Kelas H

LAPORAN PRAKTIKUM
Rancangan Percobaan
Modul 3 : Rancangan Bujur Sangkar Latin
Modul 4 : Rancangan Bujur Sangkar Graceo Latin

Nomor Tanda Tangan

Nama Praktikan Tanggal Kumpul Praktikan
Mahasiswa
Dinda Ardhia 21611116 1 Mei 2023
Ramadhani Kusuma

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Riska Yulianti
Safrida Isna Sifa

Mujiati Dwi
Kartikasari, M.Sc

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2023
Daftar Isi

Halaman sampul ....................................................................................................... i

1 Pendahuluan .................................................................................................... 4
1.1 Rancangan Bujur Sangkar Latin (RBSL) ................................................. 4
1.2 Rancangan Bujur Sangkar Graceo Latin .................................................. 5
2 Deskripsi Kerja................................................................................................ 6
2.1 Studi Kasus ............................................................................................... 6
2.2 Langkah Kerja .......................................................................................... 7
3 Pembahasan ................................................................................................... 12
3.1 Studi Kasus Nomor 1 ............................................................................. 12
3.2 Studi Kasus Nomor 2 ............................................................................. 19
4 Penutup.......................................................................................................... 27
4.1 Kesimpulan ............................................................................................. 27
5 Daftar Pustaka ............................................................................................... 29

ii
Daftar Gambar

Gambar 2.1. Shortcut RStudio. .............................................................................. 7

Gambar 2.2. Tampilan awal dan R console kosongan di RStudio. ........................ 7
Gambar 2.3. Sintaks untuk menginput data studi kasus 1. .................................... 7
Gambar 2.4. Sintaks untuk input perlakuan studi kasus 1. .................................... 8
Gambar 2.5. Sintaks untuk membuat data frame studi kasus 1. ........................... 8
Gambar 2.6. Sintaks untuk uji anova pada model percobaan tv............................ 8
Gambar 2.7. Sintaks melakukan uji tukey terhadap uji anova. .............................. 8
Gambar 2.8. Sintaks mencari rata rata perlakuan metode perakitan. .................... 8
Gambar 2.9. Sintaks uji Duncan dari uji anova tv................................................. 8
Gambar 2.10. Sintaks uji independensi dari uji anova tv. ..................................... 8
Gambar 2.11. Sintaks uji homoskedastisitas data frame tv. .................................. 9
Gambar 2.12. Sintaks uji normalitas residual dari uji anova tv. ............................ 9
Gambar 2.13. Sintaks untuk input seluruh data percobaan nomor 1. .................... 9
Gambar 2.14. Sintaks untuk mendefinisikan baris. ............................................... 9
Gambar 2.15. Sintaks untuk mendefinisikan kolom. ............................................ 9
Gambar 2.16. Sintaks untuk input seluruh perlakuan pada percobaan. ................. 9
Gambar 2.17. Sintaks untuk pendefinisian perlakuan. ........................................ 10
Gambar 2.18. Sintaks untuk input seluruh perlakuan huruf yunani .................... 10
Gambar 2.19. Sintaks untuk pendefinisian perlakuan huruf yunani.................... 10
Gambar 2.20. Sintaks membuat data frame dari seluruh vektor. ........................ 10
Gambar 2.21. Sintaks uji Anova dari data frame “body.df”. ............................... 10
Gambar 2.22. Sintaks uji perbandingan ganda tukey........................................... 10
Gambar 2.23. Sintaks untuk plot uji perbandingan ganda Tukey. ....................... 11
Gambar 2.24. Sintaks uji perbandingan ganda duncan. ...................................... 11
Gambar 2.25. Sintaks uji independensi studi kasus 2.......................................... 11
Gambar 2.26. Sintaks untuk uji homoskedastisitas studi kasus 2. ...................... 11
Gambar 2.27. Sintaks untuk uji normalitas residual studi kasus 2. ..................... 11
Gambar 3.1. Data untuk studi kasus nomor 1. .................................................... 12
Gambar 3.2. Hasil uji anova dari tv.aov nomor 1................................................ 13
Gambar 3.3. Hasil dari uji tukey studi kasus 1. ................................................... 14
Gambar 3.4. Plot dari uji tukey studi kasus nomor 1........................................... 15
Gambar 3.5. Hasil perbandingan rata-rata perlakuan studi kasus 1. ................... 16
Gambar 3.6. Hasil dari uji duncan studi kasus nomor 1. .................................... 17
Gambar 3.7. Hasil untuk pengecekan model independensi studi kasus 1. .......... 17
Gambar 3.8. Hasil untuk pengecekan model homokedastisitas studi kasus 1..... 18
Gambar 3.9. Hasil untuk pengecekan model normalitas residual studi kasus 1. . 19
Gambar 3.10. Gabungan pendefinisian dalam dataframe body.df studi kasus 2. 20
Gambar 3.11. Dataframe uji anova studi kasus 2................................................ 21
Gambar 3.12. Hasil dari uji tukey studi kasus 2. ................................................. 23
Gambar 3.13. Plot uji tukey studi kasus 2. .......................................................... 24
Gambar 3.14. Hasil untuk uji duncan studi kasus 2. ........................................... 25
Gambar 3.15. Hasil dari uji asumsi studi kasus 2................................................ 26

