Anova 2

STK511
Analisis Statistika
Pertemuan – 9
ANOVA (3)
9. ANOVA (3) – Diagnosis
Asumsi dalam Uji Hipotesis
1.  bersifat bebas terhadap sesamanya

2. Nilai harapan dari  nol, E     0
3. Ragam  homogen, Var      2
4. Pola sebaran dari  adalah N  0,  2 
5. Model bersifat aditif (dalam klasifikasi dua arah)
 ~ N  0,  
iid
2
anang kurnia (anangk@apps.ipb.ac.id)

9. ANOVA (3)
Uji Lanjut  Kontras Ortogonal
• Kontras merupakan perbandingan berstruktur antar suatu

perlakuan dengan perlakuan lain atau antar kelompok perlakuan
dengan kelompok yang lain
• Perlakuan atau kelompok perlakuan yang diperbandingan diberi
koefesien dengan tanda yg berbeda (+/-) dengan total koefesien
harus sama dengan 0
• Bentuk hipotesis yg diuji adalah sebagai berikut:
Ho : c11  ...  ct t  0
t
dengan c
i 1
i 0

9. ANOVA (3)
Uji Lanjut  Kontras Ortogonal
• Contoh kasus penyusunan kontras untuk 4 buah perlakuan

• Perlakuan yang diperbandingkan AB vs CD, A vs B dan C vs D
• Struktur kontrasnya adalah sebagai berikut:
Perlakuan
Kontras
A B C D
1. AB vs CD 1 1 -1 -1
2. A vs B 1 -1 0 0
2
3. C vs D 0 0 1 -1  k

  CiYi. 
JK ( Kontras )   i 1 k

r  Ci
2
i 1
db  1
9. ANOVA (3)
Ilustrasi
Data hipotetik … Pengujian …

• Faktor 1 : F1, F2 • ANOVA
• Faktor 2 : P1, P2, P3, P4 • Uji Lanjut (LSD, Tukey, Duncan)
• Blok : 1, 2, 3 • Kontrol vs F1 & F2
• Kontrol • F1 vs F2
• P1 & P2 vs P3 & P4
• P1 vs P2
• P3 vs P4

9. ANOVA (3)
Ilustrasi
Data hipotetik … Data SAS

• Faktor 1 : F1, F2 DATA Data;
INPUT no PERLK$ blok Respon;
• Faktor 2 : P1, P2, P3, P4 cards;
• Blok : 1, 2, 3 1 F1P1 1 32.02
2 F1P1 2 25.76
• Kontrol 3 F1P1 3 19.72
4 F1P2 1 23.91
5 F1P2 2 21.99
.
.
.
22 F2P4 1 12.37
23 F2P4 2 16.32
24 F2P4 3 10.20
25 KONTROL 1 10.19
26 KONTROL 2 9.26
27 KONTROL 3 12.73
;

9. ANOVA (3)
Ilustrasi
PROC GLM; Data SAS
CLASS PERLK blok;
DATA Data;
MODEL Respon = PERLK blok;
INPUT no PERLK$ blok Respon;
CONTRAST 'KONTROL VS F1 & F2'
cards;
PERLK -1 -1 -1 -1 -1 -1 -1 -1 8;
1 F1P1 1 32.02
CONTRAST 'F2 VS F3 '
PERLK 1 1 1 1 -1 -1 -1 -1 0; 2 F1P1 2 25.76
CONTRAST 'P1&P2 VS P3&P4 ' 3 F1P1 3 19.72
PERLK 1 1 -1 -1 1 1 -1 -1 0; 4 F1P2 1 23.91
CONTRAST 'P1 VS P2 ' 5 F1P2 2 21.99
PERLK 1 -1 0 0 1 -1 0 0 0; .
CONTRAST 'P3 VS P4 ' .
PERLK 0 0 -1 1 0 0 -1 1 0; .
MEAN PERLK/lsd; 22 F2P4 1 12.37
MEAN PERLK/tukey; 23 F2P4 2 16.32
MEAN PERLK/duncan; 24 F2P4 3 10.20
RUN; 25 KONTROL 1 10.19
26 KONTROL 2 9.26
27 KONTROL 3 12.73
;

