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.
Penulis,
PENDAHULUAN
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
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:
> 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)
Response: PertambahanBobot
Residuals 24 108.324.513
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> summary(fit)
Df Sum Sq Mean Sq F value Pr(>F)
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> library(agricolae)
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
for PertambahanBobot
Mean Square Error:4.513333
Perlakuan,means
Critical Range
2 3 4 5 6
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
>
> ##AsumsiAnova
> 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
> modelCRD=aov(PertambahanBobot~Perlakuan,data=data)
> summary(modelCRD)
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> library(car)
> durbinWatsonTest(modelCRD)
1 -0.4246012 2.7543650.202
> qqnorm(data$PertambahanBobot)
> qqline(data$PertambahanBobot,col="blue")
Df F value Pr(>F)
24
Warning message:
>
> ##DataTransformasi
> 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)
> summary(fit)
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> library(agricolae)
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
> range(data$PertamabahnBobot)
Warning messages:
> bartlett.test(PertambahanBobot~Perlakuan,data=data)
> shapiro.test(fit$residuals)
> 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)
CONTOH SOAL:
> data=read.csv("RAKUJIAN.csv",header=T)
> 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
> fit=aov(Rasio~Kelompok+Perlakuan,data=data)
> anova(fit)
Response: Rasio
Df Sum Sq Mean Sq F value Pr(>F)
Residuals 9 35.863.9844
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> summary(fit)
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> library(agricolae)
Name:Kelompok+Perlakuan
Kelompok Perlakuan
Name:Kelompok+Perlakuan
Kelompok Perlakuan
>
> ##AsumsiAnova
> data=read.csv("RAKUJIAN.csv",header=T)
> 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)
---
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)
>
> ##DataTransformasi
> data=read.csv("RAKUJIAN.csv",header=T)
> 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)
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> library(agricolae)
Kelompok Perlakuan
> range(data$Rasio)
[1] 71.880.0
> bartlett.test(Rasio~Kelompok+Perlakuan,data=data)
> shapiro.test(fit$residuals)
data:fit$residuals
> library(e1071)
> checkData<-skewness(data$Rasio)
> checkData
[1]-0.6810197
> boxplot(Rasio~Kelompok+Perlakuan,data=data)
> durbinWatsonTest(fit)
1 -0.5217822 2.9707810.306
Alternative hypothesis: rho != 0
> plot(fit$residuals)
> abline(h=0)
>
RBSL (RANCANGAN BUJUR SANGKAR LATIN)
CONTOH SOAL:
Baris Domba
(Periode) 1 2 3 4
1 12.3 12.2 10.2 12.9
2 10.3 9.6 10.4 14.2
3 9.8 10.7 11.9 13.1
4 14.3 13.4 15.8 11.8
> RSBL
>
>
> summary(hasil)
> anova(hasil)
Response: KonsumsiDomba
Residuals 6 18.93233.1554
> library(agricolae)
> LSD.test(hasil, "Bungkil",console=T)
B 12.70000 a
D 12.66667 a
C 12.27500 a
A 10.85000 a
Name:Bngkil
>
> ##AsumsiAnova
>
> summary(hasil)
> library(car)
> durbinWatsonTest(hasil)
1 -0.1557827 2.1214340.406
> qqnorm(observasi$KonsumsiDomba)
> qqline(observasi$KonsumsiDomba,col="purple")
> shapiro.test(hasil$residuals)
> bartlett.test(KonsumsiDomba~Bungkil,data=observasi)
CONTOH SOAL:
> 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)
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> library(agricolae)
for kualitasSusu
n,means
Critical Range
4.654436
kualitasSusu groups
n1 26.916 a
n2 21.196 b
forkualitasSusu
m,means
kualitasSusu std r Min Max
Critical Range
4.654436
kualitasSusu groups
m1 31.341 a
m2 16.771 b
forkualitasSusu
Mean Square Error:24.10301
m,means
Critical Range
4.654436
kualitasSusu groups
m1 31.341 a
m2 16.771 b
>