iii
1 Pendahuluan

1.1 Rancangan Bujur Sangkar Latin (RBSL)

RBSL merupakan rancangan khusus yang memungkinkan untuk menilai
pengaruh relatif berbagai perlakuan apabila terhadap unit percobaan dilakukan
batasan yang berbentuk pemblokkan ganda. Dengan adanya pemblokkan ganda ini,
RBSL dapat dianggap sebagai perluasan dari rancangan blok acak lengkap.
Rancangan ini bersifat bahwa tiap perlakuan terdapat satu dan hanya satu kali dalam
tiap baris dan hanya satu kali dalam tiap kolom, sedangkan pengacakan dilakukan
berdasarkan dua buah pembatasan, yakni menurut baris dan kolom. RBSL biasanya
diberi ukuran bergantung pada banyaknya perlakuan. Jika ada m buah perlakuan
yang diteliti, maka terjadi RBSL m × m. Jelas bahwa untuk meneliti m buah
perlakuan menggunakan RBSL ini diperlukan 2 unit percobaan (Sudjana, 2002).
Terdapat beberapa keuntungan dan kelemahan dari RBSL yaitu sebagai
berikut.
a. Keuntungan rancangan bujur sangkar latin :
1. Mengurangi keragaman galat melalui penggunaan dua buah
pengelompokan.
2. Pengaruh perlakuan dapat dilakukan untuk percobaan berskala kecil .
3. Analisis relatif mudah.
4. Baris atau kolom bisa juga digunakan untuk meningkatkan cakupan
dalam pengambilan kesimpulan.
b. Kelemahan rancangan bujur sangkar latin :
1. Banyaknya baris, kolom dan perlakuan harus sama, sehingga semakin
banyak perlakuan, satuan percobaan yang diperlukan juga semakin
banyak.
2. Apabila banyaknya kelompok bertambah besar, galat percobaan per
satuan percobaan juga cenderung meningkat.

4
 3. Asumsi modelnya sangat mengikat, yaitu bahwa tidak ada interaksi
antara sembarang dua atau semua kriteria , yaitu baris, kolom dan
perlakuan.
4. Pengacakan yang diperlukan sedikit lebih rumit daripada pengacakan
rancangan-rancangan sebelumnya.
5. Derajat bebas galatnya yang lebih kecil dibanding dengan rancangan
lain yang berukuran sama, akan menurunkan tingkat ketelitian,
terutama apabila jumlah perlakuannya berukuran kecil.
6. Memerlukan pengetahuan/pemahaman dasar dalam menyusun satuan
percobaan yang efektif.
7. Apabila ada data hilang, meskipun jumlahnya tidak terlalu banyak,
maka hasil analisisnya diragukan karena perlakuan menjadi tidak
seimbang (Setiawan, Rancangan Bujur Sangkar Latin, 2022).
1.2 Rancangan Bujur Sangkar Graceo Latin
Rancangan Bujur Sangkar Graeco Latin merupakan gabungan dari dua
Rancangan Bujur Sangkar Latin yang saling ortogonal. Dengan syarat baris, kolom,
huruf Latin dan huruf Yunani mempunyai taraf yang sama dan setiap huruf Yunani
hanya muncul sekali di setiap baris, kolom, dan huruf Latin (Debrina, 2017).
RBGL merupakan gabungan dari dua Rancangan Bujur Sangkar Latin yang
saling ortogonal. Ciri khusus RBGL yaitu sebagai berikut:
1. Terdapat 4 buah faktor yaitu faktor baris, kolom, huruf-huruf Latin dan
huruf-huruf Yunani.
2. Keempat faktor mempunyai taraf yang sama .
3. Setiap huruf Yunani hanya muncul sekali di setiap baris, kolom dan huruf
Latin (Naifular, 2014).

5
2 Deskripsi Kerja

2.1 Studi Kasus

1. Seorang insinyur teknik industri sedang mempelajari pengaruh dari 4 metode
perakitan (A, B, C dan D) terhadap waktu perakitan komponen TV berwarna.
Empat operator dipilih dalam studi ini. Disamping itu diketahui pula bahwa setiap
metode perakitan akan memberikan tingkat kelelahan tertentu, yaitu waktu yang
dibutuhkan untuk perakitan terakhir mungkin lebih lama dibandingkan waktu
perakitan pertama. Dengan demikian perlu dipertimbangkan sebagai hal yang
berpengaruh dalam percobaan ini. Atas dasar itu, ia menggunakan rancangan bujur
sangakar latin sebagai rancangan percobaannya. Data yang diperoleh adalah
sebagai berikut.

Urutan Operator
Perakitan 1 2 3 4
1 C 10 D 14 A 77 B 7
2 B 7 C 18 D 11 A 8
3 A 6 B 10 C 11 D 5
4 D 10 A 10 B 12 C 14

Lakukan analisis untuk percobaan ini, gunakan taraf signifikansi sebesar 5%

2. Hasil dari uji coba teknik screening untuk mengetahui kerusakan body mobil
dilakukan menggunakan lima teknik (A, B, C,D, E). Lima kelompok merk mobil
(1,2,3,4,5), lima software (1,2,3,4,5), dan lima operator (α, β, γ, δ, ε) dipilih dalam
uji coba ini sebagai bentuk pengendalian keragaman. Percobaan tersebut dilakukan
menggunakan rancangan bujur sangkar Graeco-Latin. Data hasil percobaan berupa
lama waktu identifikasi kerusakan body mobil (dalam jam) disajikan pada tabel
berikut.
Merk Software
Mobil 1 2 3 4 5
1 Aα = 26 Bβ = 16 Cγ = 19 Dδ = 16 Eε = 13
2 Bγ = 18 Cδ = 20 Dε = 18 Eα = 10 Aβ = 21
3 Cε = 20 Dα = 12 Eβ = 14 Aγ = 23 Bδ = 13

6
 4 Dβ = 16 Eγ = 17 Aδ = 24 Bε = 14 Cα = 17
5 Eδ = 10 Aε = 24 Bα = 17 Cβ = 17 Dγ = 13
a. Berikan kesimpulan atas uji coba tersebut. (Tingkat signifikansi yang
digunakan 0,05)
b. Apakah ada perbedaan teknik screening yang dilakukan dalam uji coba
tersebut? Jika ada, teknik manakah yang paling unggul?
c. Berikan kesimpulan mengenai kecukupan model berdasarkan analisis residual.
2.2 Langkah Kerja
Pada bagian langkah kerja ini, praktikan akan menjelaskan mengenai langkah-
langkah apa saja yang perlu dilakukan dalam menyelesaikan studi kasus pada laporan ini.
1. Pertama-tama, untuk menyelesaikan studi kasus , praktikan menggunakan
RStudio dengan shortcut seperti gambar di bawah ini.

