Kelas H

LAPORAN PRAKTIKUM
Rancangan Percobaan
Modul 5 : Percobaan Faktorial Rancangan Acak Lengkap 2 Faktor
Modul 6 : Dua Faktor Pada Rancangan Acak Kelompok Lengkap

Nomor Tanda Tangan

Nama Praktikan Tanggal Kumpul Praktikan
Mahasiswa
Dinda Ardhia 21611116 20 Juni 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 Acak Lengkap 2 Faktor ......................................................... 4
1.2 Rancangan Acak Kelompok Lengkap 2 Faktor........................................ 5
2 Deskripsi Kerja................................................................................................ 7
2.1 Studi Kasus ............................................................................................... 7
2.2 Langkah Kerja .......................................................................................... 8
3 Pembahasan ................................................................................................... 13
3.1 Studi Kasus Nomor 1 ............................................................................. 13
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. .............................................................................. 9

Gambar 2.2. Tampilan awal dan R console kosongan di RStudio. ........................ 9
Gambar 2.3. Sintaks untuk menginput data studi kasus 1. .................................... 9
Gambar 2.4. Sintaks untuk pendefinisian faktor promo. ....................................... 9
Gambar 2.5. Sintaks untuk pendefinisian factor metode. ...................................... 9
Gambar 2.6. Sintaks untuk membuat dataframe studi kasus 1. .......................... 10
Gambar 2.7. Sintaks untuk melakukan analisis variansi studi kasus 1................ 10
Gambar 2.8. Sintaks untuk plot interaksi antara metode dan jenis perlakuan. .... 10
Gambar 2.9. Sintaks plot interaksi dengan mengubah x factor (RAL). .............. 10
Gambar 2.10. Sintaks untuk plot design studi kasus 1. ....................................... 10
Gambar 2.11. Sintaks untuk input data jumlah pengguna TiketGo. ................... 11
Gambar 2.12. Sintaks untuk generasi faktor jasa. ............................................... 11
Gambar 2.13. Sintaks untuk generasi faktor kelompok (hari). ............................ 11
Gambar 2.14. Sintaks untuk generasi faktor regional. ........................................ 11
Gambar 2.15. Sintaks untuk membuat dataframe pengguna TiketGo. ............... 11
Gambar 2.16. Sintaks untuk melakukan uji ANOVA studi kasus 2. .................. 11
Gambar 2.17. Sintaks untuk melihat hasil uji ANOVA studi kasus 2. ............... 11
Gambar 2.18. Sintaks untuk melakukan uji Tukey studi kasus 2. ....................... 12
Gambar 2.19. Sintaks untuk membuat plot uji Tukey studi kasus 2. ................... 12
Gambar 2.20. Sintaks untuk mencari rata-rata perlakuan jasa. ........................... 12
Gambar 2.21. Sintaks untuk membuat plot interaksi studi kasus 2. .................... 12
Gambar 2.22. Sintaks untuk membuat plot design studi kasus 2. ....................... 12
Gambar 3.1. Hasil untuk menampilakn dataframe “apk” studi kasus 1.............. 14
Gambar 3.2. Hasil analisis varians studi kasus 1................................................. 14
Gambar 3.3. Hasil dari uji tukey studi kasus 1. ................................................... 17
Gambar 3.4. Plot interaksi antara metode dengan promo untuk studi kasus 1.... 18
Gambar 3.5. Plot interaksi antara promo dengan metode untuk studi kasus 1.... 18
Gambar 3.6. Plot design studi kasus 1. ............................................................... 19
Gambar 3.7. Hasil pendefinisian penjualan semua jenis buku di zona 1. ........... 20
Gambar 3.8. Hasil uji ANOVA studi kasus 1. .................................................... 20
Gambar 3.9. Hasil uji Tukey studi kasus 2. ......................................................... 23
Gambar 3.10. Plot uji Tukey studi kasus 2. ......................................................... 23
Gambar 3.11. Rata-rata pengguna jenis jasa TiketGo. ........................................ 24
Gambar 3.12. Plot design studi kasus 2. ............................................................. 24
Gambar 3.13. Plot interaksi pengguna TiketGo berdasarkan regional dan jenis
jasa................................................................................................................. 25
Gambar 3.14. Plot interaksi pengguna TiketGo berdasarkan jenis jasa dan
regional. ......................................................................................................... 25

