3 menyatakan partisi jumlah kuadrat total (JKT ) menjadi
jumlah kuadrat perlakuan (JKP ), jumlah kuadrat blok (JKB ) dan jumlah
ay
kuadrat kesalahan (JKE ), atau ditulis
JKT = JKP + JKB + JKE .
r
Derajat bebas dan kuadrat tengah masing-masing komponen jumlah kuadrat
adalah
Komponen ka
Derajat bebas Kuadrat tengah
ng
JKP
Perlakuan a−1 KTP =
a−1
la
JKB
Blok b−1 KTB =
b−a
Pa
JKE
Kesalahan (a − 1)(b − 1) KTE =
(a − 1)(b − 1)
Total N −1
UM
Dapat ditunjukan bahwa nilai harapan masing-masing kuadrat tengah adalah

Pa
2 b i=1 τi2
E(KTP ) = σ +
a−1
Pb
2
a j=1 βi2 (6.4)
E(KTB ) =σ +
b−1
E(KTE ) = σ2
Pa
Jika hipotesis nol benar, maka i=1 τi2 = 0, sehingaa E(KTP ) = σ 2 yang
berarti bahwa varian perlakuan tidak berbeda jauh dengan varian kesalahan.
Oleh karena itu kita bisa menggunakan statistik
KTP
F0 =
KTE
untuk menguji hipotesis kesamaan mean perlakuan dimana H0 ditolak jika F0 >
Fα,a−1,(a−1)(b−1) . Demikian pula jika tidak ada perbedaan yang cukup besar
antara varian blok dan varian kesalahan, maka berarti tidak adanya pengaruh
blok.
Secara ringkas, pengujian hipotesis kita sajikan pada tabel berikut
Table 6.1: Tabel Analisis Varian Rancangan Blok Random Lengkap

JKA KTA
Perlakuan JKA (a − 1)
a−1 KTE
a
JKB KTB
Blok JKB b−1
b−1 KTE
ay
JKE
Kesalahan (error) JKE (a − 1)(b − 1)
(a − 1)(b − 1)
Total JKT N −1
r
cara berikut:
ka
Untuk perhitungan secara manual, jumlah kuadrat bisa kita cari dengan
JKT =
Xa X b
2
yij
y2
− ..
ng
i=1 j=1
N
a
1 X 2 y..2
JKP = y −
b i=1 i. N (6.5)
la
b X b 2
1 X y
JKB = 2
y.j − ..
a j=1 j=1 N
Pa
JKE = JKT − JKP − JKB

Contoh 10. Suatu eksperimen untuk mengetahui pengaruh dolomit terhadap
tinggi tanaman tomat terdiri dari 4 level dolomit D1, D2, D3 dan D4. Karena
alasan tingkat keseburuan tanah di lapangan yang bervariasi, maka penelitian
UM
dilakukkan dengan 3 blok. Hasil pengamatan respon tanaman adalah sebagai

berikut
Table 6.2: Respon tinggi tanaman tomat (dalam cm)

Blok
Dolomit 1 2 3 y.j
D1 24.4 20.5 24.5 69.4
D2 31.6 24.7 29.8 86.1
D3 27.0 23.1 28.0 78.1
D4 35.8 31.9 35.7 103.4
yi. 118.8 100.2 118.0 y.. = 337
Untuk menghitung jumlah kuadrat secara manual, pertama dicari terlebih

dahulu
y1. = 24.4 + 20.5 + 24.5 = 69.4
y2. = 31.6 + 24.7 + 29.8 = 86.1
y3. = 27.0 + 23.1 + 28.0 = 78.1
y4. = 35.8 + 31.9 + 35.7 = 103.4
y.1 = 24.4 + 31.6 + 27.0 + 35.8 = 118.8
y.2 = 20.5 + 24.7 + 23.1 + 31.9 = 100.2
y.3 = 24.5 + 29.8 + 28.0 + 35.7 = 118.0
y.. = 24.4 + 20.5 + · · · + 35.7 = 337
a
Hasil perhitungan tersebut telah kita letakan pada bars terakhir dan kolom
ay
terakhir tabel di atas.
3372
r
JKT = (24.4)2 + (20.5)2 + · · · + (35.7)2 −
12
ka
= 9732.9 − 9464.08 = 268.81
1 3372
JKP = ((69.4)2 + (86.1)2 + (78.1)2 + (103.4)2 ) − = 209.497
2 2
12
1 337
ng
JKB = ((118.8)2 + (100.2)2 + (118.0)2 ) − = 55.28
4 12
JKE = 268.81 − 209.497 − 55.28 = 4.033
la
Untuk menguji hipotesis adanya perbedaan antara mean perlakuan dan blok
kita lakukan analisis varian yang dirangkumkan pada tabel berikut
Pa

Sumber Variasi Derajat bebas Jumlah Kuadrat Kuadrat Tengah F0
Blok 2 55.287 27.643 41.12
UM
Dolomit 3 209.497 69.832 103.88

Error 6 4.033 0.672
Total 11 268.817
Berdasarkan tabel analisis varian, kita tolak hipotesis nol pada tingkat sig-
nifikansi 0.05, sebab
F0 = 103.88 > F0.05;3,6 = 4.76,
dengan kata lain ada perbedaan mean antar level perlakuan pada tingkat sig-
nifikansi 0.05. Antar blok juga terdapat perbedaan pada tingkat signifikansi
0.05, sebab
F0 = 41.12 > F0.05;2,6 = 5.14.
6.1.2 Perbandingan ganda pada rancangan blok random

lengkap
Jika hasil analisis varian suatu rancangan blok menunjukan adanya perbedaan
mean perlakuan, peneliti biasanya ingin mengatahui perlakuan mana yang berbeda.
Prosedur perbandingan ganda yang telah disampaikan pada rancangan ran-
dom lengkap dapat digunakan dalam rancangan blok dengan cara mengganti
banyaknya ulangan n dengan blok b dan derajat bebas error menjadi (a − 1)(b −
1). Dengan demikian r
KTE
Tα = qα (a, f ) (6.6)
b
a
dengan f = (a − 1)(b − 1) dan b banyaknya blok.
ay
Contoh 11. Berdasarkan hasil analisis varian pada contoh 1, perlakuan dolomit
mengidikasikan adanya perbedaan antar mean. Untuk melihat perlakuan level
mana yang berbeda, kita coba lakukan analisis dengan metode Tukey pada
r
tingkat signifikansi 5 persen. Dari tabel tersebut diperoleh KTE = 0.672, b = 4.
ka
Karena ada 4 perlakuan, 3 blok dan f = 6, maka
q
T0.05 = q0.05 (4, 6) KT3
E
ng
q
= 4.90 0.672 3 = 2.319
Dengan membandingkan selisih antar mean dengan T0.05 = 2.319 maka

la
diperoleh hasil perbandingan ganda
Pa
Table 6.4: Uji beda mean

Perlakuan Selisih
D1 vs D2 −5.57∗
D1 vs D3 −2.90∗
D1 vs D4 −11.33∗
UM
D2 vs D3 2.67∗
D2 vs D4 −5.77∗
D3 vs D4 −8.43∗
6.1.3 Memeriksa asumsi model

Untuk menjamin keabsahan kesimpulan hasil analisis ragam, kita perlu memeriksa
asumsi pada model 6.1. Nilai prediksi ŷij pada rancangan blok random lengkap
adalah
ŷij = ȳi. + ȳ.j − ȳ... .
Karena residual eij = yij − ŷij , maka residual dapat dihitung dengan
eij = yij − ȳi. − ȳ.j + ȳ... (6.7)

Figure 6.2: Plot residual yang dibakukan
a
r ay
ka
Kita gunakan contoh di atas untuk memberikan gambaran bagaimana asumsi
ng
model diperiksa. Berdasarkan data 6.2, nilai residual setiap pengamatan dapat
dihitung. Pada tabel 6.5 telah dihitung nilai residual untuk setiap observasi.
la
Table 6.5: Residual

Blok
Pa
Dolomit 1 2 3
D1 -0.35 0.40 -0.05
D2 1.28 -0.97 -0.32
D3 -0.65 0.10 0.55
UM
D4 -0.28 0.47 -0.18
Secara grafik, distribusi normal dari residual bisa diamati dari gambar 6.2.
Dari grafik ini kita tidak menemukan adanya indikasi resudual tidak berdis-
tribusi normal, yakni kita lihat bahwa sekitar 90 persen residual yang dibakukan
berada dalam rentang -2 sampai dengan 2.
Untuk memeriksa kesamaan varian antar perlakuan, kita bisa menggunakan
uji Barttlet maupun metode Levene. Dengan uji Barttlet diperoleh nilai statistik
penguji 0.52 dengan nilai p = 0.915, sedangkan dengan metode Levene diperoleh
statistik penguji 0.13 dengan nilai p = 0.942. Kedua uji menyatakan tidak ada
perbedaan varian antara level perlakuan. Secara grafik, plot antara residual
dan nilai prediksi tidak memiliki pola yang tertentu, yang berarti tidak ada
kecenderungan terjadinya perbedaan varian (gambar 6.3.
Figure 6.3: Plot residual vs nilai prediksi
a
r ay
6.2
ka
Rancangan Blok Tak Lengkap Seimbang
ng
Kadang-kadang dalam suatu percobaan terdapat faktor pembatas yang mengak-
ibatkan eksperimen tidak dapat dilaksanakan dengan rancangan blok random
lengkap. Secara lebih eksplisit, bisa terjadi tidak setiap perlakuan ada pada
la
setiap blok. Dalam hal demikian maka rancanganya dinamakan rancangan blok
random tidak lengkap. Kondisi demikian misalnya terjadi karena keterbatasan
lahan percobaan, keterbatasan waktu pelaksanaan percobaan, keadaan yang
Pa
memaksa tidak semua batch harus diamati.
Suatu kejadian khusus dari rancangan ini adalah rancangan blok tak
lengkap seimbang, yaitu suatu rancangan blok tak lengkap dimana setiap
dua level perlakuan ada bersama-sama dengan frekuensi sama. Misalkan suatu
UM
eksperimen blok memiliki a level perlakuan dan setiap blok hanya bisa menam-
pung k level perlakuan dengan k < a. Suatu rancangan blok tak lengkap seim-
bang dapat dibentuk dengan binomk, n blok.
Misalkan ada b blok dan setiap blok memuat k level perlakuan dan setiap
level perlakuan dilakukan sebanyak r kali. Dengan demikian jumlah seluruh ob-
servasi ada N = ar = bk. Dapat dibuktikan bahwa banyaknya setiap pasangan
level perlakuan pada blok yang sama adalah
r(k − 1)
λ=
k−1
Model statistika untuk rancangan blok tak lengkap seimbang adalah
yij = µ + τi + βj + ij (6.8)
dimana yij adalah respon perlakuan leverl ke i blok ke j, µ adalah efek
umum, τi adalah efek perlakuan level i, βj adalah efek blok ke j, dan ij adalah
6.2. RANCANGAN BLOK TAK LENGKAP SEIMBANG 47
kesalahan perlakuan level ke i dan blok ke j yang diasumsikan berdistribusi

normal dengan mean 0 dan varian σ 2 .
Jumlah kuadrat total untuk racangan ini adalah
a X
b
X
2 y..2
JKT = yij −
i=1 j=1
N
Jumlah kuadrat total dapat dipartisi menjadi jumlah kuadrat perlakuan

yang disesuaikan (JKP S ) jumlah kuadrat blok dan jumlah kuadrat kesalahan
sebagai berikut:
a
JKT = JKP S + JKB + JKE (6.9)
ay
Dalam partisi kuadrat total digunakan jumlah kuadrat perlakuan yang dis-
esuaikan. Hal ini perlu dilakukan karena setiap level perlakuan hanya ada pada
r blok, sehingga jumlah total perlakuan y1. , y2. , · · · , ya. juga dipengaruhi oleh
blok.
r
Jumlah kuadrat blok dihitung dengan cara biasa, yaitu
ka
JKB =
b
1 XX 2
b
k j=1 j=1
y2
y.j − ..
N
ng
dimana y.j adalah total blok ke j. Jumlah kuadrat perlakuan yang disesuaikan
dihitung dengan
a
la
k X 2
JKP S = Q
λa i=1 i
Pa
dimana Qi adalah total perlakuan level i yang disesuaikan, yang dihitung dengan
b
1X
Qi = yi. − nij y.j , i = 1, 2, · · · , a
k j=1
UM
dengan nij = 1 jika level i ada pada blok j dan nij = 0 jika level i tidak ada
pada blok j.
Jumlah kuadrat kesalahan (error) merupakan selisih jumlah kuadrat total
dengan jumlah kuadrat perlakuan dan blok
JKE = JKT − JKP S − JKB

Uji hipotesis perbedaan antar mean perlakuan dilakukan dengan uji F yang
kita rangkumkan dalam tabel analisis varian berikut
Contoh 12. Empat jenis traktor akan diuji kecepatannya dalam membajak
lahan. Karena hanya tersedia tiga operator, maka digunakan rancangan blok
tidak lengkap seimbang dengan blok hari. Hasil pengamatan memberikan data
pada tabel berikut.
Dalam eksperimen ini a = 4, b = 4, setiap level perlakuan hanya ada pada 3
blok, jadi k = 3, setiap blok berisi 3 level perlakuan, jadi r = 3 dan banyaknya
Table 6.6: Tabel Analisis Varian Rancangan Blok Tak Lengkap Seimbang
JKP S KTP S
Perlakuan JKP S (a − 1) KTP S =
a−1 KTE
JKB KTB
Blok JKB b−1 KTB =
b−1 KTE
JKE
Kesalahan (error) JKE N −a−b+1 KTE =
a
N −a−b+1
ay
Total JKT N −1
r
Table 6.7: Lama membajak 1 ha lahan (jam)
ka
Jenis traktor 1 2
Blok (hari)
3 4
ng
traktor 1 11 12 10 -
traktor 2 12 11 - 12
traktor 3 - 15 14 12
la
traktor 4 15 - 15 14
Pa
seluruh observasi adalah N = 12. Dari sini diperoleh λ = 2.

