Ujian Responsi Tekpen - Revina Damayanti - 2014141009

RAL, RAK, RBSL, FAKTORIAL, SPLIT PLOT DESIGN
(Makalah Teknik Penelitian)
Oleh:
REVINA DAMAYANTI
2014141009
JURUSAN PETERNAKAN
FAKULTAS PERTANIAN
UNIVERSITAS LAMPUNG
2022
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Tuhan YME atas limpahan rahmat dan
karunia-Nya kepada penulis, sehingga penulis dapat menyelesaikan paper yang berjudul ‘’
Rancangan Acak Lengkap (RAL) dan Rancangan Acak Kelompok (RAK) “ ini dengan
lancar.
Paper ini ditulis dari hasil penyusunan data-data sekunder yang penulis peroleh dari bahan
ajar yang berkaitan dengan Rancangan Acak Lengkap (RAL) dan Rancangan Acak
Kelompok (RAK), serta infomasi dari media massa yang berhubungan dengan Rancangan
Acak Lengkap (RAL) dan Rancangan Acak Kelompok (RAK), tak lupa penyusun ucapkan
terima kasih kepada pengajar matakuliah Teknik Penelitian atas bimbingan dan arahan
dalam penulisan paper ini serta kepada rekan-rekan mahasiswa yang telah mendukung
sehingga dapat diselesaikannya paper ini.
Bandar Lampung, 14 mei 2022
Penulis,
PENDAHULUAN
Rancangan percobaan adalah sederetan uji baik itu menggunakan statistika

deskriptif maupun statistika inferensia guna mengubah peubah input yang
merupakan respon dari percobaan (Mattjik dan Sumertajaya, 2000). Rancangan
Acak Lengkap (RAL), Rancangan Acak Kelompok (RAK), Rancangan Bujur
Sangkar Latin (RBSL), dan sebagainya merupakan penelitian rancangan
percobaan baku yang berkembang sampai saat ini, disusun agar keragaman respon
yang terjadi karena keadaan lingkungan dan perbedaan bahan yang digunakan
dapat diminimalkan. Randomized Block Design atau disebut dengan Rancangan
Acak Kelompok merupakan salah satu bentuk rancangan yang telah digunakan
secara meluas dalam berbagai bidang penyelidikan pertanian, industri, dan
sebagainya. Rancangan ini dicirikan oleh adanya kelompok dalam jumlah yang
sama, di mana setiap kelompok dikenakan perlakuan-perlakuan (Gaspersz, 1995).
Pengelompokan yang tepat akan memberikan hasil dengan tingkat ketepatan yang
lebih tinggi dibandingkan rancangan acak lengkap yang sebanding besarnya
(Mattjik dan Sumertajaya, 2000). Pada kondisi keheterogenan unit percobaan
apabila tidak dapat dikendalikan melalui satu arah maka perlu dikendalikan
menurut dua arah (kontrol lokal) yang biasa disebut dengan arah baris dan kolom.
Rancangan yang bisa mengatasi keadaan ini dikenal dengan Rancangan Bujur
Sangkar Latin (Latin Square Design) (Montgomery, 2009). Setiap perlakuan
hanya boleh muncul sekali pada setiap baris dan kolom, begitu pula kategori dari
setiap kelompok. Penempatan perlakuan diacak berdasarkan posisi baris dan
kolom yang melibatkan sedikitnya 4 perlakuan.
PEMBAHASAN
RAL (RANCANGAN ACAK LENGKAP)
Rancangan Acak Langkap (RAL) digunakan jika kondisi unit percobaan yang
digunakan relatif homogen, seperti percobaan yang dilakukan di laboratorium.
Jarang digunakan pada percobaan lapangan atau percobaan yang melibatkan unit
percobaan cukup besar
CONTOH SOAL:
Seorang peneliti mengamati pertambahan bobot tubuh broiler (g) dengan

perlakuan penggunaan bungkil kelapa yang terdiri dari 6 level yaitu A,B,C,D, E
dan F. Broiler tersebut dipelihara pada petak kandang berukuran 1x 1 m. Masing
masing level perlakuan terdiri atas 5 petak kandang yang berisi 10 ekor broiler per
petak. Hasil pengamatannya ialah sebagaiberikut
Ulangan Perlakuan Total