iii
1 Pendahuluan

Penggunaan Rancangan Acak Lengkap dan Rancangan Acak Kelompok

Lengkap 2 faktorial pada prinsipnya tidak berbeda dengan Rancangan Acak
Lengkap dan Rancangan Acak Kelompok Lengkap dengan satu faktorial,
perbedaannya hanya terletak pada jumlah faktorial yang memungkinkan terjadinya
interaksi antara faktorial.
Pada satu faktorial, tidak memungkinkan terjadinya interaksi karena faktor
yang digunakan hanya satu. Namun jika terdapat dua atau lebih faktor,
memungkinkan terjadinya interaksi antar faktor yang dapat menguatkan hasil atau
melemahkan hasil (hasil yang dimaksud yaitu variabel dependen).
Syarat penggunaan RAL dan RAKL dua faktorial yaitu jumlah faktorialnya
lebih dari satu, tetap mengacu terhadap masing – masing definisi dan faktor – faktor
yang dilibatkan dapat disilangkan sehingga menghasilkan kombinasi – kombinasi.
(Agung, 2020)
1.1 Rancangan Acak Lengkap 2 Faktor
Rancangan Acak Lengkap Faktorial merupakan rancangan acak lengkap
yang terdiri dari dua atau lebih peubah bebas (faktor), misal ada dua faktor dalam
klasifikasi silang yaitu faktor A yang terdiri dari a taraf dan faktor B yang terdiri
dari b taraf dan diduga kedua faktor tersebut diduga saling berinteraksi. Saling
berinteraksi dimaksudkan bahwa pengaruh suatu faktor tergantung dari taraf faktor
yang lain. Jika faktor saling berinteraksi, maka taraf-taraf suatu faktor akan saling
berpotongan dengan taraf-taraf faktor lainnya, sedangkan bila taraf faktor saling
sejajar, maka antar masing-masing faktor tidak terjadi interaksi (Munte, 2015).
Model linier rancangan faktorial dalam RAL (Setiawan, n.d.):
𝑌𝑖𝑗𝑘 = 𝑀𝑜𝑑𝑒𝑙 + 𝐺𝑎𝑙𝑎𝑡
𝑌𝑖𝑗𝑘 = 𝜇 + 𝛼𝑖 + 𝛽𝑗 + (𝛼𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘
𝑌𝑖𝑗𝑘 = 𝑌̅… + (𝑌̅𝑖.. − 𝑌̅… ) + (𝑌̅.𝑗. − 𝑌̅… ) + (𝑌̅𝑖𝑗. − 𝑌̅𝑖.. − 𝑌̅.𝑗. + 𝑌̅… ) + (𝑌̅𝑖𝑗𝑘 − 𝑌̅𝑖𝑗. )
𝑌𝑖𝑗𝑘 − 𝑌̅… = (𝑌̅𝑖.. − 𝑌̅… ) + (𝑌̅.𝑗. − 𝑌̅… ) + (𝑌̅𝑖𝑗. − 𝑌̅𝑖.. − 𝑌̅.𝑗. + 𝑌̅… ) + (𝑌̅𝑖𝑗𝑘 − 𝑌̅𝑖𝑗. )

4
 𝑏 2
𝛾2 𝑌̅.𝑗.
𝐹𝐾 = 𝐽𝐾𝐵 = ∑ − 𝐹𝐾
𝑎𝑏𝑟 𝑎𝑟
𝑗=1
𝑎 𝑏 𝑟 𝑎 𝑏2
2 𝑌̅𝑖𝑗.
𝐽𝐾𝑇 = ∑ ∑ ∑ 𝑌𝑖𝑗𝑘 − 𝐹𝐾 𝐽𝐾𝑃 = ∑ ∑ − 𝐹𝐾
𝑟
𝑖=1 𝑗=1 𝑘=1 𝑖=1 𝑗=1
𝑎 2
𝑌̅𝑖..
𝐽𝐾𝐴 = ∑ − 𝐹𝐾 𝐽𝐾𝐴𝐵 = 𝐽𝐾𝑃 − 𝐽𝐾𝐴 − 𝐽𝐾𝐵; 𝐽𝐾𝐺 = 𝐽𝐾𝑇 − 𝐽𝐾𝑃
𝑏𝑟
𝑖=1

Terdapat beberapa keuntungan dan kelemahan dari RAL 2 Faktorial yaitu

sebagai berikut.
a. Keuntungan RAL 2 Faktorial:
1. Dapat menghemat waktu dan biaya.
2. Dapat diketahui interaksi 2 faktorial dan besar pengaruh utama.
b. Kelemahan RAL 2 Faktorial:
1. Semakin banyak factor yang diteliti perlakuan kombinasi meningkat.
2. Analisis perhitungan lebih sukar (Harlyan, 2012).
1.2 Rancangan Acak Kelompok Lengkap 2 Faktor
RAKL dua faktor merupakan percobaan faktorial yang terdiri dari dua faktor
dengan RAKL sebagai rancangan dasarnya. Percobaan faktorial dapat juga
diaplikasikan terhadap seluruh unit-unit percobaan secara berkelompok. Hal ini
dilakukan jika unit percobaan yang digunakan tidak homogen. Pengelompokan
dalam suatu RAKL dilakukan dengan maksud untuk memperkecil galat percobaan.
Adapun model linier aditif rancangan acak kelompok lengkap dua faktor adalah
sebagai berikut (GamaStatistika, 7) :
𝑌𝑖𝑗𝑘 = 𝜇 + 𝛼𝑖 + 𝛽𝑗 + (𝛼𝛽)𝑖𝑗 + 𝜌𝑘 + 𝜀𝑖𝑗𝑘
1. 𝑌𝑖𝑗𝑘 = nilai pengamatan pada faktor A taraf ke-i, faktor B taraf ke-j, dan
ulangan ke-k
2. 𝛼𝑖 = pengaruh utama faktor A,
3. 𝛽𝑗 = pengaruh utama faktor B
4. 𝜌𝑘 = merupakan pengaruh kelompok,
5. (𝛼𝛽)𝑖𝑗 = komponen interaksi dari faktor A dan B.