Untuk perhitungan manual, terlebih dahulu dihitung
UM
y1. = 11 + 12 + 10 = 33 y2. = 12 + 11 + 12 = 35
y3. = 15 + 14 + 12 = 41 y4. = 15 + 15 + 14 = 44
y.1 = 11 + 12 + 15 = 38 y.2 = 12 + 11 + 15 = 38
y.3 = 10 + 14 + 15 = 39 y.3 = 12 + 12 + 14 = 38
y.. = 11 + 12 + · · · + 14 = 153
Jumlah kuadratnya dapat dicari sebagai berikut
1532
JKT = (112 + 122 + · · · + 142 ) − = 1985 − 1950.75 = 34.25
12
1 1532 5853
JKB = (382 + 382 + 392 + 382 ) − = − 1950.75 = 0.25
3 12 3
6.3. RANCANGAN BUJUR SANGKAR LATIN 49
Selanjutnya dihitung total level perlakuan yang disesuaikan

1
Q1 = y1. − (n11 y.1 + n12 y.2 + n13 y.3 + n14 y.4 )
3
1 16
= 33 − (38 + 38 + 39) = −
3 3
1
Q2 = y2. − (n21 y.1 + n22 y.2 + n23 y.3 + n24 y.4 )
3
1
= 35 − (38 + 38 + 38) = −3
3
a
1
ay
Q3 = y3. − (n31 y.1 + n32 y.2 + n33 y.3 + n34 y.4 )
3
1 8
= 41 − (38 + 39 + 38) =
3 3
r
1
Q4
3
1
ka
= y4. − (n41 y.1 + n42 y.2 + n43 y.3 + n44 y.4 )
= 44 − (38 + 38 + 39) =
3
17
3
ng
Dengan demikian jumlah kuadrat perlakuan yang disesuaikan adalah
2
k X 2
la
JKP S = Q
λa i=1 i
Pa
2 2 2 !
3 16 3 8 17
= − + (−3) + +
2·4 3 3 3
3
= (76.67) = 28.75
UM
8
Jumlah kuadrak kesalahan diperoleh dengan pengurangan
JKE = JKT − JKP S − JKB
= 34.25 − 28.75 − 2.75 = 5.25.
Karena nilai F0 = 9.13 > F0.05;3,5 = 5.41 maka kita menolak hipotesis
nol, dengan kata lain ada perbedaan pengaruh jenis traktor terhadap kecepatan
menyelesaikan pekerjaan.
6.3 Rancangan Bujur Sangkar Latin

Terdapat banyak percobaan dimana lebih dari satu faktor pengganggu hadir.
Misalnya dalam pengujian beberapa dosis herbisida, ada dua faktor yang perlu

Blok 0.25 3 -
Traktor 28.75 3 9.583 9.13
Error 5.25 5 1.050
Total 34.25 11
a
dipertimbangkan, yaitu batch dari herbisida dan operator yang akan mengap-
ay
likasikannya. Agar kita bisa mengamati dengan jelas efek dosis, maka efek batch
dan operator harus dipisahkan, yaitu dengan memandang kedua faktor peng-
ganggu tersebut sebagai blok. Jika kita misalkan ada 4 dosis, 4 operator dan
r
4 batch, maka kita memerlukan sebanyak 64 satuan percobaan untuk melak-
sanakan rancangan blok ini.
ka
Rancangan bujur sangkar latin dapat digunakan untuk mengurangi banyaknya
satuan percobaan. Selain untuk mengurangi banyaknya satuan percobaan, ran-
cangan ini dimaksudkan untuk mengeliminasi sumber variasi dari kedua faktor
ng
mengganggu dengan menggunakan dua blok. Rancangan ini terdiri dari p baris
dan p kolom dimana baris dan kolom ini merupakan blok. Perlakuan dalam
rancangan ini ditulis dengan abjad A, B, C dan sebagainya yang disusun dalam
p baris dan p kolom dimana perlakuan antar blok baris adalah sama dan per-
la
lakuan antar blok kolom adalah sama.

Untuk memberikan gambaran yang lebih nyata, misalkan batch dan operator
Pa
diperlakukan sebagai blok, dan keempat level perlakuan berturut-turut diberi

notasi A, B, C dan D, maka susunan rancangan bujur sangkar latin adalah
Operator
UM
Batch 1 2 3 4
1 C D B A
2 D A C B
3 A B D C
4 B C A D
Perhatikan bahwa setiap kolom memuat tepat satu level perlakuan, dan
demikian pula setiap baris. Dari tabel di atas, kita bisa membaca misalnya
operator 1 batch 2 adalah perlakuan A.
Model efek tetap untuk rancangan bujur sangkar latin adalah

yijk = µ + αi + τj + βk + ijk
(6.10)
i = 1, 2, · · · , p, j = 1, 2, · · · , p, k = 1, 2, · · · , p.
dimana yijk adalah observasi baris i kolom k perlakuan ke j, µ adalah rata-rata

umum, αi efek baris i, βk adalah efek kolom k, τj adalah efek perlakuan ke j
dan ijk adalah kesalahan random.
Untuk melakukan analisis, kita harus mempartisi sumber variasi dari seluruh
a
N = p2 observasi menjadi komponen baris, kolom, perlakuan dan kesalahan,
ay
yaitu
JKT = JKBaris + JKKolom + JKP + JKE (6.11)
r
Dengan asumsi kesalahan berdistribusi normal dengan mean 0 dan varian
ka
σ 2 , maka pengujian perbedaan mean perlakuan dapat didasarkan pada statistik
penguji
ng
KTP
F0 =
KTE
yang berdistribusi F dengan derajad bebas pembilang p − 1 dan derajat bebas
la
penyebut (p − 2)(p − 1). Hal serupa juga digunakan untukl pengujian efek baris
dan kolom. Ringkasan analisisnya kita sajikan dalam tabel berikut
Pa
Table 6.9: Tabel Analisis Varian Rancangan Bujur Sangkar Latin

UM
JKP KTP
Perlakuan JKP (a − 1)
a−1 KTE
JKBaris KTBaris
Baris JKBaris p−1
p−1 KTE
JKKolom KTKolom
Kolom JKKolom p−1
p−1 KTE
JKE
Kesalahan (error) JKE (p − 2)(p − 1)
(p − 2)(p − 1)
Total JKT p2 − 1
Jumlah kuadrat pada tabel analisis varians tersebut dapat dihitung sebagai
berikut
p X
p X
p 2
X
2 y...
JKT = yijk −
i=1 j=1 k=1
N
p
1X 2 y2
JKP = y.j. − ...
p j=1 N
p (6.12)
1X 2 y2
yi.. − ...
a
JKBaris =
p i=1 N
ay
p
1X 2 y2
JKKolom = y..k − ...
p N
k=1
r
= JKT − JKP − JKBaris − JKKolom
ka
JKE
Contoh 13. Misalkan ingin diketahui pengaruh dosis herbisida terhadap ke-
ng
cepatan mematikan gulma. Perlakuan herbisida terdiri dari 4 level dan diambil
dari 4 batch dan penyemprotan dilakukan oleh 4 operator. Hasil pengamatan
dinyatakan dalam tabel berikut
la
Pa
Table 6.10: Kecepatan mematikan gulma (jam)

Operator
Batch 1 2 3 4
UM
1 C=7 D=14 A=7 B=8

2 B=7 C=18 D=11 A=8
3 A=5 B=10 C=11 D=9
4 D=10 A=10 B=12 C=14
Berdasarkan hasil pengamatan, diperoleh
y... = 164
y1.. = 39 y2.. = 44 y3.. = 35 y4.. = 46
y..1 = 32 y..2 = 52 y..3 = 41 y..4 = 39
Jumlah setiap level perlakuan adalah
Dosis y.j.
A 30
B 37
C 53
D 44
a
ay
Jumlah kuadrat setiap komponen adalah
1642
JKT = (72 + 142 + · · · + 142 ) − = 153
r
16
1 2 2 2 2 1642
JKBaris = 4 (39 + 44 + 35 + 46 ) − = 51.5
ka
16
2
JKKolom = 14 (322 + 522 + 412 + 392 ) − 164
16 = 18.5
2
1 2 2 2 2 164
JKP = 4 (30 + 37 + 53 + 44 ) − = 72.5
ng
16
JKE = JKT − JKBaris − JKKolom − JKP = 153 − 51.5 − 18.5 − 72.5 = 10.5
la

Pa
Baris 3 18.5 6.167 3.52

Kolom 3 51.5 17.167 9.81
UM
Perlakuan 3 72.5 24.167 13.81

Error 6 10.5 1.750
Total 15 153.0
Nilai F0.05;3,6 adalah 4.76, yang berarti bahwa pada tingkat signifikansi 5
persen ada pengaruh kolom, ada pengaruh perlakuan, dan tidak ada pengaruh
baris.
6.4 Rancangan Blok Lengkap yang Diperluas

Jika banyaknya observasi n pada tiap perlakuan dalam setiap blok lebih dari
satu, maka kita bisa membentuk rancangan blok yang diperluas. Model ini
memungkinkan kita untuk melihat efek interaksi blok perlakuan. Dalam hal ini
a
ada dua model standar, yaitu model blok-perlakuan tanpa interaksi
ay
yij = µ + τi + βj + ijk (6.13)
r
dan model blok-perlakuan dengan interaksi
ka yij = µ + τi + βj + (τ β)ij + ijk (6.14)

ng
dengan
i = 1, 2, · · · , a, j = 1, 2, · · · , b, k = 1, 2, · · · , n.
la
Pada kedua model, ijk diasumsikan berdistribusi normal standar dengan

mean 0 dan varians σ 2 dan mutuali independen.
Pa
Analisis varian untuk kedua model diberikan pada tabel berikut
Table 6.12: Analisis varian model blok-perlakuak tanpa interaksi

UM
JKP KTP
Perlakuan JKP a−1 KTP =
a−1 KTE
JKB KTB
b−a KTE
JKE
Kesalahan JKE abn − b − n − 1 KTE =
abn − b − n − 1
Total JKT abn − 1
Untuk perhitungan manual, jumlah kudrat rancangan blok diperluas tanpa

interaksi adalah
6.4. RANCANGAN BLOK LENGKAP YANG DIPERLUAS 55
p X
p X
n 2
X
2 y...
JKT = yijk −
i=1 j=1 k=1
N
b
1 X 2 y2
JKB = y.j. − ...
an i=1 N (6.15)
a
1 X 2 y2
JKP = yi.. − ...
bn i=1 N
a
JKE = JKT − JKP − JKB
ay
Table 6.13: Analisis varian model blok-perlakuan dengan interaksi
r
ka
JKP KTP
Perlakuan JKP a−1 KTP =
a−1 KTE
ng
JKB KTB
b−a KTE
JKP B KTP B
la
Interaksi (a − 1)(b − 1) JKP B KTP B =
(a − 1)(b − 1) KTE
JKE
abn − b − n − 1
Pa
Kesalahan JKE KTE =

abn − b − n − 1
Total JKT abn − 1
Jumlah kudrat rancangan blok diperluas dengan interaksi untuk JKP , JKB
UM
dan JKT dihitung dengan rumus yang sama dengan rancangan tanpa interaksi,
sedangkan jumlah kuadrat interaksi perlakuan-blok dihitung dengan
a b a
1 XX 2 1 X 2 1 X y2
JKP B = yij. − y.i. − j = 1b y.j.
2
+ ...
n i=1 j=1 bn i=1 an N
dan jumlah kuadrat error dihitung dengan pengurangan
JKE = JKT − JKP − JKB − JKP B
Contoh 14. Pengukuran lama hidup beberapa merek bola lampu dilakukan
dengan 4 merek, 2 macam daya dan 5 observasi setiap merek dalam setiap
macam daya. Hasil pengukuran adalah sebagai berikut
Untuk mengetahui adanya pengaruh mereak atau blok atau interaksi merk
dan blok, dilakukan analisis varian. Hasil analisis varian untuk kedua rancangan
disajikan pada tabel-tabel berikut.
Table 6.14: Lama hidup bola lampu (jam)

Merk
Blok (Daya) 1 2 3 4
60 watt 750 600 755 800

760 650 755 780
a
780 700 710 750
ay
740 680 700 720
750 710 680 760
r
ka
100 watt 700
690
600
620
710
700
750
710
ng
675 680 685 700
680 680 690 720
la
610 650 600 700
Pa
Table 6.15: Analisis varian model blok-perlakuan tanpa interaksi

Daya 1 24010 24010 20.08
Merek 3 35385 11795 9.87
UM
Error 35 41845 1196

Total 39 101240
Table 6.16: Analisis varian model blok-perlakuan dengan interaksi