Gambar 2.1. Shortcut RStudio.

2. Setelah Rstudio dibuka maka akan muncul tampilan awal dan kosongkan R
console dengan mengklik ctrl-L seperti gambar di bawah ini.

Gambar 2.2. Tampilan awal dan R console kosongan di RStudio.

3. Untuk studi kasus 1, praktikan terlebih dahulu meng-input seluruh data dari tabel
yang ada dan menyimpannya dalam vektor “y” menggunakan sintaks seperti
gambar di bawah ini.

Gambar 2.3. Sintaks untuk menginput data studi kasus 1.

4. Setelah itu, praktikan menginput perlakuan dan menyimpannya kedalam vektor
“treat”dengan menggunakan sintaks seperti di bawah ini.

7
 Gambar 2.4. Sintaks untuk input perlakuan studi kasus 1.
5. Setelah itu, praktikan membuat data frame yang diberi nama tv yang terdiri dari
treat dan y dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.5. Sintaks untuk membuat data frame studi kasus 1.

6. Selanjutnya, praktikan melakukan uji anova pada model percobaan yang telah
ada dengan menggunakan sintaks seperti dibawah ini.

Gambar 2.6. Sintaks untuk uji anova pada model percobaan tv.
7. Selanjutnya praktikan melakukan uji tukey terhadap uji anova yang telah dibuat
dan memunculkan plot dari uji tukey dengan menggunakan sintaks seperti di
bawah ini.

Gambar 2.7. Sintaks melakukan uji tukey terhadap uji anova.

8. Setelah itu, praktikan mencari rata rata perlakuan metode perakitan dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.8. Sintaks mencari rata rata perlakuan metode perakitan.

9. Kemudian, praktikan melakukan uji Duncan dari uji anova tv dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.9. Sintaks uji Duncan dari uji anova tv.

10. Setelah itu, praktikan melakukan uji independensi dari uji anova tv dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.10. Sintaks uji independensi dari uji anova tv.

8
11. Setelah itu, praktikan melakukan uji homoskedastisitas dari data frame tv dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.11. Sintaks uji homoskedastisitas data frame tv.

12. Lalu kemudian, praktikan melakukan uji normalitas residual dari uji anova tv
dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.12. Sintaks uji normalitas residual dari uji anova tv.
13. Untuk studi kasus nomor 2, pertama-tama praktikan menginputkan seluruh data
percobaan dengan nama vektor “dua” dengan menggunakan sintaks seperti di
bawah ini.

Gambar 2.13. Sintaks untuk input seluruh data percobaan nomor 1.

14. Setelah itu, praktikan mendefinisikan baris dengan menggunakan sintaks seperti
di bawah ini.

Gambar 2.14. Sintaks untuk mendefinisikan baris.

15. Kemudian, praktikan mendefinisikan kolom dengan menggunakan sintaks
seperti di bawah ini.

Gambar 2.15. Sintaks untuk mendefinisikan kolom.

16. Selanjutnya, praktikan menginputkan seluruh perlakuan pada percobaan studi
kasus kedua menggunakan sintaks seperti di bawah ini.

Gambar 2.16. Sintaks untuk input seluruh perlakuan pada percobaan.

9
17. Selanjutnya, melakukan pendefinisian perlakuan dengan menggunakan sintaks
seperti di bawah ini.

Gambar 2.17. Sintaks untuk pendefinisian perlakuan.

18. Selanjutnya, praktikan menginputkan seluruh perlakuan huruf yunani pada
percobaan studi kasus kedua menggunakan sintaks seperti di bawah ini.

Gambar 2.18. Sintaks untuk input seluruh perlakuan huruf yunani

19. Selanjutnya, melakukan pendefinisian perlakuan huruf yunani dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.19. Sintaks untuk pendefinisian perlakuan huruf yunani.

20. Kemudian seluruh vektor dibuat menjadi data frame dengan nama “body.df”
dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.20. Sintaks membuat data frame dari seluruh vektor.

21. Setelah itu dilakukan uji Anova dari data frame “body.df” dengan menggunakan
sintaks seperti di bawah ini.

Gambar 2.21. Sintaks uji Anova dari data frame “body.df”.

22. Selanjutnya dilakukan uji perbandingan ganda tukey untuk mengetahui pengaruh
perlakuan terhadap respon yang diamati dengan menggunakan sintaks seperti di
bawah ini.

Gambar 2.22. Sintaks uji perbandingan ganda tukey.

23. Lalu dari uji perbandingan ganda tukey dapat dibuat plot dengan menggunakan
sintaks seperti di bawah ini.

10
 Gambar 2.23. Sintaks untuk plot uji perbandingan ganda Tukey.
24. Berikutnya dilakukan uji perbandingan ganda yang kedua yaitu uji Duncan
dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.24. Sintaks uji perbandingan ganda duncan.

25. Kemudian dilakukan uji asumsi untuk pengecekan model dengan menggunakan
tiga uji asumsi. Uji asumsi yang pertama yaitu uji independensi Durbin – Watson
dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.25. Sintaks uji independensi studi kasus 2.

26. Lalu uji asumsi yang kedua yaitu uji asumsi homoskedastisitas dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.26. Sintaks untuk uji homoskedastisitas studi kasus 2.