5
 𝑏 2
𝛾2 𝑌̅.𝑗.
𝐹𝐾 = 𝐽𝐾𝐵 = ∑ − 𝐹𝐾
𝑎𝑏𝑟 𝑎𝑟
𝑗=1
𝑎 𝑏 𝑟 𝑎 𝑏2
2 𝑌̅𝑖𝑗.
𝐽𝐾𝑇 = ∑ ∑ ∑ 𝑌𝑖𝑗𝑘 − 𝐹𝐾 𝐽𝐾𝑃 = ∑ ∑ − 𝐹𝐾
𝑟
𝑖=1 𝑗=1 𝑘=1 𝑖=1 𝑗=1
𝑎 2 𝑏 2
𝑌̅𝑖.. 𝑌̅..𝑘
𝐽𝐾𝐴 = ∑ − 𝐹𝐾 𝐽𝐾𝐾 = ∑ − 𝐹𝐾
𝑏𝑟 𝑎𝑏
𝑖=1 𝑖=1

𝐽𝐾𝐴𝐵 = 𝐽𝐾𝑃 − 𝐽𝐾𝐴 − 𝐽𝐾𝐵 𝐽𝐾𝐺 = 𝐽𝐾𝑇 − 𝐽𝐾𝑃 − 𝐽𝐾𝐾

6
2 Deskripsi Kerja

2.1 Studi Kasus

1. Di awal tahun baru, aplikasi buka warung memiliki promo untuk pembelian
e-voucher yaitu promo 1 (cashback untuk pembayaran cicilan dan kartu
kredit), promo 2 (cashback untuk bayar listrik dan pembelian token listrik),
promo 3 (cashback dalam pembelian pulsa dan paket data). Dalam
melakukan transaksi pembayaran, konsumen dapat memilih beberapa
metode pembayaran yaitu metode 1 (transfer), metode 2 (aplikasi dana:
bukadana, bukawallet, dan sejenisnya), metode 3 (kartu kredit/debet
berlogo visa/mastercard). Pengamatan yang tercatat adalah banyaknya
tranksaksi selama 3 hari, yang diulang sebanyak 4 kali.
Ulangan Metode 1 Metode 2 Metode 3
1 34 18 17
2 27 23 25
Promo 1
3 12 12 25
4 25 12 20
1 97 56 34
2 100 34 29
Promo 2
3 120 45 28
4 95 40 30
1 87 35 23
2 102 45 19
Promo 3
3 120 44 24
4 97 50 24
a. Gunakan Faktorial RAL dengan α = 0.05 untuk menarik kesimpulan dari
data tersebut.
b. Lakukan uji Tukey apabila terdapat perbedaan jumlah transaksi pada
jenis promo.
c. Apakah jenis promo dan jenis metode pembayaran signifikan? Jika ya,
maka lakukan uji Tukey kembali untuk jenis promo pada metode
pembayaran 3. Apakah terdapat perbedaan jumlah transaksi berdasarkan
jenis promo pada metode pembayaran 3?

7
 d. Sketsakan grafik interaksi antara jenis promo dan jenis metode
pembayaran.
2. Untuk menentukan jenis promo yang menarik, startup perjalanan TiketGo
melakukan percobaan. Terdapat tiga pilihan jasa yang akan dievaluasi yaitu
jasa tiket penerbangan, jasa tiket kereta, dan jasa pemesanan hotel.
Pelanggan aplikasi di pulau Jawa dibedakan dalam 3 regional yaitu
Regional 1 (Jakarta), Regional 2 (Jawa Barat), dan Regional 3 (Jawa
Tengah, D.I. Yogyakarta, dan Jawa Timur). Untuk menghindari bias karena
perbedaan waktu pengukuran, maka dibuatlah kelompok berdasar hari
pengukuran yaitu: hari 1 (Senin-Selasa-Rabu), hari 2 (Kamis-Jumat), hari 3
(Sabtu-Minggu). Data yang direkam adalah jumlah pengguna yang
melakukan transaksi melalui TiketGo.
Kelompok Regional 1 Regional 2 Regional 3
Hari 1 34 25 30
Penerbangan Hari 2 45 30 48
Hari 3 50 28 52
Hari 1 69 45 66
Kereta Hari 2 100 80 113
Hari 3 102 83 100
Hari 1 25 10 18
Hotel Hari 2 22 12 20
Hari 3 12 6 10
a. Gunakan Faktorial RKAL dengan α = 0.05 untuk menarik kesimpulan
dari data tersebut.
b. Lakukan uji Tukey apabila terdapat perbedaan pada jumlah transaksi
TiketGo terhadap jenis jasa yang disediakan.
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.

8
 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 menggunakan RAL dua
faktor dan terlebih dahulu menginputkan data percobaan yang ditulis
secara kiri hingga ke kanan urut sesuai dengan barisnya menggunakan
sintaks seperti gambar di bawah ini.

Gambar 2.3. Sintaks untuk menginput data studi kasus 1.

4. Setelah itu, praktikan melakukan pendefinisian untuk faktor yang pertama
yaitu promo. Faktor ini terdapat 3 jenis promo dengan perulangan
sebanyak 4 dan length sebanyak 36, digunakan sintaks seperti di bawah
ini.

Gambar 2.4. Sintaks untuk pendefinisian faktor promo.

5. Setelah itu, praktikan juga pendefisinisian untuk faktor yang kedua yaitu
metode. Faktor ini memiliki 3 jenis metode dengan perulangan sebanyak
12 dan length sebanyak 36, digunakan sintaks seperti di bawah ini.

Gambar 2.5. Sintaks untuk pendefinisian factor metode.

9
6. Selanjutnya, praktikan membuat dataframe dengan nama dataframe
“apk” dari data percobaan (transaksi), faktor pertama (promo) dan faktor
kedua (metode), dengan menggunakan sintaks seperti dibawah ini.

Gambar 2.6. Sintaks untuk membuat dataframe studi kasus 1.