Daya 1 24010 24010 20.95
Merek 3 35385 11795 10.29
Interaksi 3 5175 1725 1.51
Error 32 36670 1146
Total 39 101240
Bab 7
a
ay
Rancangan Faktorial
r
ka
Suatu eksperimen dapat mencakup dua faktor. Dalam eksperimen demikian
ng
setiap satuan percobaan dikenai satu level dari faktor pertama dan satu level
dari faktor kedua, atau dikatakan bahwa setiap satuan percobaan dikenai kom-
binasi level kedua faktor. Eksperimen faktorial merupakan eksperimen dimana
dalam setiap ulangan semua kombinasi yang mungkin dari semua level faktor
la
dikenakan. Sebagain contoh, dalam eksperimen dua faktor yang terdiri dari a
level faktor A dan b level faktor B, maka setiap ulangan memuat ab kombi-
Pa
nasi perlakuan. Efek suatu faktor, dinamakan pula efek utama, adalah pe-
rubahan respon sebagai akibat perubahan level faktor tersebut. Selain kedua
faktor utama, respon juga bisa dipengaruhi oleh hadirnya kedua faktor secara
bersama-sama. Pengaruh kedua faktor secara bersama-sama dinamakan pen-
garuh interaksi.
UM
Untuk memberikan gambaran tentang eksperimen faktorial, kita ambil con-

toh eksperimen faktorial pengaruh pemberian pupuk N dan P terhadap pro-
duksi suatu jenis tanaman. Misalkan faktor N terdiri dari tiga level N 1, N 2
dan N 3, faktor P terdiri dari dua level P 1 dan P 2. Ada delapan pengaruh
yang mengkin terjadi, yaitu (a) ketiga faktor N , P dan interaksi tidak berpen-
garuh, (b) faktor N tidak berpengaruh, faktor P berpengaruh dan interaksi
tidak berpengaruh, (c) faktor N berpengaruh, faktor P dan interaksi tidak
berpengaruh, (d) faktor N dan P berpengaruh, interaksi tidak berpengaruh,
(e) faktor N tidak berpengaruh, faktor P dan interaksi berpengaruh, (f) faktor
N berpengaruh, faktor P tidak berpengaruh dan interaksi berpengaruh, (g) fak-
tor N dan P tidak berpengaruh dan interaksi berpengaruh, dan (h) ketiga faktor
A, B dan interaksi berpengaruh. Kedelapan kemungkinan ini digambarkan pada
grafik berikut.
57
58 BAB 7. RANCANGAN FAKTORIAL
Mean Mean
P2
P1
P1
P2
a
N1 N2 N1 N1 N2 N1
ay
(a) (b)
r
Mean
ka P1
P2
Mean
P2
ng
P1
la
N1 N2 N1 N1 N2 N1
Pa
(c) (d)
UM
Mean Mean
P1
P1
P2
P2
N1 N2 N1 N1 N2 N1
(e) (f )
7.1. MODEL DAN HIPOTESIS RANCANGAN DUA FAKTOR 59
Mean Mean
P2
P1
P2 P1
N1 N2 N1 N1 N2 N1
a
(g) (h)
ay
Figure 7.1: Kemungkinan pengaruh faktor utama dan interaksi
7.1 Model dan Hipotesis Rancangan Dua Faktor
r
ka
Misalkan suatu eksperimen faktorial terdiri dari faktor A dan faktor B. Faktor
A terdiri dari a level dan faktor B terdiri dari b level. Dengan demikian setiap
ulangan memiliki ab kombinasi perlakuan. Misalkan banyaknya ulangan adalah
n. Observasi eksperimen ini dapat dinyatakan dalam tabel berikut.
ng
Faktor B
1 2 ··· b
la
1 y111 ,y112 , y121 , y122 , ··· y1b1 , y1b2 ,
· · · ,y11n · · · , y12n · · · , y1bn
2 y211 , y212 , y221 , y222 , ··· y2b1 , y2b2 ,
Pa
Faktor A
· · · , y21n · · · , y22n · · · , y2bn
.. .. .. .. ..
. . . . .
a ya11 , ya12 , ya21 , ya22 , ··· yab1 , yab2 ,
· · · , ya1n · · · , ya2n · · · , yabn
UM
Nilai observasi pada eksperimen dua faktor dapat dinyatakan dengan

yijk = µ + αi + βj + (αβ)ij + ijk
dengan i = 1, 2, · · · , a
(7.1)
j = 1, 2, · · · , b
k = 1, 2, · · · , n
Model 7.1 dinamakan model 1 atau model efek tetap. Pada model ini,
yijk adalah nilai observasi faktor A level i faktor B level j dan ulangan ke k,
µ adalah efek mean keseluruhan, αi adalah efek level ke i faktor A, βj adalah
efek level ke j faktor B, (αβ)ij adalah efek interaksi antara αi dan βj , dan ijk
adalah komponen galat (kesalahan random). Komponen galat ijk diasumsikan
berdistribusi normal independen dengan mean 0 dan varian σ 2 . Model 7.1 da-
pat ditafsirkan bahwa nilai observasi dipengaruhi oleh mean umum, faktor A,
faktor B, faktor interaksi dan kesalahan random.
Kedua faktor diasumsikan tetap, dan efek perlakuan didefinisikanPsebagai

deviasi
P (penyimpangan) terhadap mean keseluruhan, dengan demikian αi = 0
dan
P βj = P
0. Demikian pula efek interaaksi adalah tetap, sehingga berlaku
i (αβ)ij = j (αβ)ij = 0. Karena ada ab kombinasi perlakuan dan n ulangan,
maka ada abn observasi.
Pada eksprimen dua faktor ini, efek faktor A dinamakan pula efek baris,
dan efek faktor B dinamakan pula efek kolom. Hipotesis tentang efek baris
a
dapat dinyatakan sebagai berikut. Untuk mengetahui ada tidaknya efek faktor
A, dapat dibuat hipotesis nol ”tidak ada perbedaan antar baris ” dan hipotesis
ay
alternatif ”paling sedikit ada satu baris yang berbeda dengan baris lainnya”,
yaitu
H0 : α1 = α2 = · · · = αa = 0
r
(7.2)
H1 : setidaknya satu αi 6= 0
ka
Dengan cara serupa, hipotesis tentang efek kolom adalah
ng
H0 : β1 = β2 = · · · = βb = 0
(7.3)
H1 : setidaknya satu βj 6= 0
la
dan hipotesis tentang efek interaksi adalah

Pa
H0 : (αβ)ij = 0 untuk semua i, j

(7.4)
H1 : setidaknya satu (αβ)ij 6= 0
7.1.1 Analisis
UM
Untuk menguji hipotesis di atas bisa dilakukan dengan analisis varian dua fak-
tor. Untuk mempermudah penulisan, kita akan menggunakan notasi berikut
yi.. = total semua observasi level ke i faktor A (total baris i)

y.j. = total semua observasi level ke j faktor B (total kolom j)
yij. = total semua observasi level ke i faktor A level ke j faktor B
(total baris i kolom j)
y... = total semua observasi (grand total)
ȳi.. = rata-rata semua observasi level ke i faktor A (rata-rata baris i)
ȳ.j. = rata-rata semua observasi level ke j faktor B (rata-rata kolom j)
ȳij. = rata-ratal semua observasi level ke i faktor A level ke j faktor B
(rata-rata baris i kolom j)
ȳ... = rata-ratal semua observasi
Dengan demikian dengan menggunakan notasi di atas, kita dapat menuliskan
sebagai berikut
Pb Pn yi..
yi.. = j=1 k=1 yijk ȳi.. = i = 1, 2, · · · , a
bn
Pa Pn y.j.
y.j. = i=1 k=1 yijk ȳ.j. = j = 1, 2, · · · , b
an
Pn yij.
yij. = k=1 yijk ȳij. = i = 1, 2, · · · , a j = 1, 2, · · · , b
n
Pa Pb Pn yi..
y... = i=1 j=1 k=1 yijk ȳ... =
abn
Jumlah kuadrat total dapat dinyatakan sebagai berikut
a
ay
Pa Pb Pn 2 Pa 2
Pb 2
i=1 j=1 k=1 (yijk − ȳ... ) = bn i=1 (ȳi.. − ȳ... ) + an j=1 (ȳ.j. − ȳ... )
Pa Pb
+n i=1 j=1 (ȳij. − ȳi.. − ȳ.j. + ȳ... )2
Pa Pb Pn
r
+ i=1 j=1 k=1 (yijk − ȳij. )2
ka
(7.5)
Persamaan 7.5 dapat dituliskan dengan
JKT = JKA + JKB + JKAB + JKE (7.6)

ng
dimana
Pa Pb Pn 2
la
JKT = i=1 j=1 k=1 (yijk − ȳ... )
Pa
JKA = bn i=1 (ȳi.. − ȳ... )2
Pa
Pb
JKB = an j=1 (ȳ.j. − ȳ... )2
Pa Pb
JKAB = n i=1 j=1 (ȳij. − ȳi.. − ȳ.j. + ȳ... )2
Pa Pb Pn 2
JKE = i=1 j=1 k=1 (yijk − ȳij. )
UM
Interpretasi dari 7.6 adalah jumlah kuadrat total terdiri dari komponen
jumlah kuadrat faktor A, jumlah kuadrat faktor B, jumlah kuadrat interaksi
dan jumlah kuadrat kesalahan. Berdasarkan suku terakhir, maka setidaknya
harus ada 2 ulangan untuk memperoleh galat.
Banyaknya derajat bebas untuk setiap komponen jumlah kuadrat adalah
Efek Derajat Bebas

A a−1
B b−1
Interaksi AB (a − 1)(b − 1)
Galat (error) ab(n − 1)
Total abn − 1
Jumlah kuadrat dibagi derajat bebasnya adalah kuadrat tengah (mean square).
Dapat ditunjukan bahwa nilai harapan dari kuadrat tengah adalah sebagai
berikut.
bn a 2
P
i=1 αi
E(KTA ) = E JK A
a−1 = σ 2
+ a−1
Pb
βj2
an
JKB
E(KTB ) = E b−1 = σ2 + b−1
j=1
Pb Pb
(7.7)
2
JKAB 2 n i=1 j=1 (αβ)ij
E(KTAB ) = E (a−1)(b−1) =σ + (a−1)(b−1)
a

JKE
ay
E(JKE ) = E ab(n−1) = σ2
Jika hipotesis tidak ada efek faktor A, tidak ada efek faktor B dan tidak
ada efek interaksi AB adalah benar, maka nilai harapan KTA , KTB , KTAB
r
dan KTE adalah sama dengan σ 2 . Karena itu jika ada perbedaan efek antar
ka
baris pada faktor A misalnya, maka KTA akan lebih besar dari KTE . Demikian
pula jika ada perbdaan efek antar kolom pada faktor B maka KTB lebih besar
dari KTE , dan jika ada perbedaan antar interaksi maka KTAB lebih besar dari
KTE . Dengan demikian jika rasio antara KTA dan KTE adalah cukup besar,
ng
berarti observasi tidak mendukung hipotesis nol.
Jika model 7.1 layak dan suku kesalahan random (galat) ijk berdistribusi
la
normal standar dengan varian konstan σ 2 , maka setiap rasio JKA /JKE , JKB /JKE
dan JKAB /JKE berdistribusi F dengan derajat bebas berturut-turut a−1, b−1
dan (a − 1)(b − 1).
Pa
Efek Kuadrat Tengah (Mean square)

A JKA /(a − 1)
UM
B JKB /(b − 1)
Interaksi AB JKAB /((a − 1)(b − 1))
Galat (error) JKE /(ab(n − 1))
Prosedur untuk menguji hipotesis di atas biasanya diringkas dalam bentuk

tabel analisis varian (ragam) seperti pada tabel 7.1.
Table 7.1: Tabel Analisis Varian Rancangan Random Lengkap Dua Faktor
Sumber Jumlah
Derajat bebas Kuadrat Tengah F0
Variasi Kuadrat
JKA KTA
A JKA (a − 1) KTA = a−1 KTE
JKB KTB
B JKB b−1 KTB = b−1 KTE
JKAB KTAB
Interaksi JKAB (a − 1)(b − 1) KTAB = (a−1)(b−1) KTE
Kesalahan JKE
JKE ab(n − 1) KTE =
a
(error) ab(n−1)
ay
Total JKT abn − 1
r
Untuk mencari jumlah kuadrat dapat dihitung dengan persamaan-persamaan
ka
berikut.
b X
a X n 2
X
2 y...
JKT = yijk −
abn
ng
i=1 j=1 k=1
a
1 X 2 y2
JKA = yi.. − ...
bn i=1 abn
la
b
1 X y2
JKB = 2
y.j. − ...
an j=1 abn
Pa
Untuk menghitung jumlah kuadrat interaksi, pertama dihitung jumlah kuadrat

sub total, yaitu jumlah kuadrat antara semua sel ab
a b
1 XX 2 y2
JKsubtotal = yij. − ...
n i=1 j=1 abn
UM
Jumlah kuadrat interaksi dapat dihitung dengan
JKAB = JKsubtotal − JKA − JKB

Jumlah kuadrat kesalahan diperoleh dengan pengurangan
JKE = JKT − JKA − JKB − JKAB

Contoh 15. Tabel berikut menunjukan observasi tinggi tanaman tomat per-
cobaan dua faktor dengan 4 ulangan, faktor pertama adalah pupuk N yang
terdiri dari 3 level dan faktor kedua adalah pupuk P yang terdiri dari 3 level.
Table 7.2: Data (dalam cm) tinggi tanaman tomat

Pupuk P
Pupuk N
P1 P2 P3 yi..
N1 24 25 27
24 25 28
25 26 28
25 27 27
y1j. 98 103 110 311
ȳ1j. 24.5 25.75 27.5
a
N2 31 30 27
30 29 25
ay
30 26 24
30 27 25
y2j. 121 112 101 334
r
ȳ2j. 30.3 28.0 25.3
N3 27 36 32
ka 27
28
30
34
33
33
34
35
34
ng
y3j. 112 136 135 383
ȳ3j. 28.0 34.4 33.8
y.j. 331 351 346 y... =1028
la
Analisis varian dimulai dengan menghitung jumlah kuadrat,