A B C D E F
1 45 35.2 37.2 46.1 41.5 43.5 248.5
2 48.9 37.2 35.5 46.5 38.0 47.0 253.1
3 41.5 40 37.7 45.8 40.4 42.8 248.2
4 47.3 36.5 36.8 43.5 37.4 48.6 250.1
5 48.2 38.1 38.4 44.7 41.3 49.2 259.9
Total 230.9 187 185.6 226.6 198.6 231.1 1259.8
Rata-rata 46.18 37.4 37.12 45.32 39.72 46.22 251.96
> data=read.csv("RALUJIAN.csv",header=T)
> data
Perlakuan PertambahanBobot
1 A 45.0
2 A 48.9
3 A 41.5
4 A 47.3
5 A 48.2
6 B 35.2
7 B 37.2
8 B 40.0
9 B 36.5
10 B 38.1
11 C 37.2
12 C 35.5
13 C 37.7
14 C 36.8
15 C 38.4
16 D 46.1
17 D 46.5
18 D 45.8
19 D 43.5
20 D 44.7
21 E 41.5
22 E 38.0
23 E 40.4
24 E 37.4
25 E 41.3
26 F 43.5
27 F 47.0
28 F 42.8
29 F 48.6
30 F 49.2
> fit=aov(PertambahanBobot~Perlakuan,data=data)
> anova(fit)
Analysis of Variance Table
Response: PertambahanBobot
Df Sum Sq Mean Sq F value Pr(>F)
Perlakuan 5 482.38 96.476 21.376 3.97e-08 ***
Residuals 24 108.324.513
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> summary(fit)
Perlakuan 5 482.4 96.48 21.38 3.97e-08***
Residuals 24 108.3 4.51
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> library(agricolae)
> LSD.test(fit, "Perlakuan",console=T)
Study: fit ~ "Perlakuan"
LSD t Test for PertambahanBobot
Mean Square Error:4.513333
Perlakuan, means and individual ( 95 %) CI
PertambahanBobot stdr LCL UCL MinMax
A 46.18 3.001166 5 44.21912 48.14088 41.5 48.9
B 37.40 1.798611 5 35.43912 39.36088 35.2 40.0
C 37.12 1.084896 5 35.15912 39.08088 35.5 38.4
D 45.32 1.217374 5 43.35912 47.28088 43.5 46.5
E 39.72 1.901841 5 37.75912 41.68088 37.4 41.5

F 46.22 2.926090 5 44.25912 48.18088 42.849.2
Alpha: 0.05 ; DF Error: 24
Critical Value of t: 2.063899
least Significant Difference: 2.77311
Treatments with the same letter are not significantly different.
PertambahanBobot groups
F 46.22 a
A 46.18 a
D 45.32 a
E 39.72 b
B 37.40 b
C 37.12 b
> duncan.test(fit, "Perlakuan",console=T)
Duncan's new multiple range test
for PertambahanBobot
Perlakuan,means
PertambahanBobot std r Min Max
A 46.18 3.001166 5 41.5 48.9
B 37.40 1.798611 5 35.2 40.0
C 37.12 1.084896 5 35.5 38.4
D 45.32 1.217374 5 43.5 46.5
E 39.72 1.901841 5 37.4 41.5
F 46.22 2.926090 5 42.8 49.2
Critical Range
2 3 4 5 6
2.773109 2.912599 3.002157 3.065415 3.112634
Means with the same letter are not significantly different.
F 46.22 a
A 46.18 a
D 45.32 a
E 39.72 b
B 37.40 b
C 37.12 b
>
> ##AsumsiAnova
> data
1 A 45.0
2 A 48.9
3 A 41.5
4 A 47.3
5 A 48.2
6 B 35.2
7 B 37.2
8 B 40.0
9 B 36.5
10 B 38.1
11 C 37.2
12 C 35.5
13 C 37.7
14 C 36.8
15 C 38.4
16 D 46.1
17 D 46.5
18 D 45.8
19 D 43.5
20 D 44.7
21 E 41.5
22 E 38.0
23 E 40.4
24 E 37.4
25 E 41.3
26 F 43.5
27 F 47.0
28 F 42.8
29 F 48.6
30 F 49.2
> modelCRD=aov(PertambahanBobot~Perlakuan,data=data)
> summary(modelCRD)
Df Sum Sq Mean Sq F valuePr(>F)