7. Selanjutnya praktikan melakukan analisis varians dengan menggunakan
dataframe “apk”. Data transaksi sebagai variabel dependen sedangkan
untuk variabel independen menggunakan interaksi antara faktor promo
dan metode dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.7. Sintaks untuk melakukan analisis variansi studi kasus 1.

8. Lalu praktikan membuat plot interaksi antara metode dengan jenis
perlakuan dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.8. Sintaks untuk plot interaksi antara metode dan jenis
perlakuan.
9. Kemudian, praktikan menggambarkan ulang plot interaksi dengan
mengubah x factor, dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.9. Sintaks plot interaksi dengan mengubah x factor (RAL).

10. Setelah itu, praktikan juga membuat plot design dengan menggunakan
sintaks seperti di bawah ini.

Gambar 2.10. Sintaks untuk plot design studi kasus 1.

11. Untuk studi kasus 2, pertama praktikan melakukan input jumlah
pengguna TiketGo dengan menggunakan sintaks seperti di bawah ini.

10
 Gambar 2.11. Sintaks untuk input data jumlah pengguna TiketGo.
12. Lalu kemudian, praktikan melakukan generisasi faktor untuk jasa
dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.12. Sintaks untuk generasi faktor jasa.

13. Setelah itu, praktikan melakukan generisasi faktor untuk kelompok
dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.13. Sintaks untuk generasi faktor kelompok (hari).

14. Setelah itu, praktikan melakukan generisasi faktor lagi untuk regional
dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.14. Sintaks untuk generasi faktor regional.

15. Kemudian, praktikan membuat dataframe yang terdiri dari jumlah
pengguna, jasa, kelompok, dan regional dengan menggunakan sintaks
seperti di bawah ini.

Gambar 2.15. Sintaks untuk membuat dataframe pengguna TiketGo.

16. Selanjutnya, praktikan melakukan uji ANOVA untuk RAKL 2 faktor
dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.16. Sintaks untuk melakukan uji ANOVA studi kasus 2.

17. Selanjutnya, untuk melihat hasil dari ANOVA digunakan sintaks seperti
di bawah ini.

Gambar 2.17. Sintaks untuk melihat hasil uji ANOVA studi kasus 2.

11
18. Selanjutnya, praktikan melakukan uji Tukey untuk RAKL 2 faktor,
dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.18. Sintaks untuk melakukan uji Tukey studi kasus 2.

19. Selanjutnya, praktikan membuat plot dari hasil uji Tukey dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.19. Sintaks untuk membuat plot uji Tukey studi kasus 2.
20. Kemudian praktikan mencari rata rata perlakuan jasa, dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.20. Sintaks untuk mencari rata-rata perlakuan jasa.

21. Setelah itu, praktikan membuat plot interaksi dengan menggunakan
sintaks seperti di bawah ini.

Gambar 2.21. Sintaks untuk membuat plot interaksi studi kasus 2.

22. Terakhir, praktikan membuat plot design dengan menggunakan sintaks
seperti di bawah ini.

Gambar 2.22. Sintaks untuk membuat plot design studi kasus 2.

12
3 Pembahasan

3.1 Studi Kasus Nomor 1

Studi kasus pertama merupakan studi kasus dengan menggunakan RAL dua
faktor. Langkah pertama yang dilakukan yaitu melakukan input data percobaan
yang ditulis secara kiri ke kanan urut sesuai dengan barisnya menggunakan sintaks
berikut. transaksi =
c(34,18,17,27,23,25,12,12,25,25,12,20,97,56,34,100,34,29,120,45,28
,95,40,30,87,35,23,102,45,19,120,44,24,97,50,24). Lalu praktikan
melakukan pendefinisian terhadap kedua faktor yaitu promo (baris) dan metode
(kolom) dengan menggunakan sintaks promo = gl(3, 4, 36, labels =
c("Promo1", "Promo2", "Promo3")). Berdasarkan sintaks tersebut, faktor yang
dimiliki mempunyai 3 jenis promo dengan perulangan 4 kali dan length sebanyak
36, selain itu ditambahkan juga label sesuai dengan nama promo yaitu Promo 1,
Promo 2 dan Promo 3. Selanjutnya, untuk pendefinisian faktor yang kedua yaitu
metode, dapat menggunakan sintaks metode = gl(3, 12, 36, labels =
c("Metode1", "Metode2", "Metode3")). Dari sintaks tersebut dapat diketahui
bahwa faktor yang kedua memiliki 3 jenis metode pembayaran dengan perulangan
12 kali dan length sebanyak 36. Lalu ditambahkan juga label sesuai dengan nama
metode yang digunakan yaitu Metode1, Metode2 dan Metode3. Kemudian,
praktikan membuat dataframe dengan nama “apk” dari data percobaan (transaksi),
faktor pertama (promo) dan faktor kedua (metode) dengan menggunakan sintaks
apk = data.frame(transaksi, promo, metode) lalu untuk menampilkan
dataframe “apk” dapat menggunakan sintaks dari nama data frame tersebut. Setelah
selesai memasukkan sintaks, run semua sintaks tersebut dan hasilnya akan terlihat
sebagai berikut.