27. Uji asumsi yang ketiga yaitu uji asumsi normalitas residual dengan menggunakan
sintaks seperti di bawah ini.

Gambar 2.27. Sintaks untuk uji normalitas residual studi kasus 2.

11
3 Pembahasan

3.1 Studi Kasus Nomor 1

Pada studi kasus nomor 1 ini, praktikan pertama-tama membuat vektor dengan nama
“y” yang berisi seluruh data pada studi kasus nomor 1 dengan menggunakan sintaks seperti
pada Gambar.2.3, setelah itu praktikan memasukkan data perlakuan ke dalam vektor yang
diberi nama “treat” dengan menggunakan sintaks seperti pada Gambar.2.4. Setelah data-
data tersebut dimasukkan praktikan membuat dataframe yang bernama “tv” dan berisi data
dari kedua vektor yang telah dibuat tersebut dengan menggunakan sintaks seperti pada
Gambar.2.5, pada sintaks tersebut perintah data.frame merupakan perintah dasar untuk
membuat sebuah dataframe dan perintah gl merupakan generisasi faktor perulangan dan
untuk memanggil dataframe ini klik run pada nama dataframe. Setelah semua sintaks
dimasukkan klik “run” dan hasilnya akan terlihat sebagai berikut.

Gambar 3.1. Data untuk studi kasus nomor 1.

Berdasarkan data di atas dapat dilihat bahwa pada data “treat” berisi berupa hururf
dan pada data “y” berisi berupa angka.
Selanjutnya dilakukan uji anova dari data frame “tv”, digunakan sintaks seperti pada
Gambar 2.6 yang berisi data dari vektor “y” dan “treat” serta faktor dari level atau
generisasi perlakukan yaitu “op” dan “rakit” dan data tersimpan dalam objek tv.aov.
Untuk melihat hasil uji anova tersebut panggil dengan menggunakan sintaks
anova(tv.aov), dimana sintaks tersebut menampilkan ringkasan data dari uji anova
tv.aov. Setelah sintaks dimasukkan klik run dan hasilnya akan terlihat seperti berikut ini.

12
 Gambar 3.2. Hasil uji anova dari tv.aov nomor 1.
Berdasarka hasil uji anova di atas dapat diketahui beberapa hal yaitu sebagai berikut
ini :
a) Hipotesis
1) Pengaruh Perlakuan
𝐻0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑟 = 0
𝐻1 : ∃𝑘, 𝜏𝑘 ≠ 0
2) Pengaruh Baris
𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑟 = 0
𝐻1 : ∃𝑖, 𝛼𝑖 ≠ 0
3) Pengaruh Kolom
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑟 = 0
𝐻1 : ∃𝑖, 𝛽𝑗 ≠ 0
b) Taraf Signifikansi
α = 0.05
c) Daerah Kritis
𝐻0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝛼,𝑑𝑏1,𝑑𝑏2
d) Statistik Uji
1) Pengaruh Perlakuan
𝐾𝑇𝑃 22.1667
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 𝐾𝑇𝐺 = = 6.650077
3.3333

2) Pengaruh Baris
𝐾𝑇𝐵 10
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 𝐾𝑇𝐺 = 3.3333 = 3.00003

3) Pengaruh Kolom
𝐾𝑇𝐾 19.1667
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 𝐾𝑇𝐺 = = 5.750068
3.3333

e) Keputusan
1) Pengaruh Perlakuan
13
 Tolak 𝐻0 sebab 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 6.650077 > 𝐹0.05,3,6 = 4.7571
2) Pengaruh Baris
Gadal tolak olak 𝐻0 sebab 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 3.00003 > 𝐹0.05,3,6 = 4.7571
3) Pengaruh Kolom
Tolak 𝐻0 sebab 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 5.750068 > 𝐹0.05,3,6 = 4.7571
f) Kesimpulan
1) Pengaruh Perlakuan
Dengan tingkat kepercayaan 95%, pengujian menunjukkan tolak 𝐻0 . Maka
dapat disimpulkan bahwa metode perakitan secara signifikan berpengaruh
terhadap waktu perakitan TV berwarna.
2) Pengaruh Baris
Dengan tingkat kepercayaan 95%, pengujian menunjukkan gagal tolak 𝐻0 .
Maka dapat disimpulkan bahwa pengelompokkan baris secara signifikan tidak
berpengaruh terhadap waktu perakitan komponen TV berwarna
3) Pengaruh Kolom
Dengan tingkat kepercayaan 95%, pengujian menunjukkan gagal tolak 𝐻0 .
Maka, dapat disimpulkan bahwa pengelompokkan kolom signifikan terhadap
metode perakitan.
Selanjutnya untuk uji tukey digunakan sintaks seperti pada Gambar 2.7, dimana
uji tukey digunakan untuk membandingkan masing – masing perlakuan yang terdapat
dalam percobaan, sehingga dapat diketahui antar perlakuan yang berbeda dan tidak
berbeda, tanpa memperhatikan jumlah perlakuan yang dicobakan, uji ini hanya dapat
dilakukan jika tiap perlakuan mendapatkan ulangan yang sama. Pada uji tukey ini akan
akan dilakukan pengujia terhadap perlakuan yang terdapat pada hasil uji anova yaitu
treat. Setelah sintaks dimasukkan klik run dan hasilnya akan terlihat seperti berikut ini.

Gambar 3.3. Hasil dari uji tukey studi kasus 1.