Pa
(1028)2
JKT = (242 + 252 + · · · + 342 ) − 3·3·4 = 422.8889
2
1 2 (1028)
JKA = 3·4 (311 + 3342 + 3832 ) − 3·3·4 = 225.3889
2
JKB = 1
3·4 (331
2
+ 3512 + 3462 ) − (1028)
3·3·4 = 18.0556
UM
1 2
JKAB = 4 (98 + 1032 + · · · + 1352 )
2
− (1028)
3·3·4 − 225.3889 − 18.0556 = 142.4444
JKE = 422.8889 − 225.3889 − 18.0556 − 142.4444 = 37.0000
Berdasarkan tabel analisis varian, kedua faktor utama dan faktor interaksi
berpengaruh pada tingkat signifikansi 5 persen, karena nilai F0 > F0.05,2,27 =
3, 35. Kesimpulan ini juga bisa dibaca dari nilai p yang lebih besar dari 0.05.
7.1.2 Perbandingan Ganda

Jika analisis varian mengindikasikan ada perbedaan suatu faktor utama (antar
baris atau kolom), maka biasanya peneliti ingin membandingkan suatu mean
pada satu baris atau satu kolom. Pengujian perbedaan mean tentu harus jelas,

Sumber Derajat Jumlah
Kuadrat Tengah F0 p
Variasi bebas Kuadrat
Pupuk N 2 225.389 112.694 82.24 0.000
Pupuk P 2 18.056 9.028 6.59 0.005
Pupuk
N*Pupuk 4 142.444 35.611 25.99 0.000
P
a
Error 27 37.000 1.370
ay
Total 35 422.889
r
sebagai misal membandingkan mean level 1 faktor A dengan mean level 2 faktor
ka
B tentu tidak memberikan makna yang jelas. Demikian pula jika interaksi
menunjukan ada perbedaan, maka biasanya peneliti ingin mengetahui kombinasi
mana yang berbeda.
ng
Contoh 16. Berdasarkan hasil analisis varian, terdapat pengaruh interaksi dan
pengaruh faktor utama pupuk N pada tingkat signifikansi 5 persen.
Untuk mengetahui perbedaan mean level pupuk N maka dilakukan pada level
la
tertentu perlakuan pupuk P. Misalkan digunakan metode Tukey untuk menguji

perbedaan antar mean perlakuan. Karena interaksi menunjukan perbedaan,
maka kita bisa menguji pengaruh pupuk N pada satu level pupuk P, misalnya
Pa
pada level level 2 faktor pupuk P.

Mean setiap level Pupuk N pada level P2 faktor P setelah diurutkan adalah
level N1 : ȳ12. = 14 (25 + 25 + 26 + 27) = 25.75

UM
level N2 : ȳ32. = 14 (30 + 29 + 26 + 27) = 28.00

level N3 : ȳ22. = 14 (36 + 34 + 33 + 33) = 31.50
Dengan derajat bebas error 27 dan 3 level N, dari tabel q diperoleh q0.05 (3, 27) =
3.50. Karena KTE = 1.370, dan pada setiap level ada 4 ulangan, maka
r r
KTE 1.370
T0.05 = q0.05 (3, 27) = 3.50 = 1.024
4 4
Perbandingan pasangan mean pada level P2 menghasilkan
N 3 − N 1 = 31.50 − 25.75 = 5.75 > 1.024

N 3 − N 2 = 31.50 − 28 = 3.5 > 1.024
N 2 − N 1 = 28 − 25.75 = 2.25 > 1.024
Figure 7.2: Plot Interaksi
a
r ay
ka
ng
Hasil ini menunjukan bahwa pada level P2 pupuk P ada perbedaan antara
la
N3 dengan N1, antara N3 dengan N2, dan antara N1 dengan N2 pada tingkat
signifikansi 5 persen. Pembandingan mean perlakuan pupuk N pada level P lain-
Pa
nya dilakukan dengan cara serupa. Demikian pula perbandingan mean Pupuk
P pada level tertentu pupuk N juga dapat dilakukan dengan cara serupa.
Selanjutnya karena hasil analisis varian mengindikasikan adanya perbedaan

pada interaksi, maka wajar jika kita melakukan pengujian perbedaan mean
UM
interaksi. Mean untuk setiap kombinasi perlakuan telah dihitung dan disajikan
pada tabel 7.2.
Dengan derajat bebas error 27, banyaknya kombinasi perlakuan 12 dari tabel
q diperoleh q0.05 (12, 27) ≈ 5.05. Karena KTE = 1.370, dan ada 4 ulangan, maka
r r
KTE 1.370
T0.05 = q0.05 (12, 27) = 3.50 = 1.024
4 4
Ada 12 mean yang akan dibandingkan, karena itu akan ada 9·8 2 = 36 per-
bandingan pasangan mean. Untuk menghemat perhitungan, mean kombinasi
perlakuan terlebih dahulu diurutkan dari nilai terbesar hingga nilai terkecil.
Hasil pembandingan ini disajikan pada Tabel 7.4.
Pada tabel tersebut, dua mean yang tidak memiliki abjad yang sama, berarti
kedua mean berbeda pada tingkat signifikansi 5 persen.
Table 7.4: Perbandingan ganda antar mean interaksi

Pupuk N Pupuk P Kombinasi Mean
3 2 N3P2 34.0A
3 3 N3P3 33.8A
2 1 N2P1 30.3B
3 1 N3P1 28.0BC
2 2 N2P2 28.0BC
a
1 3 N1P3 27.5BC
ay
1 2 N1P2 25.75CD
2 3 N2P3 25.3CD
r
1 1 N1P1 24.5D
7.1.3 Uji Kelayakan Model ka

ng
Sebelum kita mengambil kesimpulan dari analisis varian, kelayakan asumsi perlu
diperiksa. Sebagaimana pada rancangan sebelumnya, alat utama untuk memeriksa
la
asumsi model adalah residual. Untuk rancangan dua faktor, residual diberikan
oleh
Pa
eijk = yijk − ŷijk (7.8)
Karena ŷijk = ȳij. , maka residual dapat dicari dengan

UM
eijk = yijk − ȳij. (7.9)
yakni residual ijk merupakan selisih antara nilai observasi ijk dengan mean
perkaluan ke ij. Untuk eksperimen di atas, residual disajikan pada tabel 7.5.
Sebagai contoh, untuk memeriksa normalitas dari residu, kita bisa membuat
plot residu yang dibakukan. Sebagaimana ditunjukan pada gambar 7.3, semua
residu yang dibakukan berada dalam interal -3 sampai dengan 3. Oleh karena
itu, asumsi ei j berdistribusi normal standar pada hasil observasi dipenuhi.
Dengan metode Levene untuk kesamaan varian, diperoleh nilai statistik pen-
guji 1.02 dengan peluan 0.446, yang berarti tidak terdapat perbedaan varian an-
tar perlakuan. Hasil ini juga bisa dilihat pada plot residual versus nilai prediksi
yang menunjukan tidak ada pola tertentu dari plot residual tersebut (gambar
7.4.
Table 7.5: Residual

Pupuk P
Pupuk N
P1 P2 P3
-0.5 -0.75 -0.5
-0.5 -0.75 0.5
N1
0.5 0.25 0.5
0.5 1.25 -0.5
a
0.75 2 1.75
-0.25 1 -0.25
N2
ay
-0.25 -2 -1.25
-0.25 -1 -0.25
r
-2.5 1.25 -1.75
-2.5 2.25 0.25
ka
N3
-1.5 -1.75 1.25
6.5 -1.75 0.25
ng
la
Figure 7.3: Plot residu yang dibakukan
Pa
UM
7.2. RANCANGAN FAKTORIAL UMUM 69
Figure 7.4: Plot residu vs nilai prediksi
a
r ay
ka
ng
la
7.2 Rancangan Faktorial Umum

Pa
Pembahasan tentang rancangan faktorial dua faktor dapat diperluas menjadi

lebih dari dua faktor. Dalam hal ini faktor A terdiri dari a level, faktor B
terdiri dari b level, faktor C terdiri dari c level dan seterusnya. Jika ada n
ulangan, maka akan ada abc · · · n obsservasi.
Jika semua faktor adalah tetap, maka kita dapat merumuskan tentang efek
UM
utama dan efek interaksi. Uji statistik untuk efek utama dan efek interaksi
dapat dilakukan dengan membagi kuadrat tengahnya dengan kuadrat tengah
kesalahan. Banyaknya derajat bebas setiap fakltor utama adalah banyaknya
level dikurangi satu, dan banyaknya derajat bebas interaksi adalah hasil kali
derajat bebas faktor yang menjadi komponen interaksi.
Untuk memberikan gambaran tentang racangan faktorial umum, kita berikan
contoh rancangan faktorial dengan tiga faktor. Model linear untuk rancangan
faktorial tiga faktor adalah
yijkl = µ + αi + βj + γk + (αβ)ij + (αγ)ik + (βγ)jk + (αβγ)ijk + ijkl

dengan i = 1, 2, · · · , a
j = 1, 2, · · · , b
k = 1, 2, · · · , c
l = 1, 2, · · · , n
(7.10)
Dengan asumsi A, B, dan C tetap, tabel analisis varian rancangan ini dapat
dinyatakan sebagai berikut.
Table 7.6: Tabel Analisis Varian Rancangan Faktorial Tiga Faktor

(Source of variation) (Sum of square) (Degress of freedom) (Mean square)
JKA KTA
A JKA (a − 1) a−1 KTE
JKB KTB
B JKB b−1
a
b−1 KTE
JKC KTC
C JKC c−1
ay
c−1 KTE
JKAB KTAB
AB JKAB (a − 1)(b − 1) (a−1)(b−1) KTE
JKAC KTAC
AC JKAC (a − 1)(c − 1) (a−1)(c−1) KTE
r
JKBC KTBC
BC JKBC (b − 1)(c − 1) (b−1)(c−1) KTE
ABC
ka
Kesalahan (error)
JKABC
JKE
(a − 1)(b − 1)(c − 1)
abc(n − 1)
JKABC
(a−1)(b−1)(c−1)
JKE
abc(n−1)
KTABC
KTE
ng
Total JKT abcn − 1
Untuk penghitungan secara manual jumlah kudrat dapat digunakan persamaan-

la
persamaan berikut. Jumlah kuadrat total dapat dihitung dengan

b X
a X l X
n
Pa
2
X y....
JKT = yijkl −
i=1 j=1 k=1 l=1
abcn
Jumlah kuadrat efek utama A, B dan C dapat dihitung dengan

a
y2
UM
1 X 2
JKA = yi... − ....
bcn i=1 abcn
b
1 X 2 y2
JKB = y.j.. − ....
acn j=1 abcn
c
1 X 2 y2
JKC = y..k. − ....
abn abcn
k=1
Untuk menghitung jumlah kuadrat interaksi dua faktor AB, AC dan BC

dapat digunakan
a b
1 XX 2 y2
JKAB = yij.. − .... − JKA − JKB
cn i=1 j=1 abcn
7.2. RANCANGAN FAKTORIAL UMUM 71
a c
1 XX 2 y2
JKAC = yi.k. − .... − JKA − JKC
bn i=1 abcn
k=1
b c
1 XX 2 y2
JKBC = y.jk. − .... − JKB − JKC
an j=1 abcn
k=1
Jumlah kuadrat interaksi tiga faktor ABC dapat dihitung dengan
1
Pa Pb 2
Pc y2
a
JKABC = n i=1 yijk.
j=1 − abcn
....
k=1
−JKA − JKB − JKC − JKAB − JKAC − JKBC
ay
Jumlah kuadrat error dapat diperoleh dengan cara mengurangan jumlah kuadrat
total dengan jumlah dari jumlah kuadrat efek utama dan jumlah kuadrat inter-
r
aksi,
ka
JKE = JKT − JKA − JKB − JKC − JKAB − JKAC − JKBC − JKABC
Contoh 17. Suatu percobaan bertujuan untuk mengetahui pengaruh pupuk

ng
P , varietas dan jarak tanam terhadap produksi padi. Faktor utama terdiri dari
3 level pupuk P , dua varietas padi dan dua jarak tanam. Data pengamatan
disajikan pada tabel berikut.
la
Table 7.7: Data pengamatan produksi padi (kwintal/ha)

Varietas 1 Varietas 2
Pa
Pupuk P yi...
Jarak 1 Jarak 2 Jarak 1 Jarak 2
2.3 2.5 2.5 2.7
P1 2.1 2.4 2.3 3
2.4 2.3 2.6 2.9
UM
y1jk. 6.8 7.2 7.4 8.6 30

2.3 2.3 2.3 3.4
P2
2.4 2.4 3.1 3.2
3.1 2.6 3.2 3.1
y2jk. 7.8 7.3 8.6 9.7 33.4
3.5 3.7 3.5 3.5
P3
3.4 3.6 3.6 3.8
3.1 3.9 3.2 3.6
y1jk. 10 11.2 10.3 10.9 42.4
Total pupuk × varietas yij..

y11.. = 14.0, y12.. = 16
y21.. = 15.1, y22.. = 18.3
y31.. = 21.2, y32.. = 21.2
Total pupuk × Jarak yi.k.

y1.1. = 14.2, y1.2. = 15.8
y2.1. = 16.4, y2.2. = 17
y3.1. = 20.3, y3.2. = 22.1
y.11. = 24.6, y.12. = 25.7, y.21. = 26.3, y.22. = 29.2
y.1.. = 50.3, y.2.. = 55.5
y..1. = 50.9, y..2. = 54.9
y... = 105.8
Jumlah kuadrat dapat dihitung sebagai berikut
a
(105.8)2
((2.3)2 + (2.5)2 + · · · + (3.6)2 ) −
ay
JKT = 36 = 10.2256
2
302 +33.42 +42.42
JKA = 2.2.3 − (105.8)
36 = 6.8422
2 2 2
JKB = 50.3 +55.5
− (105.8) = 0.7511
r
3.2.3 36
50.92 +54.92 (105.8)2
JKC = − 36 = 0.4444
ka
3.2.3
14.02 +162 +15.12 +18.32 +21.22 +21.22 (105.8)2
JKAB = 2.3 − 36 − 6.8422 − 0.7511
= 0.4356
ng
14.22 +15.82 +16.42 +172 +20.32 +22.12 (105.8)2
JKAC = 2.3 − 36 − 6.8422 − 0.4444
= 0.0689
la
2
24.62 +25.72 +26.32 +29.22
JKBC = 3.3 − (105.8)
36 − 0.7511 − 0.4444 = 0.0900
2 2
6.8 +7.2 +···+10.9 2 (105.8)2
JKABC = 3 − 36
Pa
−6.8422 − 0.7511 − 0.4444 − 0.4356 − 0.0689 − 0.0900 = 0.2067