13
 Gambar 3.1. Hasil untuk menampilakn dataframe “apk” studi kasus 1.
Selanjutnya, praktikan melakukan analisis varians dengan menggunakan
dataframe “apk”, dengan variabel dependen-nya yaitu data percobaan (transaksi)
sedangkan untuk variabel independent-nya yaitu interaksi antara faktor promo dan
metode, digunakan sintaks hasil = aov(transaksi~metode*promo, data =
apk). Setelah sintaks dimasukkan klik run dan untuk melihat hasilnya masukkan
sintaks summary(hasil) lalu klik run lagi dan hasilnya akan terlihat seperti berikut
ini.

Gambar 3.2. Hasil analisis varians studi kasus 1.

Berdasarka hasil uji anova di atas dapat diketahui beberapa hal yaitu sebagai
berikut ini :

14
a) Hipotesis
1) Pengaruh utama faktor metode
𝐻0 ∶ 𝛼1 = 𝛼2 = 𝛼3 = 0
𝐻1 : ∃𝛼𝑖 ≠ 0 dengan 𝑖 = 1,2, 3
2) Pengaruh utama faktor promo
𝐻0 ∶ 𝛽1 = 𝛽2 = 𝛽3 = 0
𝐻1 : ∃𝛽𝑗 ≠ 0 dengan 𝑗 = 1,2, 3
3) Pengaruh interaksi
𝐻0 ∶ 𝛼𝛽11 = 𝛼𝛽12 = ⋯ = 𝛼𝛽33 = 0
𝐻1 : ∃𝛼𝛽𝑖𝑗 ≠ 0 dengan 𝑖, 𝑗 = 1,2, 3
b) Taraf Signifikansi
1) Pengaruh utama faktor metode: α = 0.05
2) Pengaruh utama faktor promo: α = 0.05
3) Pengaruh interaksi: α = 0.05
c) Daerah Kritis
𝐻0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝛼;𝑑𝑏1;𝑑𝑏2 atau 𝐻0 ditolak jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
Untuk seluruh pengaruh (pengaruh utama faktor metode, faktor promo dan
interaksi) memiliki daerah kritis yang sama.
d) Statistik Uji
1) Pengaruh utama faktor metode:
𝐾𝑇𝐴 5383
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = = = 5.648
𝐾𝑇𝐺 953
2) Pengaruh utama faktor promo:
𝐾𝑇𝐵 547
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = = = 0.574
𝐾𝑇𝐺 953
3) Pengaruh interaksi
𝐾𝑇𝐴𝐵 113
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = = = 0.119
𝐾𝑇𝐺 953
e) Keputusan
1) Pengaruh utama faktor metode:
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 5.648 > 𝐹0.05;2;27 = 3.354, maka tolak H0
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.00894 < α = 0.05, maka tolak H0

15
 2) Pengaruh utama faktor promo:
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 0.574 < 𝐹0.05;2;27 = 3.354, maka gagal tolak H0
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.57024 > α = 0.05, maka gagal tolak H0
3) Pengaruh interaksi:
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 0.119 < 𝐹0.05;2;27 = 3.354, maka gagal tolak H0
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.97456 > α = 0.05, maka gagal tolak H0
f) Kesimpulan
1) Pengaruh utama faktor metode:
Dengan menggunakan tingkat kepercayaan 95% data yang ada tolak H0,
sehingga dapat dikatakan bahwa minimal terdapat satu metode
pembayaran yang pengaruhnya berbeda terhadap jumlah transaksi.
2) Pengaruh utama faktor promo:
Dengan menggunakan tingkat kepercayaan 95% data yang ada gagal
tolak H0, sehingga dapat dikatakan bahwa tidak ada perlakuan promo
yang pengaruhnya berbeda terhadap jumlah transaksi.
3) Pengaruh interaksi:
Dengan menggunakan tingkat kepercayaan 95% data yang ada gagal
tolak H0, sehingga dapat dikatakan bahwa tidak ada kombinasi
perlakuan metode dan promo yang pengaruhnya berbeda terhadap
jumlah transaksi.
Berdasarkan hasil analisis varians dapat diketahui bahwa tidak terdapat
perbedaan yang signifikan pada baris (promo) dan kolom (metode). Maka tidak
dilakukan uji perbandingan ganda Tukey. Hal ini dibuktikan bahwa nilai daerah
kritis lebih besar dibandingkan nilai selisih rata – rata.

16
 Gambar 3.3. Hasil dari uji tukey studi kasus 1.
Berikutnya praktikan membuat visualiasasi yaitu plot interaksi dan plot
design. Plot interaksi yang pertama yaitu untuk menggambarkan antara metode
dengan jenis perlakuan dengan menggunakan sintaks with(apk,
interaction.plot(metode, promo, transaksi, type = "b", pch
=19,fixed = TRUE, xlab = "Metode", ylab = "Average Transaction"))
Selain plot interaksi diatas, praktikan membuat lagi plot interaksi dengan
mengubah x faktor (urutan faktor ditukar), sebelumnya faktor metode ditulis
terlebih dahulu. Setelah memasukkan sintaks, klik run dan hasilnya akan terlihat
sebagai berikut ini.

17
 Gambar 3.4. Plot interaksi antara metode dengan promo untuk studi kasus 1.

Gambar 3.5. Plot interaksi antara promo dengan metode untuk studi kasus 1.
Berdasarkan hasil di atas didapatkan bahwa rata – rata transaksi lebih banyak
menggunakan metode pembayaran kedua dibandingkan dengan metode yang
lainnya dan juga banyak memilih promo1. Dan tidak ada efek interaksi yang
signifikan.
Selain plot interaksi terdapat juga plot design yang dibuat dengan
menggunakan sintaks plot.design(transaksi~promo+metode+promo*metode,

18
data = apk). Setelah memasukkan sintaks klik run dan hasilnya akan terlihat
seperti berikut ini.