9. ANOVA (3)
Ilustrasi

9. ANOVA (3)
Uji Lanjut  Polinomial Ortogonal
• Digunakan untuk menguji trend pengaruh perlakuan

terhadap respon (linier, kuadratik, kubik, dst)  berlaku
untuk perlakuan yang kuantitatif
• Bentuk Model:
Linier  Yi = b0 + b1 Xi + I
Kuadratik  Yi = b0 + b1 Xi + b2 Xi2 + i
Kubik  Yi = b0 + b1 Xi + b2 Xi2 + b3 Xi3 + i
• Bentuk umum polinomial ordo ke-n adalah:
Y = 0P0(X) + 1P1(X) + 2P2(X) + … + nPn(X) + i

9. ANOVA (3)
dimana
X  X    X  X   a 2  1 
2
P0 ( X )  1; P1 ( X )  1   ; P2 ( X )  2     
 d   d   12 
 n 2 (a 2  n 2 ) 
Pn1 ( X )  n1  P1 ( X ) Pn ( X )  Pn1 ( X ), n  2
 4(4n  1)
2

dengan: a = banyaknya taraf faktor,

d = jarak antar faktor,
n = polinomial ordo ke-n
9. ANOVA (3)
Tabel Kontras Polinomial Ortogonal untuk jarak taraf yang sama
Jumlah Orde
 T1 T2 T3 T4 T5
Perlakuan Polinomial
Linier 1 -1 0 1
P=3
Kuadratik 3 1 -2 1
Linier 2 -3 -1 1 3
P=4 Kuadratik 1 1 -1 -1 1
Kubik 10/3 -1 3 -3 1
Linier 1 -2 -1 0 1 2
Kuadratik 1 2 -1 -2 -1 2
P=5
Kubik 5/6 -1 2 0 -2 1
Kuartik 35/12 1 -4 6 -4 1

9. ANOVA (3)
Ilustrasi
Data Hipotetik :
Taraf Perlakuan (X)
10 30 50 70 90
52 21 11 5 8
45 31 10 6 6
47 26 18 13 4

9. ANOVA (3)
Ilustrasi
ANOVA:
One-way ANOVA: Respon versus Taraf
Source DF SS MS F P
Taraf 4 3626.4 906.6 56.66 0.000
Error 10 160.0 16.0
Total 14 3786.4
S = 4 R-Sq = 95.77% R-Sq(adj) = 94.08%
Individual 95% CIs For Mean Based on
Pooled StDev
Level N Mean StDev ---------+---------+---------+---------+
10 3 48.000 3.606 (--*--)
30 3 26.000 5.000 (--*---)
50 3 13.000 4.359 (---*--)
70 3 8.000 4.359 (--*---)
90 3 6.000 2.000 (--*--)
---------+---------+---------+---------+
15 30 45 60
Pooled StDev = 4.000
9. ANOVA (3)
Ilustrasi
ANOVA:
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 4 3626.400000 906.600000 56.66 <.0001
Error 10 160.000000 16.000000
Corrected Total 14 3786.400000
R-Square Coeff Var Root MSE Respon Mean

0.957744 19.80198 4.000000 20.20000
Contrast DF Contrast SS Mean Square F Value Pr > F

Linear 1 3121.200000 3121.200000 195.08 <.0001
Kuadratik 1 493.714286 493.714286 30.86 0.0002
Kubik 1 10.800000 10.800000 0.68 0.4305
Kuartik 1 0.685714 0.685714 0.04 0.8401

9. ANOVA (3)
Ilustrasi

9. ANOVA (3)
Percobaan Faktorial

9. ANOVA (3) – Percobaan Faktorial
• Melibatkan lebih dari satu faktor
• Perlakuan merupakan kombinasi taraf-taraf dari faktor yang

terlibat
• Faktorial Penuh (Full-Factorial), seluruh kombinasi dicobakan.