Perlakuan 5 482.4 96.48 21.38 3.97e-08***
Residuals 24 108.3 4.51
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> library(car)
> durbinWatsonTest(modelCRD)
lag Autocorrelation D-W Statistic p-value
1 -0.4246012 2.7543650.202
Alternative hypothesis: rho != 0
> qqnorm(data$PertambahanBobot)
> qqline(data$PertambahanBobot,col="blue")
> leveneTest(PertambahanBobot~Perlakuan, data=data)
Levene's Test for Homogeneity of Variance (center =median)
Df F value Pr(>F)
group 5 1.0321 0.4214
24
Warning message:
In leveneTest.default(y = y, group = group, ...) : group coerced to factor.
>
> ##DataTransformasi
> data
1 A 45.0
2 A 48.9
3 A 41.5
4 A 47.3
5 A 48.2
6 B 35.2
7 B 37.2
8 B 40.0
9 B 36.5
10 B 38.1
11 C 37.2
12 C 35.5
13 C 37.7
14 C 36.8
15 C 38.4
16 D 46.1
17 D 46.5
18 D 45.8
19 D 43.5
20 D 44.7
21 E 41.5
22 E 38.0
23 E 40.4
24 E 37.4
25 E 41.3
26 F 43.5
27 F 47.0
28 F 42.8
29 F 48.6
30 F 49.2
> fit=aov(PertambahanBobot~Perlakuan,data=data)
> summary(fit)
Perlakuan 5 482.4 96.48 21.38 3.97e-08***
Residuals 24 108.3 4.51
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> LSD.test(fit, "Perlakuan", alpha=0.05,console=T)
LSD t Test for PertambahanBobot

Perlakuan, means and individual ( 95 %) CI
PertambahanBobot stdr LCL UCL MinMax
A 46.18 3.001166 5 44.21912 48.14088 41.5 48.9
B 37.40 1.798611 5 35.43912 39.36088 35.2 40.0
C 37.12 1.084896 5 35.15912 39.08088 35.5 38.4
D 45.32 1.217374 5 43.35912 47.28088 43.5 46.5
E 39.72 1.901841 5 37.75912 41.68088 37.4 41.5
F 46.22 2.926090 5 44.25912 48.18088 42.8 49.2
least Significant Difference: 2.77311
F 46.22 a
A 46.18 a
D 45.32 a
E 39.72 b
B 37.40 b
C 37.12 b
> range(data$PertamabahnBobot)
[1] Inf -Inf
Warning messages:
1: In min(x, na.rm = na.rm) :
no non-missing arguments to min; returning Inf
2: In max(x, na.rm = na.rm) :
no non-missing arguments to max; returning -Inf
> bartlett.test(PertambahanBobot~Perlakuan,data=data)
Bartlett test of homogeneity of variances
data: PertambahanBobot by Perlakuan
Bartlett's K-squared = 6.1276, df = 5, p-value = 0.294
> shapiro.test(fit$residuals)
Shapiro-Wilk normality test

data:fit$residuals
W = 0.96639, p-value = 0.4457
> library(e1071)
> checkData<-skewness(data$PertambahanBobot)
> checkData
[1]0.1107392
> boxplot(PertambahanBobot~Perlakuan,data=data)
> durbinWatsonTest(fit)
1 -0.4246012 2.7543650.212
> plot(fit$residuals)
> abline(h=0)
>
>
RAK (RANCANGAN ACAK KELOMPOK)
RAKL adalah suatu rancangan acak terbatas dengan mula-mula mengelompokkan