14
 Berdasarka hasil uji tukey di atas dapat diketahui beberapa hal yang terdapat pada tabel
berikut ini :
i-j Selisih Batas Bawah Batas Atas p-value
Rata-Rata Interval Konfidensi Interval Konfidensi
B–A 1.25 -3.2190502 5.71905 0.7717256
D-A 2.25 -2.2190502 6.71905 0.3810672
C–A 5.50 1.0309498 9.96905 0.0106372
D–B 1.00 -3.4690502 5.46905 0.8632984
C–B 4.25 -0.2190502 8.71905 0.0609012
C–D 3.25 -1.2190502 7.71905 0.1538615

Pada tabel diatas terlihat bahwa bahwa keputusan menggunakan p-value

menunjukkan tolak H0 pada pasangan perlakuan C dan A. Dikarenakan kedua pasangan
perlakuan tersebut memiliki nilai p-value < α = 0.05 yang artinya ada perbedaan signifikan
pada pasangan perlakuan tersebut. Sedangkan pada pasanganperlakuan B dan A, D dan A,
D dan B, C dan B, dan pasangan perlakuan C dan D menunjukkan gagal tolak H0 karena
memiliki p-value > α = 0.05.
Selanjutnya untuk plot uji tukey digunakan sintaks seperti pada Gambar 2.7,
dimana pada sintaks tersebut akan ditampilkan plot dari uji tukey tv.aov. Setelah sintaks
dimasukkan klik run dan hasilnya akan terlihat seperti berikut ini.

Gambar 3.4. Plot dari uji tukey studi kasus nomor 1.

Berdasarkan hasil pada plot di atas terlihat bahwa pasangan perlakuan C dan A tidak
melewati garis putus-putus (0), yang menunjukkan bahwa keputusan yang diperoleh adalah
tolak H0 yang artinya pasangan perlakuan tersebut terdapat perbedaan signifikan.

15
 Selanjutnya untuk melihat hasil rata – rata perlakuan percobaan pada studi kasus
nomor 1 dapat menggunakan sintaks seperti pada Gambar 2.8, dimana hal ini berguna
untuk mengetahui perlakuan mana yang memberikan pengaruh terbesar terhadap respon
yang diamati. Untuk menampilkan hasilnya panggil dengan menggunakan sintaks
mean.treat, setelah itu klik run dan hasilnya akan terlihat seperti berikut ini.

Gambar 3.5. Hasil perbandingan rata-rata perlakuan studi kasus 1.

Berdasarkan hasil di atas didapatkan rata-rata untuk masing-masing metode
perakitan, maka dapat dikatakan bahwa metode perakitan yang memberikan pengaruh
terbesar pada rata-rata waktu perakitan komponen TV berwarna adalah metode A, karena
memiliki rata-rata waktu perakitan terendah.
Untuk uji duncan digunakan library (agricolae), dimana package ini berguna untuk
fungsi HSD.test. Untuk sintaks yang digunakan yaitu terdapar pada Gambar 2.9, dimana
uji duncan mempersiapkan segugus nilai pembandingan yang nilainya meningkatkan
tergantung dari jarak peringkat dua buah perlakuan yang akan dibandingkan. Uji Duncan
dapat digunakan untuk menguji perbedaan diantara semua pasangan perlakuan yang
mungkin tanpa memperhatikan jumlah perlakuan.

16
 Gambar 3.6. Hasil dari uji duncan studi kasus nomor 1.
Pada gambar diatas terlihat bahwa huruf pada padangan perlakuan C dan D,C dan B,
dan C dan A. maka artinya terdapat perbedaan signifikan pada pasangan perlakuan C dan
D, C dan B, dan C dan A.
Untuk pengecekan model independensi digunakan library car yang dimana package
car berguna untuk analisis ragam satu arah dan sintaks yang digunakan seperti pada
Gambar 2.10. Setelah sintaks dimasukkan klik run dan hasilnya akan terlihat seperti
berikut ini.

Gambar 3.7. Hasil untuk pengecekan model independensi studi kasus 1.

Berdasarkan gambar di atas, dari uji independensi didapatkan hasil seperti berikut ini:
a) Hipotesis
H0 : tidak terdapat korelasi serial pada galat percobaan
H1 : terdapat korelasi serial pada galat percobaan
b) Tingkat signifikansi
α = 0.05
c) Daerah kritis

17
 H0 ditolak jika p-value < α
d) Statistik uji
p-value = 0.278
e) Keputusan
Karena p-value = 0.278 > α = 0.05 maka gagal tolak H0
f) Kesimpulan
Dengan menggunakan tingkat kepercayaan 95%, pengujia menunjukkan gagal
tolak H0. Maka dapat disimpulkan bahwa tidakterdapat korelasi serial pada galat
percobaan.
Untuk pengecekan model homokedastisitas digunakan sintaks seperti pada Gambar
2.11. Setelah sintaks dimasukkan klik run dan hasilnya akan terlihat seperti berikut ini.

Gambar 3.8. Hasil untuk pengecekan model homokedastisitas studi kasus 1.

Berdasarkan gambar di atas, dari uji homoskedastisitas didapatkan hasil seperti
berikut ini:
a) Hipotesis
H0 : Asumsi homoskedastisitas galat percobaan terpenuhi
H1 : Asumsi homoskedastisitas galat percobaan tidak terpenuhi
b) Tingkat signifikansi
α = 0.05
c) Daerah kritis
H0 ditolak jika p-value < α
d) Statistik uji
p-value = 0.5995
e) Keputusan
Karena p-value = 0.5995 > α = 0.05 maka gagal tolak H0
f) Kesimpulan
Dengan menggunakan tingkat kepercayaan 95%, pengujianmenunjukkan gagal tolak
H0. Maka dqapat disimpulkan bahwa asumsi homoskedastisitas galat percobaan
terpenuhi.
18
 Untuk pengecekan model normalitas residual digunakan sintaks seperti pada Gambar
2.12. Setelah sintaks dimasukkan klik run dan hasilnya akan terlihat seperti berikut ini.