Jika percobaan dua faktor, A dan B, dan faktor A memiliki a
taraf serta faktor B memiliki b taraf maka banyaknnya
perlakuan adalah axb.

Ilustrasi
• Percobaan:
Melihat pengaruh jenis dan dosis bahan kimia tertentu pada
daya tahan produk makanan
• Faktor pertama:
– Jenis bahan kimia
– Terdapat 4 taraf: asam benzoate, sodium benzoate, asam
propianate, belerang dioksida
• Faktor kedua:
– Dosis bahan kimia
– Terdapat 3 taraf: 1 g / kg adonan, 2 g / kg adonan, 3 g / kg
adonan.

Ilustrasi
• Percobaan:
Melihat pengaruh jenis dan dosis bahan kimia tertentu pada
daya tahan produk makanan
• Terdapat 12 perlakuan:
AB, 1 g SB, 1 g AP, 1 g BD, 1 g

AB, 2 g SB, 2 g AP, 2 g BD, 2 g
AB, 3 g SB, 3 g AP, 3 g BD, 3 g

Keuntungan Percobaan Faktorial
(dibandingkan percobaan faktor tunggal)
• Memperoleh informasi pengaruh dua (atau lebih) faktor

dalam satu percobaan tunggal, tidak perlu melakukan
percobaan terpisah untuk melihat pengaruh masing-masing
faktor.
• Memperoleh informasi mengenai interaksi.

Interaksi: pengaruh suatu faktor terhadap variabel respon
tergantung pada nilai/taraf faktor yang lain.

Interaksi
• Percobaan:
melihat pengaruh jenis (Asam benzoate dan Sodium
benzoate) dan dosis (1 gr, 2 gr, 3 gr) pada daya tahan produk
makanan.
AB, 1 g SB, 1 g
AB, 2 g SB, 2 g
AB, 3 g SB, 3 g

Interaksi
100 100
80 80
60 60
40 40
20 AB SB 20 AB SB
0 0
1 gr 2 gr 3 gr 1 gr 2 gr 3 gr
Semakin tinggi dosis, semakin Penambahan dosis AB
tinggi daya tahan produk meningkatkan daya tahan
makanan, baik pada AB produk makanan, namun tidak
maupun SB pada SB
tidak ada interaksi ada interaksi

Ilustrasi
• Percobaan: melihat pengaruh jenis (Pestona dan Pentana) dan

dosis (3 ltr, 4 ltr, 5 ltr) pestisida pada daya tahan tanaman
terhadap serangan penyakit.
Pestona, 3 ltr Pentana, 3 ltr

• Setiap perlakuan diulang 4 kali, dan diasumsikan semua

satuan percobaan dalam kondisi homogen. Terdapat 24
satuan percobaan secara total.
• Percobaan Faktorial dalam Rancangan Acak Lengkap
Ilustrasi: Lay-Out Percobaan
Penempatan secara acak 24 perlakuan (6 perlakuan x 4 ulangan)

ke 24 satuan percobaan
Pestona, 3 ltr Pentana, 3 ltr Pentana, 4 ltr Pentana, 5 ltr

Pentana, 5 ltr Pestona, 3 ltr Pestona, 4 ltr Pentana, 4 ltr
Pestona, 4 ltr Pentana, 3 ltr Pestona, 5 ltr Pestona, 3 ltr
Pentana, 4 ltr Pestona, 3 ltr Pentana, 3 ltr Pestona, 5 ltr
Pestona, 5 ltr Pentana, 4 ltr Pestona, 5 ltr Pentana, 5 ltr