JKE = 10.2256 − 6.8422 − 0.7511 − 0.4444 − 0.4356 − 0.0689
−0.0900 − 0.2067 = 1.3867
UM
Analisis varian untuk contoh ini juga telah dilakukan dengan program Minitab
dan hasil analisis varian disajikan pada tabel 7.8.
Pada kolom terakhir tabel analisis varian 7.8 terdapat p − value, yaitu nilai
maksimum kesalahan jenia pertama. Ini berarti jika p − value < 0.05 maka
disimpulkan terdapat pengaruh pada tingkat signifikansi 5 persen.
7.3 Rancangan Faktorial Kelompok

Semua pembahasan rancangan faktorial di atas adalah rancangan random lengkap.
Dalam kenyataan di lapangan, kadang-kadang kita harus melakukan pengelom-
pokan (blocking). Oleh karena itu kita perlu meninjau rancangan faktorial
kelompok. Untuk memudahkan pembahasan, kita tinjau rancangan faktorial
dua faktor A dan B dengan n ulangan. Kita ingatkan kembali bahwa model
linear untuk rancangan ini adalah
7.3. RANCANGAN FAKTORIAL KELOMPOK 73
Table 7.8: Tabel Analisis Varian Rancangan Faktorial Tiga Faktor

Derajat Jumlah Kuadrat p−
Sumber Variasi F0
bebas Kuadrat Tengah value
Pupuk 2 6.8422 3.4211 59.21 0.000
Varietas 1 0.7511 0.7511 13.00 0.001
Jarak 1 0.4444 0.4444 7.69 0.011
Pupuk*Varietas 2 0.4356 0.2178 3.77 0.038
a
Pupuk*Jarak 2 0.0689 0.0344 0.60 0.559
ay
Varietas*Jarak 1 0.0900 0.0900 1.56 0.224
2 0.2067 0.1033 1.79 0.189
r
Pupuk*Varietas*Jarak
Error
Total
24
35
ka 1.3867
10.2256
0.0578
ng
la
dengan i = 1, 2, · · · , a
(7.11)
j = 1, 2, · · · , b
k = 1, 2, · · · , n
Pa
dimana αi , βj dan (αβ)ij masing-masing menyatakan efek faktor A, B dan in-

teraksi AB. Perhatikan bahwa pada percobaan demikian semua abn kombinasi
perlakuan dilakukan pada kondisi yang sama.
UM
Misalnya karena keadaan tertentu, kita harus melakukan bloking (pengelom-

pokan). Akibatnya randomisasi dilakukan pada setiap blok, dan satu ulangan
percobaan faktorial lengkap dilaksanakan dalam setiap blok. Oleh karena itu
model linear 7.11 kita ubah dengan menambahkan efek blok menjadi
yijk = µ + αi + βj + (αβ)ij + δk + ijk

dengan i = 1, 2, · · · , a
(7.12)
j = 1, 2, · · · , b
k = 1, 2, · · · , n
dimana δk adalah efek blok ke k. Didalam setiap blok, kombinasi perlakuan di-
jalankan secara random lengkap. Dalam rancangan faktorial blok, diasumsikan
tidak ada interaksi antara blok dan perlakuan.
Analisis varian untuk rancangan faktorial blok diberikan pada tabel berikut.
Jumlah kuadrat dari setiap komponen sumber variasi dihitung sebagai berikut
Table 7.9: Tabel Analisis Varian Rancangan Faktorial Kelompok Dua Faktor
(Source of variation) (Sum of square) (Degress of freedom) (Mean square)
JKblok KTblok
Blok JKblok n−1 n−1 JKE
JKA KTA
A JKA (a − 1) a−1 KTE
JKB KTB
B JKB b−1 b−1 KTE
JKAB KTAB
Interaksi JKAB (a − 1)(b − 1)
a
(a−1)(b−1) KTE
JKE
Kesalahan (error) JKE (ab − 1)(n − 1)
ay
(ab−1)(n−1)
Total JKT abn − 1
r
ka
ng
2
Pa Pb Pn y...
JKT = i=1 j=1 k=1 yijk − abn
2
1
P 2 y...
JKblok = k y..k − abn
la
ab
2
1
Pa 2 y...
JKA = bn i=1 yi.. − abn
2
1
Pb 2 y...
JKB = j=1 y.j. − abn
Pa
an
2
1
Pa Pb 2 y...
JKAB = n i=1 j=1 yij − abn − JKA − JKB )
JKE = JKT − JKA − JKB − JKAB − JKblok
UM
Contoh 18. Seorang peneliti ingin mengetahui pengaruh jarak tanam dan
banyaknya tongkol terhadap produksi jagung. Peneliti menggunakan empat va-
rietas jagung. Karena peneliti hanya tertarik pada jarak tanam dan banyaknya
tongkol saja, maka varietas jagung dijadikan sebagai blok.
Pada tabel hasil pengamatan telah dihitung total faktor utama. Pada per-
titungan jumlah kuadrat berikut, A =jarak tanam, dan B =jumlah tongkol.
y.1. = 43.9, y.2. = 45.5

y11. = 14, 2, y12. = 14.8
y21. = 14.3, y22. = 14.8
y31. = 15.4, y32 = 15.9
7.3. RANCANGAN FAKTORIAL KELOMPOK 75
Table 7.10: Data pengamatan hasil tanaman jagung (ton/hektar)

Varietas Blok 1 Blok 2 Blok 3 Blok 4
(Blok)
yi..
Banyaknya
1 2 1 2 1 2 1 2
Tongkol
Jarak
Tanam
J1 3.6 3.9 3.2 3.4 3.6 3.6 3.8 3.9 29
a
J2 3.7 3.9 3.7 3.5 3.4 3.7 3.5 3.7 29.1
ay
J3 4 4.1 3.7 4.1 3.8 3.9 3.9 3.8 31.3
y..k 23.2 21.6 22 22.6
r
ka
ng
89.42
JKT = (3.62 + 3.92 + · · · + 3.92 ) − 3.2.4 = 1.1650
2 2 2 2
29 +29.1 +31.3 89.4
JKA = 2.4 − 3.2.4 = 0.4225
43.92 +45.52 89.42
JKB = − = 0.1067
la
3.4 3.2.4
1 2 89.42
JKAB = 4 (14.2 + 14.82 + · · · + 15.92 ) − 3.2.4 − 0.4225 − 0.1067 = 0.0008
2
Pa
1
JKblok = 3.2 (23.2
2 2
+ 21.6 + 22 + 22.6 ) − 2 2
− 89.4
3.2.4 = 0.2450
JKE = 1.1650 − 0.4225 − 0.1067 − 0.0008 − 0.2450 = 0.3900
UM

Sumber Variasi Derajat bebas Jumlah Kuadrat Kuadrat Tengah F0 p
Jarak Tanam 2 0.4225 0.2113 8.12 0.004
Tongkol 1 0.1067 0.1067 4.10 0.061
Interaksi 2 0.0008 0.0004 0.02 0.984
Blok 3 0.2450 0.0817 3.14 0.057
Error 15 0.39000 0.02600
Total 23 1.1650
a
r ay
ka
ng
la
Pa
UM
Bab 8
Rancangan Faktorial 2k
a
ay
Rancangan faktorial merupakan rancangan yang banyak digunakan, karena ke-
r
banyakan nilai observasi dipengaruhi oleh banyak faktor. Suatu bentuk khusus
ka
dari rancangan faktorial adalah suatu rancangan faktorial dimana setiap faktor
memiliki 2 level perlakuan. Rancangan demikian dinamakan rancangan 2k
dimana k menyatakan banyaknya faktor. Level perlakuan pada rancangan ini
ng
bisa bersifat kunatitatif atau kualitatif. Dalam bagian ini kita akan membahas
rancangan 2k dengan asumsi semua faktor adalah tetap dan rancangan meru-
pakan random lengkap.
la
Rancangan 22
Pa
8.1
Rancangan 22 adalah rancangan dengan dua faktor dan setiap faktor terdiri
dari dua level perlakuan. Untuk sederhananya, misalkan kedua faktor adalah
faktor A dan faktor B, kedua level pada setiap faktor kita namakan level tinggi
UM
(+) dan level rendah (-) dan banyaknya ulangan adalah n. Notasi (1), a, b,
dan ab berturut-turut menyatakan total n ulangan kombinasi perlakuan seperti
dinyatakan pada gambar 8.1
Efek faktor A pada level rendah faktor B adalah (a−(1))/n dan efek faktor A
pada level tinggi faktor B adalah (ab−b)/n. Rata-rata kedua efek ini dinamakan
utama faktor A
1 1
A= [(ab − b) + (a − (1))] = (ab + a − b − (1)) (8.1)
2n 2n
Efek faktor B pada level rendah faktor A adalah (b−(1))/n dan efek faktor B
pada level tinggi faktor A adalah (ab−a)/n. Rata-rata kedua efek ini dinamakan
utama faktor B
1 1
B= [(ab − a) + (b − (1))] = (ab + b − a − (1)) (8.2)
2n 2n
77
78 BAB 8. RANCANGAN FAKTORIAL 2K
b ab
tinggi
Faktor B
a
rendah
(1) a
ay
rendah tinggi
Faktor A
r
ka
Efek interaksi AB didefinisikan sebagai rata-rata selisih antara efek faktor
B pada level tinggi faktor A dengan efek faktor B pada level rendah faktor A,
yaitu
ng
Efek faktor A pada level rendah faktor B adalah (a−(1))/n dan efek faktor A
pada level tinggi faktor B adalah (ab−b)/n. Rata-rata kedua efek ini dinamakan
utama faktor A
la
1 1
AB = [(ab − b) − (a − (1))] = (ab + (1) − a − b) (8.3)
Pa
2n 2n
Perhatikan bahwa pada tiga persamaan di atas, kita telah menggunakan

konstras untuk menyatakan efek A, B dan AB, yaitu
UM
KontrasA = ab + a − b − (1)
KontrasB = ab + b − a − (1) (8.4)
KontrasAB = ab + (1) − a − b
Berdasarkan pembahasan pada bahwa jumlah kuadrat kontras sama den-

gan kuadrat kontras dibagi banyaknya observasi dikali jumlah kuadrat koefisien
konstras, yaitu
P 2
( ci yi. )
JKkontras = P 2 .
n ci
P 2
Karena setiap kontras pada 8.4 ci = 4, maka jumlah kuadrat untuk
setiap komponen sumber variasi adalah sebagai berikut.
8.1. RANCANGAN 22 79
(ab + a − b − (1))2
JKA =
4n
(ab + b − a − (1))2 (8.5)
JKB =
4n
(ab + (1) − a − b)2
JKAB =
4n
Jumlah kuadrat total dihitung seperti biasa, yaitu
a
2 X
2 X
n 2
X
2 y...
JKT = yijk − (8.6)
ay
i=1 i=j k=1
4n
dan jumlah kuadrat kesalahan dihitung dengan pengurangan
r
JKE = JKT − JKA − JKB − JKAB (8.7)
ka
Table 8.1: Tabel Analisis Varian Rancangan 22
ng
Sumber Jumlah Derajat Kuadrat
F0
Variasi Kuadrat bebas Tengah
la
KTA
A JKA 1 JKA
KTE
Pa
KTB
B JKB 1 JKB
KTE
KTAB
AB JKAB 1 JKAB
KTE
UM
JKE
Kesalahan JKE 4(n − 1)
4(n − 1
Total JKT 4n − 1
Contoh 19. Seorang peneliti mengklaim bahwa kecepatan reaksi dipengaruhi

oleh konsentrasi katalisator dan temperatur. Untuk membuktikan klaim terse-
but dilakukan penelitian dengan kedua faktor dan setiap faktor terdiri dari dua
level, yaitu konsentrasi level1 dan level2, temperatur 300 dan 700 . Hasil obesr-
vasi adalah sebagai berikut.
Pada kolom terakhir tabel hasil observasi telah kita hitung total setiap kom-
binasi perlakuan. Berdasarkan tabel tersebut diperoleh
(1) = 183, a = 185, b = 182, ab = 201.