satuan percobaan ke dalam grup-grup yang homogen, dinamakan kelompok
(block), dan kemudian menentukan perlakuan secara acak di dalam kelompok-
kelompok tersebut.
Rancangan ini baik digunakan jika keheterogenan unit percobaan berasal dari satu
sumber keragaman. Misal, percobaan yang dilakukan pada lahan yang miring,
percobaan yang dilakukan pada hari yang berbeda, atau percobaan yang
melibatkan umur tanaman yang berbeda. Komponen keragaman unit yang perlu
diperhatikan dalam menentukan pembentukan kelompok adalah komponen
keragaman di luar perlakuan yang ikut mempengaruhi respon dari unit percobaan.
CONTOH SOAL:
Seorang mahasiswa melakukan sebuah penelitian dengan percobaan dengan

memberikan 5 macam ransum pada sapi. Ulangan yang diberikan sebanyak 3 kali,
data yang akan diambil adalah kenaikan berat badan pada akhir percobaan.
Kelompok Perlakuan Total

A1 A2 A3 A4 A5
1 74.6 72.5 77 76 78 378.1
2 72.5 71.8 80 79 80 383.3
3 80 77.9 79 78.9 79.3 395.1
Total 227.1 222.2 236 233.9 237.3 1156.5
> data=read.csv("RAKUJIAN.csv",header=T)
> data
Perlakuan Kelompok Rasio
1 A1 1 74.6
2 A1 272.5
3 A1 380.0
4 A2 172.5
5 A2 271.8
6 A2 377.9
7 A3 177.0
8 A3 280.0
9 A3 379.0
10 A4 176.0
11 A4 279.0
12 A4 378.9
13 A5 178.0
14 A5 280.0
15 A5 379.3
> fit=aov(Rasio~Kelompok+Perlakuan,data=data)
> anova(fit)
Response: Rasio
Kelompok 1 28.90 28.9000 7.2532 0.02467*
Perlakuan 4 55.10 13.7750 3.4572 0.05651.
Residuals 9 35.863.9844
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> summary(fit)
Kelompok 1 28.90 28.900 7.253 0.0247*
Perlakuan 4 55.10 13.775 3.457 0.0565 .
Residuals 9 35.86 3.984
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> LSD.test(fit, "Kelompok+Perlakuan", console=T)
Name:Kelompok+Perlakuan
Kelompok Perlakuan
> duncan.test(fit, "Kelompok+Perlakuan", console=T)
Name:Kelompok+Perlakuan
Kelompok Perlakuan
>
> ##AsumsiAnova
> data
1 A1 1 74.6
2 A1 272.5
3 A1 380.0
4 A2 172.5
5 A2 271.8
6 A2 377.9
7 A3 177.0
8 A3 280.0
9 A3 379.0
10 A4 176.0
11 A4 279.0
12 A4 378.9
13 A5 178.0
14 A5 280.0
15 A5 379.3
> modelCRD=aov(Rasio~Kelompok+Perlakuan,data=data)
> summary(modelCRD)
Kelompok 1 28.90 28.900 7.253 0.0247*

Perlakuan 4 55.10 13.775 3.457 0.0565 .
Residuals 9 35.86 3.984
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> library(car)
> durbinWatsonTest(modelCRD)
1 -0.5217822 2.9707810.282
> qqnorm(data$Rasio)
> qqline(data$Rasio,col="blue")
> leveneTest(Rasio~Kelompok+Perlakuan,data=data)
Error in leveneTest.formula(Rasio ~ Kelompok + Perlakuan, data = data) :
Levene's test is not appropriate with quantitative explanatory variables.
>
> ##DataTransformasi
> data
1 A1 1 74.6
2 A1 2 72.5
3 A1 3 80.0
4 A2 172.5
5 A2 271.8
6 A2 377.9
7 A3 177.0
8 A3 280.0
9 A3 379.0
10 A4 176.0
11 A4 279.0
12 A4 378.9
13 A5 178.0
14 A5 280.0
15 A5 379.3
> fit=aov(Rasio~Kelompok+Perlakuan,data=data)
> summary(fit)
Kelompok 1 28.90 28.900 7.253 0.0247*
Perlakuan 4 55.10 13.775 3.457 0.0565 .
Residuals 9 35.86 3.984
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> LSD.test(fit, "Kelompok+Perlakuan", alpha=0.05,console=T)