Gambar 3.6. Plot design studi kasus 1.

Berdasarkan plot diatas dapat dilihat bahwa efek metode pembayaran lebih
besar daripada efek promo. Hal tersebut ditunjukkan oleh range variasi rata – rata
transaksi pada metode yang lebih besar daripada range transaksi pada promo.
3.2 Studi Kasus Nomor 2
Untuk studi kasus 2, hal pertama yang perlu dilakukan yaitu menginput data
kedalam R dengan menggunakan sintaks tiket = c(34,25,30,45,30,48,50,28,
52,69,45,66,100,80,113,102,83,100,25,10,18,22,12,20,12,6,10)dengan

“tiket” merupakan nama vektor. Yang kemudian dilanjutkan dengan generisasi

faktor untuk jenis jasa dengan perintah gl yaitu jasa=gl(3,9,labels=
c(“Penerbangan”, “Kereta”, “Hotel”) sehingga dihasilkan perulangan setiap
3 jenis jasa sebanyak 9 kali untuk masing masing jenis jasa berturut turut dari
Penerbangan sampai Hotel hingga jumlah nya 36. Begitu pula untuk generisasi
faktor untuk kelompok digunakan sintaks kelompok=gl(3,3,27,labels=

c(“H1”, “H2”, “H3”)), sehingga dihasilkan berupa perulangan setiap 3 kelompok

sebanyak 3 kali untuk masing-masing kelompok berturut turut dari Hari 1 sampai
Hari 3 hingga jumlah nya 27. Generisasi faktor terakhir untuk regional dengan

19
perintah gl digunakan sintaks regional=gl(3,1,27,labels= c(“R1”, “R2”,
“R3”)sehingga dihasilkan perulangan setiap 3 regional sebanyak 1 kali untuk
masing masing regional berturut turut dari regional 1 sampai regional 3 hingga
jumlah nya 27. Yang kemudian data pengguna TiketGo, generisasi faktor untuk jenis
jasa, kelompok dan regional digabungkan menjadi satu membentuk sebuah
dataframe dengan nama TiketGo menggunakan sintaks tiketgo=data.frame
(tiket,jasa,kelompok,regional). Setelah dimasukkan semua sintaks panggil
data dengan menggunakan sintaks tiketgo, lalu klik run dan akan terlihat hasil
sebagai berikut ini.

Gambar 3.7. Hasil pendefinisian penjualan semua jenis buku di zona 1.

Kemudian dilanjutkan dengan melakukan uji ANOVA untuk RAKL 2 faktor
dengan menggunakan sintaks tiket.aov-aov(tiket~jasa*regional+

kelompok,data=tiketgo)dan untuk melihat hasilnya menggunakan sintaks

summary(tiket.aov). Setelah dimasukkan semua sintaks klik run dan akan
terlihat hasil sebagai berikut ini.

Gambar 3.8. Hasil uji ANOVA studi kasus 1.

20
 Berdasarkan gambar di atas, dari uji homoskedastisitas didapatkan hasil
seperti berikut ini:
a) Hipotesis
1) Pengaruh utama jenis jasa
𝐻0 ∶ 𝛼1 = 𝛼2 = 𝛼3 = 0
𝐻1 : ∃𝛼𝑖 ≠ 0 dengan 𝑖 = 1, 2, 3
2) Pengaruh utama regional
𝐻0 ∶ 𝛽1 = 𝛽2 = 𝛽3 = 0
𝐻1 : ∃𝛽𝑗 ≠ 0 dengan 𝑗 = 1, 2, 3
3) Pengaruh interaksi
𝐻0 ∶ 𝛼𝛽11 = 𝛼𝛽12 = ⋯ = 𝛼𝛽33 = 0
𝐻1 : ∃𝛼𝛽𝑖𝑗 ≠ 0 dengan 𝑖, 𝑗 = 1, 2, 3
4) Pengaruh kelompok
𝐻0 ∶ 𝜌1 = 𝜌2 = 𝜌3 = 0
𝐻1 : ∃𝜌𝑘 ≠ 0 dengan k = 1, 2, 3
b) Tingkat signifikansi
α = 0.05
c) Daerah kritis
𝐻0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝛼;𝑑𝑏1;𝑑𝑏2 atau 𝐻0 ditolak jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
d) Statistik uji
1) Pengaruh utama jenis jasa
𝐾𝑇𝐴 11186
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = = = 90.943
𝐾𝑇𝐺 123
2) Pengaruh utama regional
𝐾𝑇𝐵 716
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = = = 5.821
𝐾𝑇𝐺 123
3) Pengaruh interaksi
𝐾𝑇𝐴𝐵 56
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = = = 0.455
𝐾𝑇𝐺 123
4) Pengaruh kelompok
𝐾𝑇𝐾 690
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = = = 5.609
𝐾𝑇𝐺 123