Temperatur Konsentrasi Kombinasi Ulangan

A B Perlakuan 1 2 3 Total
- - A rendah, B rendah 62 61 60 183
- + A rendah, B tinggi 57 62 63 182
+ - A tinggi, B rendah 61 61 63 185
+ + A tinggi, B tinggi 68 69 64 201
a
Jumlah ulangan n = 3, sehingga kuadrat setiap komponen sumber variasi
ay
adalah
(201 + 185 − 182 − 183)2
r
JKA = = 36.75
12
ka
JKB =
(201 + 182 − 185 − 183)2
12
= 18.75
(201 + 183 − 185 − 182)2

ng
JKAB = = 24.083
12
751
JKT = (622 + 612 + · · · + 644 ) − = 118.917
la
12
JKE = 118.917 − 36.75 − 18.75 − 24.083 = 39.333

Pa
Hasil uji hipotesis peneliti tersebut dapat dilihat pada tabel 8.8. Berdasarkan
hasil ini terdapat pengaruh faktor A (temperatur) pada tingkat signifikansi 5
persen, karena F0 = 7.47 > F0.05,1,8 = 5.32. Sedangkan faktor katalis dan
interaksi tidak memberikan pengaruh pada tingkat signifikansi 5 persen.
UM
Table 8.2: Analisis Varian

Sumber Jumlah Derajat Kuadrat
F0
Variasi Kuadrat bebas Tengah
A 36.750 1 36.750 7.47
B 18.750 1 18.750 3.81
Interaksi 24.083 1 24.083 4.90
Error 39.333 8 4.917
Total 118.917 11
Perhatikan kembali ke kontras 8.4. Koefisien setiap kontras terdiri dari +1

dan −1, sehingga efek dapat dinyatakan dalam tabel 8.3,
Table 8.3:
Efek (1) a b ab
A -1 +1 -1 +1
B -1 -1 +1 +1
AB +1 -1 -1 +1
a
ay
Dari tabel 8.3, kita bisa menentukan tanda untuk setiap kombinasi per-
lakuan sebagaimana disajikan pada tabel 8.4, yang dinamakan tabel plus mi-
nus.
r
Kombinasi
ka
Table 8.4: Tanda untuk menghitung efek pada rancangan 22
Efek Faktorial
ng
Perlakuan I A B AB
(1) + - - +
la
a + + - -
b + - + -
Pa
ab + + + +
UM
8.2 Rancangan 23
Untuk mengembangkan rancangan 23 , marilah kita tinjau kembali kontras pada
rancangan 22 . Pada rancangan 22 , efek setiap faktor dapat diperoleh dengan
bantuan tabel berikut
Tabel 8.5 dapat digunakan untuk mencari konstras setiap efek, yaitu dengan
cara menjumlahkan hasil kali kolom efek dan kolom Label;
KontrasA = ab − b + a − 1
KontrasB = ab + b − a − 1
KontrasAB = ab − b − a + (1)
Marilah pada rancangan 23 ketiga faktor kita tulis berturut-turut dengan

notasi A, B dan C. Seperti notasi sebelumnya, level rendah dan level tinggi
setiap faktor berturut-turut ditulis dengan notasi − dan +. Karena ada tiga
Table 8.5: Efek pada rancangan 22
A B AB Label
- - + (1)
+ - - a
- + - b
+ + + ab
a
ay
faktor dan setiap faktor terdiri dari dua level, maka ada 23 = 8 kombinasi per-
lakuan yang kita tuliskan dengan notasi (1), a, b, c, ab, ac, bc dan abc. Makna
dari notasi ini dapat dilihat pada tabel 8.6.
r
ka Table 8.6: Efek pada rancangan 23
ng
Kombinasi A B C AB AC BC ABC
Perlakuan
(1) - - - + + + -
la
a + - - - - + +
Pa
b - + - - + - +
ab + + - + - - -
c - - + + - - +
UM
ac + - + - + - -
bc - + + - - + -
abc + + + + + + +
Berdasarkan tabel 8.6, kita bisa mencari kontras untuk setiap kombinasi
perlakuan. Jika ada n ulangan, maka pada rancangan 23 jumlah kuadratnya
setiap efek dapat dicari dengan
(kontras)2
JK = (8.8)
8n
Dengan demikian, jumlah kuadrat setiap efek adalah

1
JKA = 8n (abc − bc + ac − c + ab − b + a − (1))2
1
JKB = 8n (abc + bc − ac − c + ab + b − a − (1))2
1
JKC = 8n (abc + bc + ac + c − ab − b − a − (1))2
1
JKAB = 8n (abc − bc − ac + c + ab − b − a + (1))2 (8.9)
1 2
JKAC = 8n (abc − bc + ac − c − ab + b − a + (1))
1
JKBC = 8n (abc + bc − ac − c − ab − b + a + (1))2
1
− bc − ac + c − ab + b + a − (1))2
a
JKABC = 8n (abc
ay
Contoh 20. Seorang peneliti ingin mengegai pengaruh faktor cahaya (A), zat
perangsang (B) dan kelembaban (C) terhadap kecepatan perkecambahan su-
atu jenis benih. Misalkan setiap faktor terdiri dari dua level, yaitu faktor ca-
haya intensitas rendah dan intensitas tinggi, faktor zat perangsang dosis rendah
r
dan dosis tinggi, dan faktor kelembaban rendah dan kelembaban tinggi. Data
ka
hasil pengataman adalah sebagai berikut dimana − dan + berturut-turut meny-
atakan level rendah dan tinggi.
ng
Table 8.7: Waktu perkecambahan sejak diberi perlakuan
Faktor Waktu perkecambahan (jam) Kombinasi
la
Percobaan A B C Ulangan 1 Ulangan 2 Ulangan 3 Perlakuan

1 - - - 20 30 25 (1)=75
Pa
2 + - - 30 42 29 a=101
3 - + - 34 33 47 b=114
4 + + - 52 45 44 ab=141
UM
5 - - + 43 44 37 c=124
6 + - + 40 35 37 ac=112
7 - + + 58 49 53 bc=160
8 + + + 38 40 46 abc=124
Pada kolom terakhir tabel tersebut telah dihitung total setiap kombinasi
perlakuan. Berdasarkan 8.9, kita bisa mencari jumlah kuadrat setiap kombinasi
perlakuan, misalnya
1
JKA = (124 + 160 + 112 − 124 + 141 − 114 + 101 − 75)2 = 1.04.
24
Jumlah kuadrat yang lain dapat dihitung dan selengkapnya disajikan dalam
tabel analisis varian berikut.
Table 8.8: Analisis Varian 23

F0
Variasi bebas Kuadrat Tengah
A 1 1.04 1.04 0.04
B 1 672.04 672.04 24.93
C 1 330.04 330.04 12.24
A*B 1 22.04 22.04 0.82
a
A*C 1 425.04 425.04 15.77
ay
B*C 1 40.04 40.04 1.49
A*B*C 1 26.04 26.04 0.97
r
Error 16 431.33 26.96
Total
ka 23 1947.62
ng
8.3 Rancangan Faktorial 2k
Rancangan 22 dan 23 yang telah dibahas dapat diperluan untuk rancangan 2k
la
untuk k > 3. Pada rancangan 22 terdapat 2 faktor utama dan 22 = 1 faktor

interaksi; pada rancangan 23 terdapat 3 faktor utama, 32 = 3 faktor interkasi

dua faktor dan 33 = 1 faktor interaksi tiga faktor. Jika diperluas ke rancangan
Pa
2k , maka akan mencakup k faktor utama, k2 faktor interaksi dua faktor, k3

faktor interaksi tiga faktor, dan seterusnya hingga satu faktor interaksi k fak-
tor. Untuk rancangan faktorial 2k , faktor utama kita beri label berturut-turut
A, B, C, D, · · · .
UM
Untuk perhitungan secara manual, maka menjadi tidak mudah jika k se-
makin besar. Namun demikian masih bisa dilakukan dengan menuliskan kontras
setiap efek. Kontras efek AB · · · K dapat dicari dengan
KontrasAB···K = (a ± 1)(b ± 1) · · · (k ± 1) (8.10)

Sebagai contoh, untuk rancangan 23 , maka
KontrasAC = (a − 1)(c − 1)(b + 1) = abc + ac − ab − a − bc − c + (1)
,
untuk rancangan 24 , maka
KontrasABC = (a − 1)(b − 1)(c − 1)(d + 1)
= abcd − abd − acd − bcd + abc + ad + bd + cd
−ab − ac − bc + a + b + c − d − (1)
8.3. RANCANGAN FAKTORIAL 2K 85
Selanjutnya jika kontras sudah diperoleh, maka efek kombinasi faktor dan
jumlah kuadrat bisa dihitung dengan
2
AB · · · K = (KontrasAB···K ) (8.11)
n2k
1
JKAB···K = (KontrasAB···K )2 (8.12)
n2k
dimana n adalah banyaknya ulangan.
Dalam prakteknya, akan sangat membantu jika kita menggunakan program
a
statistika untuk melakukan analisis rancangan faktorial 2k .
r ay
ka
ng
la
Pa
UM
a
r ay
ka
ng
la
Pa
UM
Bab 9
Model Efek Random
a
ay
Semua rancangan yang telah dibahas telah kita asumsikan faktor tetap, karena
r
dalam model linear perlakuan merupakan suatu kontanta. Dalam model demikian,
ka
level setiap perlakuan dipilih tertentu. Ini berakibat kesimpulan hasil analisis
varian hanya berlaku untuk level perlakuan yang diamati. Jika banyaknya level
yang mungkin dari suatu populasi adalah tak hingga atau sangat banyak, maka
ng
menjadi tidak mudah untuk menentukan level-level yang akan diamati agar
kesimpulan tentang populasi tersebut bermakna. Untuk mencapai kesimpulan
tentang populasi tersebut, kita bisa mengambil secara random level perlakuan
yang akan diteliti, yang berarti efek perlakuan adalah random. Efek perlakuan
la
demikian dinamakan efek random. Dalam efek random, tidak relevan jika
kita membahas efek setiap level perlakuan, tetapi akan relevan jika yang diba-
Pa
has adalah variabilitas efek tersebut pada populasi.

Sebagai contoh, suatu industri makanan ringan ingin mengetahui kadar air ba-
han baku jagung yang dikumpulkan dari petani. Ada banyak karung jagung
di gudangnya yang berasal dari banyak petani. Untuk menguji kadar air se-
tiap asal jagung tentu tidak mudah. Oleh karena itu diambil secara random
UM
beberapa karung untuk dianalisis.
9.1 Satu Faktor Random

Model linear untuk efek random dengan satu faktor tidaklah berbeda dengan
rancangan satu faktor dengan efek tetap, yang membedakan kedua rancangan
adalah pada asumsi model. Pada rancangan dengan satu efek random diasim-
sikan sebagai berikut.
yij = µ + τi + ij (9.1)

i = 1, 2, · · · , a dan j = 1, 2, · · · , n dimana τi dan ij merupakan variabel random.
Jika τi dan ij independen maka varian setiap observasi adalah
V ar(yij ) = στ2 + σ 2 (9.2)
87
88 BAB 9. MODEL EFEK RANDOM
dengan στ2 dan σ 2 berturut-turut adalah varian τi dan varian ij . Selanjut-
nya στ2 dan σ 2 dinamakan komponen varian; model 9.1 dinamakan model
komponen varian atau model efek random. Di dalam model efek random,
diasumsikan bahwa ij berdistribusi normal indendepnden dengan mean 0 dan
varian σ 2 , bahwa τi berdistribusi normal indendepnden dengan mean 0 dan var-
ian στ2 , dan bahwa τi dan ij independen.
Karena dalam model efek random kita tertarik pada efek perlakuan terhadap
keseluruan populasi, maka himpotesisnya adalah tentang komonen varian yang
bersumber dari perlakuan στ2 .
Ho : στ2 = 0
a
(9.3)
H1 : στ2 > 0
ay
Jika H0 diterima maka berarti semua perlakuan adalah indentik, sedangan jika
H1 diterima berarti ada variabilitas antar perlakuan. Untuk menguji hipotesis
di atas, seperti biasanya diguanakan analisis varian. Jumlah kuadrat untuk
r
model ini tentu tidak berbeda dengan model efek tetap yaitu
ka JKT = JKP + JKE (9.4)

dengan kata lain jumlah kuadrat total merupakan jumlah dari jumlah kuadrat
ng
perlakuan dan jumlah kuadrat kesalahan random.
Dengan asumsi distribusi στ2 dan σ 2 yang telah dikemukakan di atas, maka
KTP berdistribusi chi-square dengan derajat bebas a − 1 dan KE berdistribusi
la
chi-square dengan derajat bebas N − a dan kedua variabel random adalah in-
dependen. Dengan demikian statistik penguji untuk hipotesis di atas adalah
Pa
KTP
F0 = (9.5)
KTE
yang berdistribusi F dengan derajat bebas pembilang a − 1 dan derakat bebas
penyebut N − a.
UM
Kriteria untuk menerima H0 perlu dikembangkan dengan mengamati nilai

harapan kuadrat tengah. Dapat ditunjukan bahwa nilai harapan kuadrat tengah
untuk perlakuan dan kesalahan berturut-turut adalah
E(KTP ) = σ 2 + nστ2
(9.6)
E(KTE ) = σ 2
Dari kedua nilai harapan ini, kita bisa menerima H −0 jika hasil bagi kuadrat
tengan perlakuan dan kuadrat tengah error tidak berbeda jauh dengan σ 2 , seba-
liknya kita menerima H1 jika hasil bagi kedua kuadrat tengah tersebut berbeda
dengan σ 2 . Dengan demikian kriteria untuk menolak H0 pada tingkat sig-
nifikansi α adalah jika F0 > Fα,a−1,N −a .
Dalam uji hipotesis model efek random, kita menguji varian faktor. Oleh
karena itu akan berguna jika kita menggali informasi tentang varian dengan
cara mengestimasi komponen varian σ 2 dan στ2 . Prosedur untuk mengestimasi
9.1. SATU FAKTOR RANDOM 89
σ 2 dan στ2 dinamakan metode analisis varian. Prosedur ini dilakukan dengan
menyamakan nilai observasi kuadrat tengah dengan nilai harapannya. Dengan
demikian untuk model yang sedang kita bahas, berdasarkan 9.6 diperoleh
KTP = σ 2 + nστ2
dan (9.7)
KTE = σ 2 .
Dengan demikian estimasi komponen variannya adalah
σ̂ 2 = KTE
a
dan (9.8)
KTP + KTE
ay
σ̂τ2 =
n
Jika banyaknya sampel tidak sama, maka n pada persamaan 9.8 diganti
dengan
r
ka
a Pa !
2
1 X n i
n0 = ni − Pi=1
a . (9.9)
a − 1 i=1 i=1 ni
ng
Contoh 21. Dengan pertimbangan bahan baku jagung diperoleh dari berbagai
petani, diduga ada variasi kadar air jagung pipilan yang diterima oleh perusana-
haan makanan ringan. Untuk menguji dugaan tersebut, dialkukan pengukuran
kadar air jagung yang ada di gudang dengan cara mengambil sampel dari berba-
la
gai karung secara random. Data observasi diberikan pada tabel berikut.
Pa
Observasi
Karung 1 2 3 4
1 17 16 18 16
2 14 13 13 12
3 16 15 17 15
UM
4 15 16 18 16
Perhitungan jumlah kuadrat untuk rancangan ini tentu tidak berbeda den-
gan rancangan random lengkap. Tabel 21 menyajikan hasil analisis varian.
Berdasarkan tabel ini, kita simpulkan terdapat pengaruh asal jagung (karung)
pada variasi kadar air keseluruhan jagung yang ada di gudang. Dengan metode
analisis varian, estimasi komponen varinnya adalah
σ̂ 2 = 1.021
σ̂τ2 = 11.229−1.021
4 = 2.552
Dengan demikian varian kadar air jagung setiap observasi dapat diestimasi den-
gan
V ar(yij ) = σ 2 + σ̂τ2 = 1.021 + 2.552 = 3.573