Name: Kelompok+Perlakuan
Kelompok Perlakuan
> range(data$Rasio)
[1] 71.880.0
> bartlett.test(Rasio~Kelompok+Perlakuan,data=data)
Error in bartlett.test.formula(Rasio ~ Kelompok + Perlakuan, data = data) :
'formula' should be of the form response ~ group
> shapiro.test(fit$residuals)
data:fit$residuals
W = 0.9793, p-value = 0.9645
> library(e1071)
> checkData<-skewness(data$Rasio)
> checkData
[1]-0.6810197
> boxplot(Rasio~Kelompok+Perlakuan,data=data)
> durbinWatsonTest(fit)
1 -0.5217822 2.9707810.306
> plot(fit$residuals)
> abline(h=0)
>
RBSL (RANCANGAN BUJUR SANGKAR LATIN)
CONTOH SOAL:
Seorang mahasiswa melakukan penelitian yang bertujuan untuk mengetahui

pengaruh pemberian berbagai macam bungkil untuk pertumbuhan domba.
Perlakuan yang akan diuji yaitu A: ransum dengan bungkil kelapa sawil; B:
ransum dengan bungkil kedelai; C: ransum dengan bungkil kelapa; D; ransum
dengan bungkil kopra. Jumlah domba yang tersedia hanya 4 ekor
Baris Domba
(Periode) 1 2 3 4
1 12.3 12.2 10.2 12.9
2 10.3 9.6 10.4 14.2
3 9.8 10.7 11.9 13.1
4 14.3 13.4 15.8 11.8
> RSBL
Error: object 'RSBL' not found
>
> KonsumsiDomba = c(12.3, 12.2, 10.2,12.9,
+ 10.3, 9.6, 10.4, 14.2,
+ 9.8, 10.7, 11.9, 14.1,
+ 14.4, 13.4, 15.8, 11.8)
> periode = gl(4,4)
> Domba = gl(4, 1, 16, labels = c("1", "2", "3","4"))
> Bungkil = c("B", "A", "C","B",

+ "D", "A", "C","B",
+ "A", "B", "D","C",
+ "C", "B", "D","A")
> observasi = data.frame(KonsumsiDomba, periode, Domba,Bungkil)
>
> hasil = aov(KonsumsiDomba~Bungkil+periode+Domba,data=observasi)
> summary(hasil)
Bungkil 3 9.126 3.042 0.964 0.468
periode 3 17.152 5.717 1.812 0.245
Domba 3 7.920 2.640 0.837 0.521
Residuals 6 18.932 3.155
> anova(hasil)
Response: KonsumsiDomba
Bungkil 3 9.1258 3.0419 0.9640 0.4684
periode 3 17.1519 5.7173 1.8119 0.2452
Domba 3 7.9200 2.6400 0.8367 0.5211
Residuals 6 18.93233.1554
> LSD.test(hasil, "Bungkil",console=T)
Study: hasil ~ "Bungkil"
LSD t Test for KonsumsiDomba
Bungkil, means and individual ( 95 %) CI
KonsumsiDomba stdr LCL UCL Min Max
A 10.85000 1.340398 4 8.676726 13.02327 9.612.2
B 12.70000 1.317194 5 10.756164 14.64384 10.714.2
C 12.27500 2.285279 4 10.101726 14.44827 10.2 14.4
D 12.66667 2.829016 3 10.157186 15.17615 10.3 15.8
Groups according to probability of means differences and alpha level( 0.05 )

KonsumsiDomba groups
B 12.70000 a
D 12.66667 a
C 12.27500 a
A 10.85000 a
> duncan.test(hasil, "Bngkil", console=T)
Name:Bngkil
Bungkil periode Domba
>
> ##AsumsiAnova
> KonsumsiDomba = c(12.3, 12.2, 10.2,12.9,
+ 10.3, 9.6, 10.4, 14.2,
+ 9.8, 10.7, 11.9, 14.1,
+ 14.4, 13.4, 15.8, 11.8)
> periode = gl(4,4)
> Domba = gl(4, 1, 16, labels = c("1", "2", "3","4"))
> Bungkil = c("B", "A", "C","B",
+ "D", "A", "C","B",
+ "A", "B", "D","C",
+ "C", "B", "D","A")
> observasi = data.frame(KonsumsiDomba, periode, Doma,Bungkil)