Gambar 3.9. Hasil untuk pengecekan model normalitas residual studi kasus 1.
Berdasarkan gambar di atas, dari uji normalitas residuals didapatkan hasil seperti
berikut ini:
a) Hipotesis
H0 : Galat percobaan berdistribusi Normal
H1 : Galat percobaan tidak berdistribusi Normal
b) Tingkat signifikansi
α = 0.05
c) Daerah kritis
H0 ditolak jika p-value < α
d) Statistik uji
p-value = 0.9948
e) Keputusan
Karena p-value = 0.9948 > α = 0.05 maka gagal tolak H0
f) Kesimpulan
Dengan menggunakan tingkat kepercayaan 95%, pengujianmenunjukkan gagal tolak
H0. Maka dapat disimpulkan bahwa galat percobaan berdistribusi Normal.
3.2 Studi Kasus Nomor 2
Pada studi kasus nomor 2 ini, praktikan pertama-tama memasukkan data dengan
membuat vektor bernama “dua” yang berisi seluruh data pada studi kasus 2, dengan
menggunakan sintaks seperti pada Gambar 2.13. Setelah itu, dilakukan pendefinisian
untuk baris, kolom, perlakuan dan huruf yunani dengan menggunakan sintaks pada
Gambar 2.14, Gambar 2.15, Gambar 2.16, Gambar 2.17, Gambar 2.18, Gambar 2.19.
Untuk pendefinisian baris digunakan function gl(n, k, length = n*k)dengan n
menunjukkan jumlah perlakuan yaitu sebanyak 5 perlakuan dan k menunjukkan jumlah
perulangan setiap barisnya yaitu 5 kali. Sintaks yang digunakan yaitu baris <-
gl(5,5,25). Lalu untuk mendefinisikan kolom menggunakan function yang sama dengan

19
mendefinisikan baris namun untuk nilai k nya yaitu satu karena perulangannya hanya
dilakukan satu kali. Selanjutnya menginputkan seluruh perlakuan percobaan dengan
menggunakan function factor. Lalu dilakukan pendefinisian berdasarkan perlakuandengan
huruf kapital latin (1 = A, 2 = B, …). Lalu untuk huruf yunani menggunakan langkah yang
sama dengan perlakuannamun untuk pendefinisiannya menggunakan huruf kecil.
Setelah semua pendefinisian dibuat, praktikan lanjut membuat dataframe dengan
nama “body.df” yang berisi seluruh vektor pendefinisian yang telah dibuat dengan
menggunakan sintaks seperti papa Gambar 2.20. Setelah semua sintaks telah dimasukkan,
klik “run” untuk setiap sintaks yang dimasukkan dan hasilnya akan terlihat seperti berikut
ini.

Gambar 3.10. Gabungan pendefinisian dalam dataframe body.df studi kasus 2.

Selanjutnya dilakukan uji Anova dari dataframe “body.df” dengan vektor data
percobaan sebagai variabel dependen dan vektor lainnya sebagai variabel independen
dengan dataframe diberi nama “body.aov”. Sintaks yang digunakan untuk uji Anova yaitu
seperti pada Gambar 2.21, setelah itu sintaks di run dan untuk melihat hasilnya panggil
data dengan “summary(body.aov)” lalu run dan akan muncul hasil sebagai berikut ini.

20
 Gambar 3.11. Dataframe uji anova studi kasus 2.
Berdasarkan hasil di atas dapat dilihat hasil sebagai berikut ini:
Sumber Derajat Jumlah Kuadrat Fhitung
Keragaman Bebas Kuadrat (JK) Tengah (KT)
Baris 4 12.2 3.06 0.611
Kolom 4 35.4 8.86 1.768
Yunani 4 10.6 2.66 0.531
Perlakuan 4 348.2 87.06 17.377
Galat 8 40.1 5.01
Total 24 446.5 106.65

a) Hipotesis

1. Pengaruh Baris
𝐻0 ∶ 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑟 = 0
𝐻1 ∶ ∃𝑖, 𝛼𝑖 ≠ 0
2. Pengaruh Kolom
𝐻0 ∶ 𝛽 1 = 𝛽 2 = ⋯ = 𝛽 𝑟 = 0
𝐻1 ∶ ∃𝑗, 𝛽𝑗 ≠ 0
3. Pengaruh dari sifat yang berkaitan dengan huruf Yunani
𝐻0 ∶ 𝛾 1 = 𝛾 2 = ⋯ = 𝛾 𝑟 = 0
𝐻1 ∶ ∃𝑘, 𝛽𝑘 ≠ 0
4. Pengaruh Perlakuan
𝐻0 ∶ 𝑟1 = 𝑟2 = ⋯ = 𝑟𝑟 = 0
𝐻1 ∶ ∃𝑘, 𝑟𝑘 ≠ 0
b) Taraf Signifikansi
1. Pengaruh Baris : α = 0.05
2. Pengaruh Kolom : α = 0.05
3. Pengaruh dari sifat yang berkaitan dengan huruf Yunani : α = 0.05
4. Pengaruh Perlakuan : α = 0.05

c) Daerah Kritis
21
 1. Pengaruh Baris
H0 ditolak jika Fhitung > Fα;db1;db2 yaitu Fhitung > F0.05;4;8 = 3.838
2. Pengaruh Kolom
H0 ditolak jika Fhitung > Fα;db1;db2 yaitu Fhitung > F0.05;4;8 = 3.838
3. Pengaruh dari sifat yang berkaitan dengan huruf Yunani
H0 ditolak jika Fhitung > Fα;db1;db2 yaitu Fhitung > F0.05;4;8 = 3.838
4. Pengaruh Perlakuan
H0 ditolak jika Fhitung > Fα;db1;db2 yaitu Fhitung > F0.05;4;8 = 3.838
d) Statistik Uji
𝐾𝑇𝐵 3.06
1. Pengaruh Baris : 𝐾𝑇𝐺 = 5.01 = 0.611
𝐾𝑇𝐾 8.86
2. Pengaruh Kolom : 𝐾𝑇𝐺 = 5.01 = 1.768