F0 p
Variasi Bebas Kuadrat Tengah
Karung 3 33.688 11.229
11.00 0.001
Error 12 12.250 1.021
Total 15 45.938
Varian ini merupakan variabilitas kadar air jagung yang disebabkan dari perbe-
daan karung.
a
ay
9.2 Dua Faktor Random
Misalkan suatu percobaan memiliki dua faktor, faktor A dan faktor B keduanya
r
faktor random; faktor A terdiri dari a level dan faktor B terdiri dari b level.
Tentu level-level ini diambil secara random. Jika ada n ulangan, maka setiap
ka
observasi dapat dinyatakan dengan model linear

ng
dengan i = 1, 2, · · · , a
(9.10)
j = 1, 2, · · · , b
k = 1, 2, · · · , n
la
dimana parameter αi , βj , (αβ)ij dan ijk semuanya merupakan variabel ran-

dom independen dan berdistribusi normal dengan mean 0 dan varian V ar(αi ) =
Pa
σα2 , V ar(βj ) = σβ2 , V ar(αβ)ij = σαβ

2
dan V ar(ijk ) = σ 2 . Dengan asumsi ini,
varian setiap observasi dapat dinyatakan sebagai jumlah dari komponen varian
V ar(yijk ) = σα2 + σβ2 + σαβ

2
+ σ2 , (9.11)
UM
Karena dalam model random kita tertarik pada variabilitas faktor, maka
hipotesis nol dapat dinyatakan sebagai
H0 : σα2 = 0 H1 : σα2 > 0

H0 : σβ2 = 0 H1 : σβ2 > 0 (9.12)
2 2
H0 : σαβ = 0 H1 : σαβ >0
Model linear pada 9.10 tidak berbeda dengan model linear pada rancangan
faktorial dua faktor. Oleh karena itu jumlah kuadrat total dapat dipartisi men-
jadi jumlah kudrat komponennya dengan cara yang sama pada rancangan fak-
torial dua faktor. Meskipun demikian karena asumsinya berbeda, maka untuk
melakukan uji statistik hipotesis di atas, pertama perlu diketahui dahulu ni-
lai harapan kuarat tengah. Dapat ditunjukan bahwa nilai harapan kuadrat
tengah adalah sebagai berikut
9.2. DUA FAKTOR RANDOM 91
E(KTA ) = σ 2 + nσαβ
2
+ bnσα2
E(KTB ) = σ 2 + nσαβ
2
+ anσβ2
(9.13)
E(KTAB ) = σ 2 + nσαβ
2
E(KTE ) = σ 2
Jika hipotesis nol, misalnya H0 : σα2 = 0, benar, maka nilai harapan KTA tidak
berbeda dengan nilai harapan KTE . Dengan demikian untuk menguji hipotesis
H0 : σα2 = 0 dapat digunakan statistik
a
KTA
ay
F0 = (9.14)
KTE
yang berdistribusi Fa−1,(a−1)(b−1) .
r
Demikian pula untuk menguji H0 : σβ2 = 0 digunakan statistik
ka F0 =
KTB
KTE
(9.15)
ng
2
dengan berdistribusi Fb−1,(a−1)(b−1) , dan untuk menguji H0 : σαβ = 0 digu-
nakan statistik
la
KTBA
F0 = (9.16)
KTE
Pa
dengan distribusi F(a−1)(b−1),ab(n−1) .

Seperti pada rancangan efek random satu faktor, pada rancangan dua fak-
tor pokok bahasan kita juga pada estimasi komponen varian. Dengan metode
analisis varian, yaitu menyamakan nilai kuadrat tengah pada tabel analisis var-
ian dengan ruas kanan persamaan 9.13, maka diperoleh nilai estimasi setiap
UM
komponen varian sebagai berikut
σ̂ 2 = KTE
2 KTAB − KTE
σ̂αβ =
n (9.17)
KTA − KTAB
σ̂α2 =
bn
KTB − KTAB
σ̂β2 =
an
Contoh 22. Suatu industri makanan ringan menduga bahwa variasi hasil pen-
gukuran kadar bahan baku jagung pipilan dipengaruhi oleh asal jagung dan
Table 9.1: Observasi kadar air jagung pipilan

Karung Analis 1 Analis 2 Analis 3
1 11 10 10 10 10 11
2 14 13 14 14 13 14
3 10 11 10 11 10 12
4 17 17 18 16 17 18
5 10 10 10 10 10 11
6 13 11 14 11 13 12
7 12 11 12 14 12 10
8 10 10 10 10 10 10
a
9 14 13 15 13 14 14
ay
10 15 13 16 15 14 15
r
analis yang melakukan pengujian. Untuk memuktikan dugaan tersebut di-
ka
lakukan pengukuran kadar air jagung yang ada di gudangnya dengan mengam-
bil secara random 10 karung dan menunjuk secara random 3 analisis dengan 2
ulangan. Hasil pengukuran (dalam persen) disajikan pada tabel 9.1.
ng
Perhitungan jumlah kuadrat secara manual sama dengan perhitungan jum-
la
lah kuadrat pada model efek tetap. Tabel analisis varian untuk data di atas
disajikan pada tabel 9.2.
Pa

F0 p
Variasi Bebas Kuadrat Tengah
Analis (A) 2 1.633 0.817 2.00 0.165
UM
Karung (B) 9 298.933 33.215 0.000

81.16
Interaksi (AB) 18 7.367 0.409 0.49 0.942
Error 30 25.000 0.833
Total 59 332.933
Perdasarkan tabel analisis varian, ternyata faktor analisis dan interaksi tidak
menimbulkan variasi dalam pengukuran kadar air jagung, sedangkan asal jagung
(karung) memberikan kontribusi yang signifikasn terhadap variasi dalam hasil
pengukuran kadar air jagung. Dari tabel analisis varian, estimasi komponen
varian adalah sebagai berikut.
9.3. MODEL CAMPURAN DUA FAKTOR 93
σ̂ 2 = 0.833
2 0.409 − 0.833
σ̂αβ = = −0.212
2
0.817 − 0.409
σ̂α2 = = 0.020
3·2
33.215 − 0.409
σ̂β2 = = 5.468
10 · 2
a
ay
9.3 Model Campuran Dua Faktor
Dalam banyak penarapan eksperimen dua faktor bisa terjadi faktor A tetap
r
dan faktor B random. Model demikian dinamakan model campuran. Model
linear untuk model campuran sama dengan model linear percobaan faktorial,
ka
namun asumsi modelnya berbeda. Misalkan faktor A memiliki a level, faktor B
memiliki b level dan ada n ulangan. Model linear eskperimen ini adalah
ng
dengan i = 1, 2, · · · , a
(9.18)
j = 1, 2, · · · , b
k = 1, 2, · · · , n
la
dimana parameter αi adalah tetap, parameter βj random, interaksi

Pa (αβ)ij
random dan kesalahan ijk random. Selanjutnya diasumsikan i=1 αi = 0
Pa
dan βj berdistribusi normal independen dengan mean 0 dan varian σβ2 . Faktor
interaksi P
(αβ)ij diasumsikan berdistribusi normal dengan mean 0 dan varian
a−1 2
a σαβ , i (αβ)ij = 0 untuk setiap level j pada faktor random B, dan covarian
antar (αβ)ij adalah
UM
cov[(αβ)ij , (αβ)ij 0 ] = 0, j 6= j 0 ,
βj , (αβ)ij ,dan ijk adalah saling independen.
Dengan asumsi di atas, dapat ditunjukann bahwa nilai harapan untuk kom-
ponen kuadrat tengah adalah
i=1a α2i
P
bn
E(KTA ) = σ 2 + nσαβ
2
+ a−1
E(KTB ) = σ 2 + anσβ2
(9.19)
E(KTAB ) = σ 2 + nσαβ
2
E(KTE ) = σ 2
Karena faktor A adalah tetap, maka hipotesis yang menjadi perhatian kita
adalah H0 : αi = 0 dengan statistik penguji
KTA
F0 = (9.20)
KTAB
yang berdistribusi Fa−1,(a−1)(b−1) . Untuk menguji pengaruh faktor random
B, yaitu H0 : σβ2 = 0, digunakan statistik penguji
KTB
F0 = (9.21)
KTE
dengan distribusi Fb−1,ab(n−1) . Faktor interaksi merupakan fantor random, se-
2
hingga statistik penguji untuk H0 : σαβ = 0 adalah
a
KTAB
ay
F0 = (9.22)
KTE
dengan distribusi F(a−1)(b−1),ab(n−1) .
r
Dalam model campuran masih bisa diestimasi efek tetapnya, yaitu
ka µ̂ = ȳ...
α̂i = ȳi.. − ȳ...
(9.23)
ng
Komponen varian bisa diestimasi dengan metode analisis varian, yaitu den-
gan menyakan ruas kanan 9.19 dengan kuadrat tengah pada tabel analisis
varian. Dengan demikian estimasi komponen varian model campuran adalah
la
Pa
σ̂ 2 = KTE
2 KTAB − KTE (9.24)

σ̂αβ =
n
KTB − KTE
UM
σ̂β2 =
an
Contoh 23. Misalkan didalam contoh 22 perusahaan hanya memiliki tiga
analisis, yang berarti analis merupakan faktor tetap. Dengan demikian kita
memiliki model campuran dengan analisis sebagai faktor tetap dan karung se-
bagai faktor random. Dengan model campuran, maka dari data 9.1 kita bisa
melakukan analisis varian dan mencari komponen varian. Hasil analisis var-
ian dan komponen varian dengan Minitab menunjukan adanya variasi kadar air
yang bersumber dari perbedaan asal jagung (karung), sedangkan faktor analis
dan interaksi tidak bervaiasi.
General Linear Model: KADAR versus ANALIS, KARUNG

Factor Type Levels Values
ANALIS fixed 3 1, 2, 3
KARUNG random 10 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
9.3. MODEL CAMPURAN DUA FAKTOR 95
Analysis of Variance for KADAR, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P

ANALIS 2 1.633 1.633 0.817 2.00 0.165
KARUNG 9 298.933 298.933 33.215 81.16 0.000
ANALIS*KARUNG 18 7.367 7.367 0.409 0.49 0.942
Error 30 25.000 25.000 0.833
Total 59 332.933
S = 0.912871 R-Sq = 92.49
a
Variance Components, using Adjusted SS
ay
Estimated
Source Value
KARUNG 5.4676
r
ANALIS*KARUNG -0.2120
Error
ka
0.8333
ng
la
Pa
UM
a
ray
ka
ng
la
Pa
UM
Bab 10
Rancangan Tersarang dan
a
ay
Split Plot
r
ka
Dalam bagian ini kita akan mempelajari dua rancangan, rancangan bersarang
dan rancangan split-plot. Sepintas kedua rancangan mirip dengan rancangan
faktorial, namun seperti akan kita lihat, rancangan ini bukan rancangan fak-
ng
torial. Dalam berbagai bidang ilmu dan teknologi, rancangan ini banyak digu-
nakan karena alasan tertentu.
la
10.1 Rancangan Tersarang Dua Tahap

Pa
Agar pembahasan kita lebih nyata, akan kita jelaskan melalui contoh. Misalkan
kita ingin mengetahui daya tumbuh suatu jenis benih dari beberapa penangkar.
Tiap kemasan benih yang diproduksi oleh setiap penangkar tentu diproduksi
pada periode tertentu. Misalkan ada 3 penangkar dan setiap penangkar diambil
4 periode produksi. Secara hirarki, observasi terhadap daya tumbuh benih dapat
UM
kita gambarkan sebagai berikut.
Figure 10.1: Observasi Rancangan Tersarang Dua Tahap

Penangkar 1 Penangkar 2 Penangkar 3
Batch 1 2 3 4 1 2 3 4 1 2 3 4
y111 y121 y131 y141 y211 y221 y231 y241 y311 y321 y331 y341
y112 y122 y132 y142 y212 y222 y232 y242 y312 y322 y332 y342
y113 y123 y133 y143 y213 y223 y233 y243 y313 y323 y333 y343
Skema percobaan pada 10.1 dinamakan rancangan tersarang dua tahap.