Ilustrasi: Data
1 2 3 4
Pestona, 3 ltr 52 45 52 51
Pestona, 4 ltr 63 66 63 73
Pestona, 5 ltr 85 90 88 87
Pentana, 3 ltr 53 46 55 54
Pentana, 4 ltr 57 53 49 52
Pentana, 5 ltr 52 56 49 49
Pestona Pentana Semua

3 ltr 50 52 51
4 ltr 66.25 52.75 59.5
5 ltr 87.5 51.5 69.5
Semua 67.92 52.08
anang kurnia (anangk@apps.ipb.ac.id) 60
Analisis Data
• Model aditif linear
Yijk     i   j   ij   ijk
Yijk = nilai variabel respon pada pengamatan dengan taraf ke-i

faktor A dan taraf ke-j faktor B untuk ulangan ke-k
 = rataan umum
i = pengaruh utama faktor A
j = pengaruh utama faktor B
(ij)= pengaruh interaksi
ijk= komponen acak yang menyebar normal (0, 2).

Tabel ANOVA (Sidik Ragam)
Sumber Derajat Jumlah Kuadrat F-hitung

keragaman bebas kuadrat tengah
(Db) (JK) (KT)
A a-1 JKA KTA KTA/KTG
B b-1 JKB KTB KTB/KTG
AB (a-1)(b-1) JKAB KTAB KTAB/KTG
Galat ab(r-1) JKG KTG
Total abr-1 JKT
Kriteria pengambilan keputusan:

Tolak H0 jika F-hitung lebih besar dari F-tabel pada taraf
nyata .

Langkah Perhitungan Jumlah Kuadrat
2
Y
FK  ...
abr
JKT   Yijk  Y...  Yijk  FK

a b r
2 2
i 1 j 1 k 1
2 2
JKA   Yi..  Y...  JKB   Y. j.  Y...  

a b r
Yi.. a b r Y. j.
  FK
2 2
 FK
i 1 j 1 k 1 br i 1 j 1 k 1 ar
JKAB   Yij.  Yi..  Y. j.  Y...   Yij.  Y...   JKA  JKB
a b r a b r
2 2
i 1 j 1 k 1 i 1 j 1 k 1
JKAB  JKP  JKA  JKB

2
JKP   Yij .  Y...   

2 Yij.
 FK
r
JKG  JKT  JKP
Nilai Harapan Kuadrat Tengah
Sumber Derajat Jumlah Kuadrat Nilai Harapan

keragam bebas kuadrat tengah Kuadrat tengah
an (Db) (JK) (KT) E(KT)
Model tetap ( faktor A dan faktor B tetap)
A a-1 JKA KTA 2 + br ( i2)/ (a-1)
B b-1 JKB KTB 2 + ar ( j2)/ (b-1)
AB (a-1)(b-1) JKAB KTAB 2 + r ( ij2)/ (a-1)(b-1)
Galat ab(r-1) JKG KTG 2

ANOVA
ANOVA: Respon2 versus Jenis, Dosis

Factor Type Levels Values
Jenis fixed 2 Pentana, Pestona
Dosis fixed 3 3, 4, 5
Analysis of Variance for Respon2

Source DF SS MS F P
Jenis 1 1504.17 1504.17 117.97 0.000
Dosis 2 1372.00 686.00 53.80 0.000
Jenis*Dosis 2 1460.33 730.17 57.27 0.000
Error 18 229.50 12.75
Total 23 4566.00
S = 3.57071 R-Sq = 94.97% R-Sq(adj) = 93.58%

Percobaan Faktorial dalam RAKL
• Jika perlakuan yang dicobakan semakin banyak, semakin sulit

mendapatkan satuan percobaan yang homogen.
• Satuan percobaan dikelompok-kelompokkan menurut

karakteristik tertentu  RAKL
• Pengacakan dilakukan di setiap kelompok.