3. Pengaruh dari sifat yang berkaitan dengan huruf Yunani :

𝐾𝑇𝑌 2.66
= 5.01 = 0.531
𝐾𝑇𝐺
𝐾𝑇𝑃 87.06
4. Pengaruh Perlakuan : 𝐾𝑇𝐺 = = 17.377
5.01

e) Keputusan
1. Pengaruh Baris
Gagal Tolak H0 karena nilai Fhitung = 0.611 < F0.05;4;8 = 3.838
2. Pengaruh Kolom
Gagal Tolak H0 karena niai Fhitung = 1.768 < F0.05;4;8 = 3.838
3. Pengaruh dari sifat yang berkaitan dengan huruf Yunani Gagal Tolak H0
karena niai Fhitung = 0.531 < F0.05;4;8 = 3.838
4. Pengaruh Perlakuan
Tolak H0 karena nilai Fhitung = 17.377 > F0.05;4;8 = 3.838
f) Kesimpulan
1. Pengaruh Baris
Dengan menggunakan tingkat kepercayaan 95% data yang ada dapat dikatakan
mendukung hipotesis nol (gagal tolak H0) yang berarti bahwa merek mobil tidak
berpengaruh terhadap uji coba teknik screening.
2. Pengaruh Kolom
Dengan menggunakan tingkat kepercayaan 95% data yang ada dapat dikatakan
mendukung hipotesis nol (gagal tolak H0) yang berarti software tidak berpengaruh
22
 terhadap uji coba teknik screening.
3. Pengaruh dari sifat yang berkaitan dengan huruf yunani
Dengan menggunakan tingkat kepercayaan 95% data yang ada dapat dikatakan
mendukung hipotesis nol (gagal tolak H0) yang berarti operator tidak berpengaruh
terhadap uji coba teknik screening.
4. Pengaruh Perlakuan
Dengan menggunakan tingkat kepercayaan 95% data yang ada dapat dikatakan
tidak mendukung hipotesis nol (tolak H0) yang berartiteknik secara signifikan dapat
mengefisienkan uji coba screening ataudengan kata lain terdapat perbedaan teknik
screening yang dilakukandalam uji coba tersebut.
Ketika keputusan uji F untuk pengaruh perlakuan pada Anova tolak H0, maka
selanjutnya dapat dilakuan uji lanjutan untuk mengetahui perlakuan mana yang
berpengaruh dan yang tidak berpengaruh terhadap respon. Uji lanjutan tersebut yaitu uji
perbandingan ganda Tukey dan Duncan.
Uji Tukey digunakan untuk membandingkan masing – masing perlakuan yang
terdapat dalam percobaan sehingga dapat diketahui antar perlakuan mana yang berbeda
dan perlakuan yang tidak berbeda, tanpa memperhatikan jumlah perlakuannya. Uji ini
hanya dilakukan jika tiap perlakuan mendapatkan perulangan yang sama. Sintaks yang
digunakan seperti pada Gambar 2.22. Dan setelah itu dimunculkan plot dari uji tukey
dengan menggunakan sintaks seperti pada Gambar 2.23. Setelah memasukkan sintaks klik
“run” untuk setiap sintaks dan hasilnaya akan muncul seperti berikut ini.

Gambar 3.12. Hasil dari uji tukey studi kasus 2.

23
 Gambar 3.13. Plot uji tukey studi kasus 2.
Berdasarkan hasil di atas didapatkan hasil sebagai berikut ini:
i-j Selisih Batas Bawah Batas Atas Interval p-value
Rata - Rata Interval Konfidensi Konfidensi
D–E 2.2 -2.6906376 7.090638 0.5600777
B–E 2.8 -2.0906376 7.690638 0.3541476
C–E 5.8 0.9093624 10.690638 0.0211777
A–E 10.8 5.9093624 15.690638 0.0004214
B–D 0.6 -4.2906376 5.490638 0.9919191
C–D 3.6 -1.2906376 8.490638 0.1728499
A–D 8.6 3.7093624 13.490638 0.0019878
C–B 3.0 -1.8906376 7.890638 0.2985127
A–B 8.0 3.1093624 12.890638 0.0031748
A–C 5.0 0.1093624 9.890638 0.0450201

Berdasarkan hasil output pada Tabel 3.6. dapat dilihat bahwa kriteria keputusan
menggunakan p-value menunjukkan tolak H0 pada pasangan perlakuan pasangan
perlakuan C dan E, pasangan A dan E, pasangan A dan D dan pasanganperlakuan A dan
B. Hal tersebut juga ditunjukkan pada Gambar 3.16., yaitu denganadanya garis horizontal
pada pasangan perlakuan C dan E, pasangan perlakuan A dan E, pasangan perlakuan A
dan D dan pasangan perlakuan A dan B tidak melewati garis putus – putus (0), yang
menunjukkan bahwa keputusan yang diperoleh adalah tolak H0, artinya keempat
perlakuan berbeda signifikan.
Uji berikutnya yaitu uji Duncan. Uji Duncan juga dapat digunakan untuk menguji
perbedaan diantara semua pasangan perlakuan yang mungkin tanpa memperhatikan jumlah

24
perlakuannya. Sintaks yang digunakan untuk melakukan uji Duncan yaitu seperti pada
Gambar 2.24. Setelah sintaks dimasukkan klik run dan hasilnaya akan terlihat seperti
berikut ini.

Gambar 3.14. Hasil untuk uji duncan studi kasus 2.