21
e) Keputusan
1) Pengaruh utama jenis jasa
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 90.943 > 𝐹0.05;2;16 = 3.63, maka tolak H0
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 1.8 𝑥 𝑒 −9 < α = 0.05, maka tolak H0
2) Pengaruh utama regional
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 5.821 > 𝐹0.05;2;16 = 3.63, maka tolak H0
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.0125 < α = 0.05, maka tolak H0
3) Pengaruh interaksi
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 0.455 < 𝐹0.05;4;16 = 3.01, maka gagal tolak H0
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.7692 > α = 0.05, maka gagal tolak H0
4) Pengaruh kelompok
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 5.609 > 𝐹0.05;2;16 = 3.63, maka tolak H0
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.0141 < α = 0.05, maka tolak H0
f) Kesimpulan
1) Pengaruh utama jenis jasa
Dengan menggunakan tingkat kepercayaan 95% data yang ada tolak H0,
sehingga dapat dikatakan bahwa minimal terdapat satu perlakuan jenis jasa
yang pengaruhnya berbeda terhadap penggunaan TiketGo.
2) Pengaruh utama regional
Dengan menggunakan tingkat kepercayaan 95% data yang ada tolak H0,
sehingga dapat dikatakan bahwa minimal terdapat satu perlakuan jenis
buku yang pengaruhnya berbeda terhadap penggunaan TiketGo.
3) Pengaruh interaksi
Dengan menggunakan tingkat kepercayaan 95% data yang ada gagal tolak
H0, sehingga dapat dikatakan bahwa kombinasi perlakuan jenis jasa dan
regional pengaruhnya sama terhadap penggunaan TiketGo.
4) Pengaruh kelompok
Dengan menggunakan tingkat kepercayaan 95% data yang ada tolak H0,
sehingga dapat dikatakan bahwa minimal terdapat satu kelompok yang
pengaruhnya berbeda terhadap penggunaan TiketGo.

22
 Selanjutnya, untuk uji Tukey praktikan menggunakan perintah TukeyHSD
dimana model digunakan adalah model yang sama dengan model untuk uji ANOVA
yang mana sintaks-nya adalah TukeyHSD(tiket.aov, which=”jasa”,ordered =
TRUE). Setelah sintaks dimasukkan klik run dan hasilnya akan terlihat seperti
berikut ini.

Gambar 3.9. Hasil uji Tukey studi kasus 2.

Berdasarkan gambar di atas, dapat dilihat bahwa kriteria keputusan
menggunakan P-value menunjukkan tolak H0 pada pasangan penerbangan - hotel,
kereta - hotel, dan kereta - penerbangan artinya terdapat perbedaan siginifikan pada
pasangan perlakuan penerbangan - hotel, kereta - hotel, dan kereta - penerbangan.
Untuk memperkuat hasil dari Uji Tukey maka dibuat plot dari hasil uji Tukey
dengan sintaks plot(TukeyHSD(tiket.aov,which=”jasa”),las=1). Setelah
sintaks telah dimasukkan, klik “run” dan hasilnya akan terlihat seperti berikut ini.

Gambar 3.10. Plot uji Tukey studi kasus 2.

Pada plot diatas terlihat bahwa yaitu dengan adanya garis horizontal pada
ketiga pasangan perlakuan tidak melewati garis putus-putus (0), yang menunjukkan
bahwa keputusan yang diperoleh adalah tolak H0, artinya ketiga perlakukan berbeda
signifikan.
Selanjutnya praktikan melihat rata-rata pengguna jasa dengan sintaks
mean_jasa=with(subset(tiketgo),aggregate(tiket,list(jasa=jasa),mea

23
n)), setelah itu panggil kembali data dengan menggunakan sintaks mean_jasa,
setelah itu run dan akan muncul hasil sebagai berikut ini.

Gambar 3.11. Rata-rata pengguna jenis jasa TiketGo.

Berdasarkan uji Tukey dapat diketahui bahwa jenis jasa yang memberikan
pengaruh terbesar adalah kereta karena memiliki rata rata perlakuan paling tinggi
diantara jasa lainnya yaitu 84,22.
Selanjutnya, praktikan membuat plot design untuk melihat faktor mana
yang memiliki pengaruh lebih besar untuk jumlah penggunaan jasa di TiketGo yang
mana sintaks-nya adalah with(tiketgo,interaction.plot(regional,jasa,
tiket,xlab=”Regional”,ylab = “Rata-Rata Jumlah Pengguna TiketGo”,

fixed=TRUE, type=”b”,pch=9)). Setelah itu run sintaks tersebut dan akan

muncul hasil seperti berikut ini.

Gambar 3.12. Plot design studi kasus 2.

Berdasarkan plot design diatas terlihat bahwa pengaruh jenis jasa pada
penggunaan jasa di TiketGo lebih besar dari pada pengaruh regional dan kelompok.
Hal tersebut ditunjukkan oleh range variasi penggunaan TiketGo pada jenis jasa
lebihbesar daripada range variasi lainnya.
Selanutnya, praktikan membuat plot interaksi dengan menggunakan sintaks
with(tiketgo,interaction.plot(jasa,regional,tiket,xlab=”Regional”,
ylab = “Rata-Rata Jumlah Pengguna TiketGo”, fixed=TRUE,

24
type=”b”,pch=9)). Setelah memasukkan sintaks klik run dan hasilnya akan
terlihat seperti berikut ini.

Gambar 3.13. Plot interaksi pengguna TiketGo berdasarkan regional dan jenis
jasa.
Pada gambar diatas terlihat bahwa jenis jasa yang paling sedikit digunakan
adalah hotel dan terlihat juga bahwa garis jenis jasa tidak ada yang bersinggungan
yang artinya tidak ada interaksi antar ketiga jenis jasaa. Untuk plot interaksi kedua
digunakan sintaks plot.design(tiket~jasa*region+tiket+kelompok,

data=tiketgo), setelah memasukkan sintaks klik run dan hasilnya akan terlihat
seperti berikut ini.