Percobaan Faktorial dalam RAKL : Lay-Out Rancangan
Kelompok/Blok 1 Kelompok/Blok 2
Pestona, 4 ltr Pestona, 5 ltr Pestona, 3 ltr Pentana, 4 ltr

Pentana, 3 ltr Pentana, 5 ltr Pestona, 5 ltr Pentana, 3 ltr
Kelompok/Blok 3 Kelompok/Blok 4
Pentana, 5 ltr Pestona, 4 ltr Pentana, 3 ltr Pestona, 3 ltr
Pestona, 3 ltr Pentana, 3 ltr Pentana, 4 ltr Pentana, 5 ltr
Pestona, 5 ltr Pentana, 4 ltr Pestona, 4 ltr Pestona, 5 ltr

Model Linier Aditif
Yijk     i   j   ij  k   ijk
Keterangan:
Yijk Nilai pengamatan pada faktor A taraf ke-i faktor B taraf ke-j
dan kelompok ke k
(, i , j) Komponen aditif dari rataan, pengaruh utama faktor A
dan pengaruh utama faktor B
(ij) Komponen interaksi dari faktor A dan faktor B
k Pengaruh aditif dari kelompok dan diasumsikan tidak
berinteraksi dengan perlakuan (bersifat aditif)
ijk Pengaruh acak yang menyebar Normal(0,2).

Hipotesis
Pengaruh utama faktor A:
H0: 1 = …= a=0 (faktor A tidak berpengaruh terhadap respon yang
diamati)
H1: paling sedikit ada satu i dimana i  0
Pengaruh utama faktor B:

H0: 1 = …= b=0 (faktor B tidak berpengaruh terhadap respon yang
diamati)
H1: paling sedikit ada satu j dimana j  0
Pengaruh sederhana (interaksi) faktor A dengan faktor B:

H0: ()11 =()12 = …= ()ab=0 (Interaksi dari faktor A dengan faktor B
tidak berpengaruh terhadap respon yang diamati)
H1: paling sedikit ada sepasang (i,j) dimana ()ij  0
Pengaruh Pengelompokan:
H0: 1 = …= r=0 (Blok tidak berpengaruh terhadap respon yang diamati)
H1: paling sedikit ada satu k dimana k  0
Struktur Tabel Sidik Ragam
Sumber Derajat bebas Jumlah kuadrat Kuadrat tengah F-hitung

keragaman (Db) (JK) (KT)
A a-1 JKA KTA KTA/KTG

B b-1 JKB KTB KTB/KTG
AB (a-1)(b-1) JKAB KTAB KTAB/KTG
Blok r-1 JKK KTK KTK/KTB
Galat (ab-1)(r-1) JKG KTG
Total abr-1 JKT
Kriteria pengambilan keputusan: tolak H0 jika F-hitung lebih

besar dari F-tabel pada taraf nyata 

Langkah Perhitungan Jumlah Kuadrat
2
Y
FK  ...
abr
JKT   Yijk  Y...  Yijk  FK
a b r
2 2
i 1 j 1 k 1
2 2
JKA   Yi..  Y...  JKB   Y. j.  Y...  

a b r
Y a b r Y. j.
 i..  FK
2 2
 FK
i 1 j 1 k 1 br i 1 j 1 k 1 ar
JKAB   Yij.  Yi..  Y. j.  Y...   Yij.  Y...   JKA  JKB
a b r a b r
2 2
i 1 j 1 k 1 i 1 j 1 k 1
JKAB  JKP  JKA  JKB

2
JKP   Yij .  Y...   

2 Yij.
 FK
r
2
JKK   Y..k  Y... 
Y
  ..k  FK
2
ab
JKG  JKT  JKP  JKK
Derajat Jumlah Kuadrat Nilai Harapan

Sumber
bebas kuadrat tengah Kuadrat tengah
keragaman
(Db) (JK) (KT) E(KT)
A a-1 JKA KTA 2 + br ( i2)/ (a-1)
B b-1 JKB KTB 2 + ar ( j2)/ (b-1)
Blok r-1 JKK KTK 2 + ab 2
Galat (ab-1)(r-1) JKG KTG 2