Error in data.frame(KonsumsiDomba, periode, Doma, Bungkil) :
object 'Doma' not found
>
> hasil = aov(KonsumsiDomba~Bungkil+periode+Domba,data=observasi)
> summary(hasil)
Bungkil 3 9.126 3.042 0.964 0.468
periode 3 17.152 5.717 1.812 0.245
Domba 3 7.920 2.640 0.837 0.521
Residuals 6 18.932 3.155
> library(car)
Loading required package: carData
> durbinWatsonTest(hasil)
1 -0.1557827 2.1214340.406
> qqnorm(observasi$KonsumsiDomba)
> qqline(observasi$KonsumsiDomba,col="purple")
> shapiro.test(hasil$residuals)

data:hasil$residuals
W = 0.95533, p-value = 0.5785
> bartlett.test(KonsumsiDomba~Bungkil,data=observasi)
Bartlett test of homogeneity of variances
data: KonsumsiDomba by Bungkil
Bartlett's K-squared = 2.1879, df = 3, p-value = 0.5343

RANCANGAN FAKTORIAL
CONTOH SOAL:
Beberapa percobaan dilakukan untuk mengetahui pengaruh kondisi kandang

dalam pemerahan sapi (faktor m) dan pengaruh pemberian hijauan (Faktor n)
terhadap kualitas susu. Dalam percobaan ini digunakan 5 ekor Sapi Perah pada
masing-masing perlakuan dalam Rancangan Acak Lengkap (RAL). Level yang
digunakan adalah, untuk faktor m (kondisi kandang): bersih dan kotor; sedangkan
untuk faktor n: dengan hijauan dan tanpa hijauan. Data hasil pengamatannya
tercantum di dalam tabel berikut ini:
m1= Kandang Bersih m2= Kandang Kotor

m1n1 m1n2 A2b1 A2b2
Kontrol Perlakuan Kontrol Perlakuan
1 1 2 2
39.15 24.05 10.90 20.70
27.10 23.80 12.65 20.50
45.63 28.33 20.53 14.42
32.82 23.90 19.80 10.80
40.30 28.50 20.45 16.96
∑X 185 128.58 84.33 83.38
∑X^2 34225 16532.8 7111.5 6952.2
> data=read.csv("FAKTORIALUJIAN.csv",header=T)
> data
m n kualitasSusu
1 m1 n1 39.15
2 m1 n1 27.10
3 m1 n1 45.46
4 m1 n1 32.82
5 m1 n1 40.30
6 m1 n2 24.05
7 m1 n2 23.80
8 m1 n2 28.33
9 m1 n2 23.90
10 m1 n2 28.50
11 m2 n1 10.90
12 m2 n1 12.65
13 m2 n1 20.53
14 m2 n1 19.80
15 m2 n1 20.45
16 m2 n2 20.70
17 m2 n2 20.50
18 m2 n2 14.42
19 m2 n2 10.80
20 m2 n2 16.96
> fit=aov(kualitasSusu~n*m,data=data)
> summary(fit)
Df Sum Sq Mean Sq F valuePr(>F)

n 1 163.6 163.6 6.787 0.0191 *
m 1 1061.4 1061.4 44.037 5.72e-06***
n:m 1 152.9 152.9 6.344 0.0228 *
Residuals 16 385.6 24.1
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> duncan.test(fit, "n", console=T)
Study: fit ~ "n"
for kualitasSusu
n,means
kualitasSusu std r MinMax
n1 26.916 12.022349 10 10.9 45.46
n2 21.196 5.765272 10 10.8 28.50

Critical Range
4.654436
kualitasSusu groups
n1 26.916 a
n2 21.196 b
> duncan.test(fit, "m",console=T)
Study: fit ~"m"
forkualitasSusu
m,means
kualitasSusu std r Min Max
m1 31.341 7.769564 10 23.845.46
m2 16.771 4.201184 10 10.8 20.70
Critical Range
4.654436
kualitasSusu groups
m1 31.341 a
m2 16.771 b
> duncan.test(fit, "m",console=T)
Study: fit ~"m"
forkualitasSusu
m,means
kualitasSusu std r Min Max
m1 31.341 7.769564 10 23.845.46
m2 16.771 4.201184 10 10.8 20.70
Critical Range
4.654436
kualitasSusu groups
m1 31.341 a
m2 16.771 b
>