Dengan menggunakan uji Duncan pada percobaan kelima teknik untuk uji
coba screening menunjukkan huruf pada groups yang berbeda perlakuan terdapat
pada pasangan perlakuan C dan E, pasangan perlakuan A dan E, pasangan
perlakuan A dan D serta pasangan perlakuan A dan B. Dengan demikian, hasil yang
diperoleh yaitu terdapat perbedaan signifikan pada pasangan perlakuan C dan E,
pasangan perlakuan A dan E, pasangan perlakuan A dan D serta pasangan perlakuan
A dan B. Rata – rata perlakuan A memiliki nilai rata – rata yang lebih tinggi
dibandingkan dengan perlakuan B, C dan D, sehingga teknik yang lebih
berpengaruh atau paling unggul untuk uji coba screening adalah teknik A.
Selanjutnya dilakukan pengecekan model dengan uji asumsi. Uji asumsi yang
dilakukan yaitu uji asumsi independensi Durbin – Watson, uji asumsi
homoskedastisitas Bartlett dan uji asumsi normalitas residual. Pengecekan model
meliputi pemenuhan asumsi berikut.
a) Independensi

25
 H0: Tidak terdapat korelasi serial pada galat percobaanH1:
Terdapat korelasi serial pada galat percobaan
b) Hosmoskedastisitas
H0: Asumsi homoskedastisitas galat percobaan terpenuhi
H1: Asumsi homoskedastisitas galat percobaan tidak terpenuhi
c) Normalitas Residual
H0: Galat percobaan berdistribusi Normal
H1: Galat percobaan tidak berdistribusi Normal

Gambar 3.15. Hasil dari uji asumsi studi kasus 2.

Dapat dilihat bahwa kriteria keputusan menggunakan p-value menunjukkan gagal
tolak H0 pada pengecekan model untuk asumsi independensi, asumsi homoskedastisitas
dan asumsi normalitas residual, artinya bahwa tidak terdapat korelasi serial pada galat
percobaan, asumsi homoskedastisitas galat percobaan terpenuhi dan galat percobaan
berdistribusi Normal.

26
4 Penutup

4.1 Kesimpulan
Dari hasil praktik dan pembahasan pada bab-bab sebelumya praktikan dapat
mengambil beberapa kesimpulan yaitu :
1. Rancanga Bujur Sangkar Latin merupakan rancangan khusus yang
memungkinkan untuk menilai pengaruh relatif berbagai perlakuan
apabila terhadap unit percobaan dilakukan batasan yang berbentuk
pemblokkan ganda.
2. Rancangan Bujur Sangkar Graeco Latin merupakan gabungan dari dua
Rancangan Bujur Sangkar Latin yang saling ortogonal.
3. Berdasarkan pembahasan dari studi kasus dibab sebelumnya di dapatkan
bahwa :
• Untuk studi kasus pertama didapatkan untuk uji anova RBSL
pengaruh perlakuan dapat diambil kesimpulan bahwa dengan
tingkat kepercayaan 95% metode perakitan secara signifikan
berpengaruh terhadap waktu perakitan TV berwarna. Untuk uji
anova RBSL pengaruh baris dapat diambil kesimpulan bahwa
dengan menggunakan tingkat kepercayaan 95% pengelompokkan
baris secara signifikan tidak berpengaruh terhadap waktu
perakitan komponen TV berwarna. Untuk uji anova RBSL
pengaruh kolom dapat diambil kesimpulan bahwa dengan
menggunakan tingkat kepercayaan 95% pengelompokkankolom
signifikan terhadap metode perakitan.
• Untuk studi kasus pertama didapatkan juga untuk uji Tukey RBSL
dapat diambil kesimpulan bahwa pasangan perlakuan C dan A
mendukung untuk tolak H0 artinya pasangan perlakuan tersebut
terdapat perbedaan signifikan. Untuk uji Duncan RBSL dapat
diambil kesimpulan bahwa terdapat perbedaan signifikan pada
pasangan perlakuan C dan D, C dan B, C dan A. Untuk uji

27
 independensi dapat diambil kesimpulan bahwa dengan
menggunakan tingkat kepercayaan 95% tidak terdapat korelasi
serial pada galat percobaan. Untuk uji homoskedastisitas dapat
diambil kesimpulan bahwa dengan menggunakan tingkat
kepercayaan 95% asumsi homoskedastisitas galat percobaan
terpenuhi. Untuk uji residual berdistribusi normal dapat diambil
kesimpulan bahwa dengan menggunakan tingkat kepercayaan
95% galat percobaan berdistribusi Normal.
• Untuk studi kasus kedua terdapat empat perlakuan yang berbeda
secara signifikan (pasangan perlakuan C dan E, pasangan
perlakuan A dan E,pasangan perlakuan A dan D dan pasangan
perlakuan A dan B). Terdapat juga perbedaan teknik yang
dilakukan dalam uji coba tersebut dan teknik yang paling unggul
yaitu teknikA.
• Untuk studi kasus kedua juga didapatkan pada uji asumsi untuk
pengecekan model pada kedua studi kasus tersebut sama –sama
gagal tolak H0 untuk seluruh uji asumsi yang berarti tidak terdapat
korelasi serial pada galat percobaan, asumsi homoskedastisitas
galat percobaan terpenuhi dan galat percobaan berdistribusi
Normal.

28
5 Daftar Pustaka

Debrina. (2017, Maret 3). Desain Bujur Sangkar The Graceo. Retrieved from
ub.ac.id: http://debrina.lecture.ub.ac.id/files/2017/03/Desain-
BujurSangkar-Graeco-Latin-2.pd
Naifular, Y. (2014). Analisis Rancangan Bujur Sangkar Graceo Latin. Jurnal
Gaussian, Volume 3, Nomor 1, 141-150.
Setiawan, A. (2022, Januari 13). Rancangan Bujur Sangkar Latin. Retrieved from
smartstat.info: https://www.smartstat.info/materi/rancangan-
percobaan/rancangan-bujur-sangkar-latin-rbsl/rancangan-bujur-sangkar-
latin.html
Sudjana. (2002). Design dan Analisis Eksperimen. Bnadung.

29