ANOVA
ANOVA: Respon2 versus Blok, Jenis, Dosis

Blok fixed 4 1, 2, 3, 4

Source DF SS MS F P
Blok 3 12.00 4.00 0.28 0.842
Jenis 1 1504.17 1504.17 103.74 0.000
Dosis 2 1372.00 686.00 47.31 0.000
Jenis*Dosis 2 1460.33 730.17 50.36 0.000
Error 15 217.50 14.50
Total 23 4566.00
S = 3.80789 R-Sq = 95.24% R-Sq(adj) = 92.70%

9. ANOVA (3) – Percobaan dengan Dua Faktor
Percobaan Lain …….
• Rancangan Split-Plot
• Rancangan Split-Blok
• Rancangan Split-Split-Plot
• Repeated Measurement -> split-plot in time
• Rancangan Cross-Over
• dll ……..

Rancangan Split-Plot
Rancangan petak terpisah  bentuk khusus dari rancangan

faktorial, dimana kombinasi perlakuan diacak secara bertahap.
Beberapa pertimbangan penerapan RPT, yaitu:

1) Perbedaan kepentingan pengaruh
2) Pengembangan dari percobaan yang telah berjalan
3) Kendala teknis pengacakan dilapangan
Rancangan ini dapat diaplikasikan pada berbagai rancangan

lingkungan (RAL, RAK, dan RBSL).

Ilustrasi : Rancangan Split-Plot dalam RAL
• Tujuan percobaan :
Melihat pengaruh suhu dan konsentrasi terhadap kecepatan
reaksi dari HCL + NaOH
• Faktor yang ingin dicobakan adalah :

- Suhu : 25, 50, 75
- Konsentrasi : HCL  5 ml
NaOH  5, 10, 15 ml
Ulangan : 3 kali

Perlakuan :
NaCl 5 ml NaCl 10 ml NaCl 15 ml

petak utama
25 50 50 75 25 75 Pengacakan SUHU
H1 H2 H2 H1 H3 H2
Anak petak
H2 H3 H1 H2 H2 H3 Split Plot design
Rancangan petak terpisah
H3 H1 H3 H3 H1 H1
Pengacakan KONSENTRASI pada

setiap taraf SUHU
Model Linier Rancangan Split-Plot dalam RAL
Yijk =  + Ai + ik + Bj + ABij + ijk

dengan :
Yijk = respon dari pengaruh faktor A ke-i, faktor B ke-j, serta ulangan ke-k
 = rataan umum
Ai = pengaruh faktor A (petak utama) ke-i
ik = galat petak utama
Bj = pengaruh faktor B (anak petak) ke-j
ABij = pengaruh interaksi faktor A ke-i dan faktor B ke-j
ijk = galat dari faktor A ke-i, faktor B ke-j, serta ulangan ke-k

Derajat Jumlah Kuadrat Nilai Harapan

Sumber
bebas kuadrat tengah Kuadrat tengah
keragaman
(Db) (JK) (KT) E(KT)
A a-1 JKA KTA 2 + b 2 + br ( i2)/ (a-1)
Galat (a) a(r-1) JKGa KTGa 2 + b 2
B b-1 JKB KTB 2 + ar ( j2)/ (b-1)
Galat (b) a(b-1)(r-1) JKGb KTGb 2

ANOVA
ANOVA: Respon2 versus Jenis, Dosis, Blok

Blok(Jenis) fixed 4 1, 2, 3, 4

Source DF SS MS F P
Jenis 1 1504.17 1504.17 95.50 0.000
Blok(Jenis) 6 40.50 6.75 0.43 0.846
Dosis 2 1372.00 686.00 43.56 0.000
Jenis*Dosis 2 1460.33 730.17 46.36 0.000
Error 12 189.00 15.75
Total 23 4566.00
S = 3.96863 R-Sq = 95.86% R-Sq(adj) = 92.07%

Bersambung …….