Ujian Responsi Tekpen - Revina Damayanti - 2014141009

Diunggah oleh

Informasi Dokumen

Judul 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

Ujian Responsi Tekpen - Revina Damayanti - 2014141009

Diunggah oleh

Hak Cipta:

Format Tersedia

RAL, RAK, RBSL, FAKTORIAL, SPLIT PLOT DESIGN

(Makalah Teknik Penelitian)

Bandar Lampung, 14 mei 2022

Rancangan percobaan adalah sederetan uji baik itu menggunakan statistika

RAL (RANCANGAN ACAK LENGKAP)

Seorang peneliti mengamati pertambahan bobot tubuh broiler (g) dengan

Ulangan Perlakuan Total

Analysis of Variance Table

Df Sum Sq Mean Sq F value Pr(>F)

Perlakuan 5 482.38 96.476 21.376 3.97e-08 ***

Perlakuan 5 482.4 96.48 21.38 3.97e-08***

Residuals 24 108.3 4.51

> LSD.test(fit, "Perlakuan",console=T)

Study: fit ~ "Perlakuan"

LSD t Test for PertambahanBobot

Mean Square Error:4.513333

Perlakuan, means and individual ( 95 %) CI

PertambahanBobot stdr LCL UCL MinMax

A 46.18 3.001166 5 44.21912 48.14088 41.5 48.9

B 37.40 1.798611 5 35.43912 39.36088 35.2 40.0

C 37.12 1.084896 5 35.15912 39.08088 35.5 38.4

D 45.32 1.217374 5 43.35912 47.28088 43.5 46.5

E 39.72 1.901841 5 37.75912 41.68088 37.4 41.5

Alpha: 0.05 ; DF Error: 24

Critical Value of t: 2.063899

least Significant Difference: 2.77311

Treatments with the same letter are not significantly different.

> duncan.test(fit, "Perlakuan",console=T)

Study: fit ~ "Perlakuan"

Duncan's new multiple range test

PertambahanBobot std r Min Max

A 46.18 3.001166 5 41.5 48.9

B 37.40 1.798611 5 35.2 40.0

C 37.12 1.084896 5 35.5 38.4

D 45.32 1.217374 5 43.5 46.5

E 39.72 1.901841 5 37.4 41.5

F 46.22 2.926090 5 42.8 49.2

Alpha: 0.05 ; DF Error: 24

2.773109 2.912599 3.002157 3.065415 3.112634

Means with the same letter are not significantly different.

Df Sum Sq Mean Sq F valuePr(>F)

Residuals 24 108.3 4.51

lag Autocorrelation D-W Statistic p-value

Alternative hypothesis: rho != 0

> leveneTest(PertambahanBobot~Perlakuan, data=data)

Levene's Test for Homogeneity of Variance (center =median)

group 5 1.0321 0.4214

In leveneTest.default(y = y, group = group, ...) : group coerced to factor.

Df Sum Sq Mean Sq F value Pr(>F)

Perlakuan 5 482.4 96.48 21.38 3.97e-08***

Residuals 24 108.3 4.51

> LSD.test(fit, "Perlakuan", alpha=0.05,console=T)

Study: fit ~ "Perlakuan"

LSD t Test for PertambahanBobot

Perlakuan, means and individual ( 95 %) CI

PertambahanBobot stdr LCL UCL MinMax

A 46.18 3.001166 5 44.21912 48.14088 41.5 48.9

B 37.40 1.798611 5 35.43912 39.36088 35.2 40.0

C 37.12 1.084896 5 35.15912 39.08088 35.5 38.4

D 45.32 1.217374 5 43.35912 47.28088 43.5 46.5

E 39.72 1.901841 5 37.75912 41.68088 37.4 41.5

F 46.22 2.926090 5 44.25912 48.18088 42.8 49.2

Alpha: 0.05 ; DF Error: 24