Rancangan demikian sepintas seperti rancangan faktorial, tetapi sebenarnya
97
98 BAB 10. RANCANGAN TERSARANG DAN SPLIT PLOT
bukan, karena tidak setiap batch sama ada pada setiap penangkar; batch 1
pada penangkar 1 tidak sama dengan batch 1 penangkar 2 atau penangkar 3,
dan sebagainya. Agar lebih membedakan bahwa batch pada suatu penangkar
berbeda dengan batch pada penangkar lain, kita gunakan notasi 1, 2, 3, dan 4
untuk batch dari penangkar 1, 5, 6, 7, dan 8 untuk batch dari penangkar 2, dan
9, 10, 11, dan 12 untuk batch dari penangkar 3. Dengan notasi ini, skema 10.1
dapat digambarkan kembali menjadi skema 10.2. Dengan skema demikian, je-
las bahwa rancangan tersarang bukanlah rancangan faktorial.
a
ay
Batch 1 2 3 4 5 6 7 8 9 10 11 12
y111 y121 y131 y141 y211 y221 y231 y241 y311 y321 y331 y341
r
y112 y122 y132 y142 y212 y222 y232 y242 y312 y322 y332 y342
ka
y113 y123 y133 y143 y213 y223 y233 y243 y313 y323 y333 y343
Figure 10.2: Pelabelan kembali batch

ng
Untuk ringkasnya, misalnya penangkar sebagai faktor A dan bath sebagai
faktor B. Model linear untuk rancangan ini adalah
la
yijk = µ + τi + βj(i) + (ij)k (10.1)

dengan
Pa
i = 1, 2, · · · , a, j = 1, 2, · · · , b, k = 1, 2, · · · , n.
Subskrip j(i) menyatakan bahwa level j faktor B bersarang di dalam level

i faktor A. Subskrip (ij)k pada suku error menyatakan bahwa ulangan bersarang
UM
pada kombinasi faktor level A dan B. Jika banyaknya ulangan sama dan banyaknya
setiap level B yang bersarang pada setiap level A sama, maka rancangannya di-
namakan rancangan tersarang seimbang.
Jumlah kuadrat total pada racangan ini dapat dipartisi menjadi
a X
X b X
n a
X a X
X b Xa X
b X
n
(yijk −ȳ... )2 = bn (ȳi.. −ȳ... )2 +n (ȳij. −ȳi.. )2 + (yijk −ȳij. )2
i=1 j=1 k=1 i=1 i=1 j=1 i=1 j=1 k=1
(10.2)
yang menyatakan bahwa jumlah kuadrat total merupakan jumlah dari jum-
lah kuadrat faktor A, jumlah kuadrat faktor B di bawah faktor A, dan jumlah
kuadrat kesalahan, ditulis
JKT = JKA + JKB(A) + JKE

10.1. RANCANGAN TERSARANG DUA TAHAP 99
Untuk perhitungan secara manual, kita bisa menggunakan hubungan berikut.

2
Pa Pb Pn 2 y...
JKT = i=1 j=1 k=1 yijk − abn
2
1
Pa 2 y...
JKA = bn i=1 yi.. − abn
Pa Pb Pa (10.3)
1 2 1 2
JKB(A) = n i=1 j=1 yij. − bn i=1 yi..
Pa Pb Pn 2 1
Pa Pb 2
JKE = i=1 j=1 k=1 yijk − n i=1 j=1 yij.
Pa Pb
Tabel analisis varian untuk model efek tetap, yakni i=1 τ i = 0 dan j=1 βj(i)
disajikan pada Tabel 10.1.
a
ay
Table 10.1: Analisis Varian untuk Rancangan Bersarang dengan Efek Tetap
Kuadrat Tengah F0
r
JKA KTA
A a−1 JKA KTA =
ka
a−1 KTE
JKB(A)
B dalam A a(b − 1) JKB(A) KTB(A) = a(b−1) KTB(A)
KTE
ng
JKE
Error ab(n − 1) JKE KTE = ab(n−1)
Total abn − 1 JKT

la
Contoh 24. Setelah dilakukan observasi daya tumbuh benih dari ketiga penangkar,
misalkan diperoleh data pada tabel 10.2. Pada tabel tersebut telah dihitung
Pa
total setiap batch dalam penangkar (yij. dan total penangkar (yi.. ).
Table 10.2: Observasi daya tumbuh (persen)

UM

Batch 1 2 3 4 5 6 7 8 9 10 11 12
90 85 85 90 90 85 83 85 92 82 90 93
86 80 87 95 83 95 85 93 95 87 83 92
80 75 90 87 80 92 80 92 87 92 92 91
yij.
256 240 262 272 253 272 248 270 274 261 265 276
yi.. 1030 1043 1076
Dalam perhitungan secara manual jumlah kuadrat berikut, notasi A meny-

atakan penangkar dan B menyatakan batch.
31492
JKT = (902 + 852 + · · · + 276) − 36 = 900.9722
1 31492

JKA = 4·3 10302 + 10432 + 1076 2
− 36 = 93.7222
1 1
2 2 2

JKB(A) = 3 (256 + 240 + · · · + 276 ) − 4·3 10302 + 10432 + 10762 = 375.9167
JKE = (902 + 852 + · · · + 276) − 13 (2562 + 2402 + · · · + 2762 ) = 431.3333
a
ay
Kuadrat Tengah F0 p
Penangkar 2 93.7222 46.8611 1.122 0.367
r
ka
Batch 9 375.9167 41.7685 2.324 0.048
Error 24 431.3333 17.9722
ng
Total 35 900.9722
la
Untuk memeriksa asumsi model dengan residual, pertama perlu diketahui
bahwaŷijk = ȳij. ; dengan demikian residual dihitung dengan
Pa
eijk = yijk − ȳijk (10.4)
10.2 Rancangan Split Plot

UM
Rancangan split plot diperlukan bilamana terdapat suatu faktor yang levelnya
tidak mudah untuk diubah. Misalnya suatu penelitian ingin mengetahui pen-
garuh metode irigasi (faktor A) dan dosis pupuk (faktor B) terhadap produksi
tanaman padi. Misalkan ada 2 level faktor A dan 3 level faktor B dan tersedia
6 petak. Jika digunakan rancangan random lengkap, maka ada 6 kombinasi
perlakuan yaitu A1 B1 , A1 B2 , A1 B3 , A2 B1 , A2 B2 dan A2 B3 . Dengan demikian
derajat bebas setiap sumber variasi adalah
sumber variasi derajat bebas

A 1
B 2
Interaksi 2
Error (galat) 0
Total 5
10.2. RANCANGAN SPLIT PLOT 101
yakni kesalahan (galat) tidak memiliki derajat bebas, yang berarti nilai kuadrat
tengah kesalahan tidak bisa diestimasi.
Jika setiap petak dibagi menjadi subpetak yang lebih kecil, maka akan diper-
oleh ulangan, sehingga kuadrat tengah kesalahan dapat diestimasi. Dengan cara
demikian kita bisa menerapkan level faktor B pada subpetak, namun sayang
sekali kita tidak mungkin menerapkan metode irigasi pada setiap sub petak
(karena harus memindah saluran irigasi!).
Untuk menangani persoalan tersebut, bisa digunakan rancangan split plot.

Dengan rancangan ini setiap metode irigasi dikenakan secara random pada 3
a
dari 6 petak tersebut. Masing-masing dari keenam petak dinamakan keselu-
ay
ruhan plot atau petak utama. Setiap petak utama kemudian dibagi menjadi
3 subpetak yang dinamakan splitplot, kemudian ketiga dosis pupuk dikenakan
secara random pada setiap splitplot dalam setiap plot utama. Skema rancangan
r
split plot dapat dilihat pada 10.3. Perhatikan bahwa pada rancangan splitplot,
petak utama bisa dipandangan sebagai ulangan atau blok.
ka
Figure 10.3: Rancangan split plot
ng
Petak Keseluruhan
la
A2 B2 A1 B3 A1 B2 A2 B1 A1 B3 A2 B2
Pa
A2 B1 A1 B2 A1 B1 A2 B3 A1 B1 A2 B1 Split plot
A2 B3 A1 B1 A1 B3 A2 B2 A1 B2 A2 B1
UM
Model linear untuk rancangan split plot adalah
yijk = µ + ρi(j) + αj + βk + (αβ)jk + ijk (10.5)
dimana αj adalah efek faktor utama ke-j (perlakuan plot keseluruhan ke j), βk
adalah efek utama evel k faktor B (perlakuan split plot ke k), ρi(j) adalah efek
plot keseluruhan ke i tersarang dalam level j faktor A).
Tabel ANOVA untuk rancangan split plot adalah sebagai berikut:

a
ay
Kuadrat Tengah F0 p
r
Keselu-
ruan
plot
ka
ng
Faktor A a−1 KJA KTA
Galat plot
keselu- a(s − 1) JKW (A)
la
ruhan
Split plot
Pa
Faktor B b−1 JKB KTB

Interaksi
(a − 1)(b − 1) KTAB
AB
Galat split
UM
a(s−1)(b−1) JK
plot
Total abs − 1
Daftar Pustaka
a
[1] Dean, A., and Voss, D., Design and Analysis of Experiments., Springer-
ay
Verlag, New York, 1999.
[2] Kutner, M.H., Nachtsheim,C.J., and Neter, J., Applied Linear Statistical
Models., 5th ed., McGraw-Hill Irwin, New York, 2005.
r
ka
[3] Montgomery, D.C., Design and Analysis of Experiments., 5th ed., John Wi-
ley and Sons, Inc., New York, 2001.
ng
la
Pa
UM
103
104 DAFTAR PUSTAKA
a
ayr
ka
ng
la
Pa
UM

Buku Rancangan Percobaan

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Rancangan Percobaan

Diunggah oleh

Hak Cipta:

Format Tersedia

Bahan Ajar

3 Eksperimen Satu Faktor Random Lengkap 13

3.1 Randomisasi Satuan Percobaan . . . . . . . . . . . . . . . . . . . 13

4 Uji Perbedaan Antar Mean 19

4.1.1 Metode Tukey . . . . . . . . . . . . . . . . . . . . . . . . 19

5 Memeriksa Kesesuaian Model 29

6.1.2 Perbandingan ganda pada rancangan blok random lengkap 44

9 Model Efek Random

Faktor-faktor yang mempengaruhi suatu proses terdiri dari faktor-faktor terk-

Satuan percobaan (experimental unit) merupakan material paling pent-

Contoh 1. Seorang peneliti ingin mengatahui pegaruh dosis pupuk P terhadap

Setiap petak merupakan satuan percobaan (experimental unit), jadi ada

1.1 Prinsip Dasar Rancangan Percobaan

dilakukan pengelompokan (blocking), dalam arti bahwa dalam satu kelompok

(a) faktor perlakuan dan level

(c) faktor blok, faktor pengganggu dan covariat.

(4) Menentukan metode pengukuran, prosedur percobaan dan antisipasi kesuli-

1.2.1 Menentukan Tujuan

1.2.2 Sumber variasi

Konsep Dasar Statistika

Table 2.1: Hasil tanaman

Pupuk jenis 1 Pupuk jenis 2

Figure 2.1: Diagram kotak (boxplot)

pengertian-pengertian yang akan sering digunakan. Ingat kembali bahwa vari-

jika Y variabel random diskrit, dan

jika Y variabel random kontinyu.

jika Y variabel random diskrit, dan

Berdasarkan definisi di atas, V ar(Y ) merupakan nilai harapan kuadrat de-

(2) E(kY ) = kµ.

(1) E(Y1 + Y2 ) = E(Y1 ) + E(Y2 ) = µ1 + µ2 .

(4) Jika Y1 dan Y2 independen, maka V ar(Y1 + Y2 ) = V ar(Y1 ) + V ar(Y2 ) =

(5) Jika Y1 dan Y2 independen, maka E(Y1 · Y2 ) = E(Y1 )E(Y2 ).

Definisi 2.0.3. Diketahui y1 , y2 , · · · , yn adalah n nilai hasil pengamatan. Mean

Parameter seperti rata-rata populasi dan varian populasi, umumnya tidak

sedangkan varian sampel s2 merupakan penduga titik untuk varian populasi σ 2 .

rameter µ dan σ, jika fungsi peluangnya adalah

f (y) = −∞ < y < ∞.

Suatu hasil penting adalah jika y ∼ N (µ, σ 2 ), dan

Umumnya Z mendekati distribusi normal untuk n ≥ 30. Teorema di atas

Distribusi Chi-square Jika variabel random Y1 , Y2 , Y3 , · · · , Yr adalah r

memiliki distribusi t dengan derajat bebas r.

Nilai distribusi kumulatif variabel random berditribusi t dengan derajat bebas

Distribusi F Diketahui variabel random Y dan Z berdistribusi chi-square

2.2 Uji Hipotesis

yij = µi + ij , i = 1, 2. dan j = 1, 2, · · · , ni .

dimana yij menyatakan hasil pengamatan ke j pada faktor ke i, µi adalah

Hipotesis di atas dinamakan hipotesis dua sisi, karena H1 : µ1 6= µ2 ekivalen

padahal H0 benar”. Kesalahan jenis kedua adalah ”menerima H0 padahal H0

Tingkat signifikansi =α = P (menolak H0 |H0 benar)

Eksperimen Satu Faktor

lakuan) dan 4 ulangan. Dengan demikian ada 20 satuan percobaan yang

Dosis Nomor Urut Satuan Percobaan

Penempatan ke 20 satuan percobaan dilakukan secara random. Dengan

Table 3.2: Urutan penempatan satuan percobaan

satuan percobaan. Sebagai ilustrasi, dimisalkan data hasil pengamatan ter-

dalam mengambil kesimpulan tersebut.

3.2 Analisis Varian

Table 3.4: Data Eksperimen Faktor Tunggal

Nilai observasi yij dikurangi rata-rata umum ȳ.. , yaitu

menggambarkan besarnya penyimpangan nilai observasi tersebut. Jika selisih ini

Dalam rancangan random lengkap satu faktor, diasumsikan variabilitas total

yij − ȳ.. = ȳi. − ȳ.. + yij − ȳi.

Selanjutnya jumlah kuadrat total diperoleh dengan mengkuadratkan kedua

yij = µi + ij , i = 1, 2. dan j = 1, 2, · · · , ni .