Gambar 3.14. Plot interaksi pengguna TiketGo berdasarkan jenis jasa dan
regional.

25
 Berdasarkan gambar di atas terlihat bahwa regional 2 merupakan regional
yang memiliki angka penggunaan paling rendah diantara ketiga regional yang ada,
dan terlihat garis regional 1 dan regional 3 bersinggung yang artinya terdapat
interaksi antara kedua regional tersebut.

26
4 Penutup

4.1 Kesimpulan
Dari hasil praktik dan pembahasan pada bab-bab sebelumya praktikan dapat
mengambil beberapa kesimpulan yaitu :
1. Rancangan Acak Lengkap Faktorial merupakan rancangan acak lengkap
yang terdiri dari dua atau lebih peubah bebas (faktor), misal ada dua
faktor dalam klasifikasi silang yaitu faktor A yang terdiri dari a taraf dan
faktor B yang terdiri dari b taraf dan diduga kedua faktor tersebut diduga
saling berinteraksi.
2. RAKL dua faktor merupakan percobaan faktorial yang terdiri dari dua
faktor dengan RAKL sebagai rancangan dasarnya. Percobaan faktorial
dapat juga diaplikasikan terhadap seluruh unit-unit percobaan secara
berkelompok. Hal ini dilakukan jika unit percobaan yang digunakan tidak
homogen.
3. Berdasarkan pembahasan dari studi kasus dibab sebelumnya di dapatkan
bahwa :
• Untuk studi kasus pertama dengan menggunakan RAL dua faktor
tidak ada faktor yang signifikan atau dengan kata lain nilai yang
signifikan hanya pada faktor metode. Pada studi kasus ini juga
tidak dilakukan uji Tukey karena tidak terdapat perbedaan pada
jumlah transaksi pada jenis promo. Plot interaksi antara jenis
promo dan jenis metode pembayaran terlihat tidak signifikan.
Range variansi rata – rata pada jenis metode pembayaran lebih
besar daripada jenis promo.
• Untuk studi kasus kedua didapatkan pengaruh utama jenis jasa,
hasil menunjukkan bahwa tolak H0, denga demikian minimal
terdapat satu perlakuan jenis jasa yang pengaruhnya berbeda
terhadap penggunaan TiketGo. Pada pengaruh utama faktor
buku, hasil menunjukkan bahwa tolak H0, dengan demikian
minimal terdapat satu perlakuan jenis buku yang pengaruhnya

27
berbeda terhadap penggunaan TiketGo. Pada pengaruh
interaksi, hasil menunjukkan bahwa gagal tolak H0, dengan
demikian kombinasi perlakuan jenis jasa dan regional
pengaruhnya sama terhadap penggunaan TiketGo. Pada
pengaruh kelompok, hasil menunjukkan bahwa tolak H0, dengan
demikian minimal terdapat satu kelompok yang pengaruhnya
berbeda terhadap penggunaan TiketGo. Terdapat perbedaan
siginifikan pada pasangan perlakuan penerbangan-hotel, kereta-
hotel, dan kereta-penerbangan. Jenis jasa yang memberikan
pengaruh terbesar adalah kereta karena memiliki rata rata
perlakuan paling tinggi diantara jasa lainnya yaitu 84,22.
Pengaruh jenis jasa pada penggunaan jasa di TiketGo lebih besar
dari pada pengaruh regional dan kelompok. Hal tersebut
ditunjukkan oleh range variasi penggunaan TiketGo pada jenis
jasa lebih besar daripada range variasi lainnya. Jenis jasa yang
paling sedikit digunakan adalah hotel dan terlihat juga bahwa
garis jenis jasa tidak ada yang bersinggungan yang artinya tidak
adainteraksi antar ketiga jenis jasaa. Untuk plot interaksi kedua
yaitu sebagai berikut. Regional 2 merupakan regional yang
memiliki angka penggunaan paling rendah diantara ketiga
regional yang ada dan terlihat pula garis regional 1 dan regional
3 bersinggungan yang artinya terdapat interaksi antara kedua
zona tersebut.

28
5 Daftar Pustaka

Agung. (2020, June 7). RAL dan RAK 2 Faktorial atau Lebih. Retrieved from
https://agungbudisantoso.com: https://agungbudisantoso.com/ral-dan-rak-
2-faktorial-atau-lebih/
GamaStatistika. (7, June 2022). Mengenal Metode RAKF (Rancangan Acak
Kelompok Faktorial). Retrieved from gamastatistika.com:
https://gamastatistika.com/2022/06/07/mengenal-metode-rakf-rancangan-
acak-kelompok-faktorial/
Harlyan, L. I. (2012, Desember 15). RAL Faktorial. Retrieved from
http://ledhyane.lecture.ub.ac.id/files/2012/12/RAL-Faktorial.pdf
Munte, S. (2015, Desember 26). Pertemuan 11 RAL Faktorial. Retrieved from
uma.ac.id: https://abdulkadir.blog.uma.ac.id/wp-
content/uploads/sites/260/2015/12/Pertemuan-11-RAL-
Faktorial.pptx#:~:text=Rancangan%20Acak%20Lengkap%20Faktorial%2
0merupakan,faktor%20tersebut%20diduga%20saling%20berinteraksi
Setiawan, A. (n.d.). RAL Faktorial. Retrieved from www.smartstat.info:
https://www.smartstat.info/materi/rancangan-percobaan/ral-faktorial/ral-
faktorial.html

29