Anova 2

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

Anova 2

Diunggah oleh

Hak Cipta:

Format Tersedia

STK511

1.  bersifat bebas terhadap sesamanya

anang kurnia (anangk@apps.ipb.ac.id)

• Kontras merupakan perbandingan berstruktur antar suatu

anang kurnia (anangk@apps.ipb.ac.id)

• Contoh kasus penyusunan kontras untuk 4 buah perlakuan

Data hipotetik … Pengujian …

anang kurnia (anangk@apps.ipb.ac.id)

Data hipotetik … Data SAS

anang kurnia (anangk@apps.ipb.ac.id)

anang kurnia (anangk@apps.ipb.ac.id)

anang kurnia (anangk@apps.ipb.ac.id)

• Digunakan untuk menguji trend pengaruh perlakuan

anang kurnia (anangk@apps.ipb.ac.id)

dengan: a = banyaknya taraf faktor,

Tabel Kontras Polinomial Ortogonal untuk jarak taraf yang sama

anang kurnia (anangk@apps.ipb.ac.id)

anang kurnia (anangk@apps.ipb.ac.id)

R-Square Coeff Var Root MSE Respon Mean

Contrast DF Contrast SS Mean Square F Value Pr > F

anang kurnia (anangk@apps.ipb.ac.id)

anang kurnia (anangk@apps.ipb.ac.id)

anang kurnia (anangk@apps.ipb.ac.id)

• Melibatkan lebih dari satu faktor

• Perlakuan merupakan kombinasi taraf-taraf dari faktor yang

• Faktorial Penuh (Full-Factorial), seluruh kombinasi dicobakan.

anang kurnia (anangk@apps.ipb.ac.id)

anang kurnia (anangk@apps.ipb.ac.id)

AB, 1 g SB, 1 g AP, 1 g BD, 1 g

anang kurnia (anangk@apps.ipb.ac.id)

• Memperoleh informasi pengaruh dua (atau lebih) faktor

• Memperoleh informasi mengenai interaksi.

anang kurnia (anangk@apps.ipb.ac.id)

anang kurnia (anangk@apps.ipb.ac.id)

tidak ada interaksi ada interaksi

• Percobaan: melihat pengaruh jenis (Pestona dan Pentana) dan

Pestona, 3 ltr Pentana, 3 ltr

• Setiap perlakuan diulang 4 kali, dan diasumsikan semua

Penempatan secara acak 24 perlakuan (6 perlakuan x 4 ulangan)

Pestona, 3 ltr Pentana, 3 ltr Pentana, 4 ltr Pentana, 5 ltr

anang kurnia (anangk@apps.ipb.ac.id)

Pestona Pentana Semua

• Model aditif linear

Yijk     i   j   ij   ijk

Yijk = nilai variabel respon pada pengamatan dengan taraf ke-i

anang kurnia (anangk@apps.ipb.ac.id)

Sumber Derajat Jumlah Kuadrat F-hitung

Kriteria pengambilan keputusan:

anang kurnia (anangk@apps.ipb.ac.id)

JKT   Yijk  Y...  Yijk  FK

JKA   Yi..  Y...  JKB   Y. j.  Y...  

JKAB  JKP  JKA  JKB

JKP   Yij .  Y...   

Sumber Derajat Jumlah Kuadrat Nilai Harapan

anang kurnia (anangk@apps.ipb.ac.id)

ANOVA: Respon2 versus Jenis, Dosis

Analysis of Variance for Respon2

S = 3.57071 R-Sq = 94.97% R-Sq(adj) = 93.58%

anang kurnia (anangk@apps.ipb.ac.id)

• Jika perlakuan yang dicobakan semakin banyak, semakin sulit

• Satuan percobaan dikelompok-kelompokkan menurut

• Pengacakan dilakukan di setiap kelompok.

anang kurnia (anangk@apps.ipb.ac.id)