UJIAN TENGAH SEMESTER

Praktikum Desain dan Analisis Data Eksperimen II

Diajukan Untuk Memenuhi Nilai Mata Kuliah Desain dan Analisis Data Eksperimen II

Disusun Oleh:
Muhammad Ario Winaya (140610210050)

Dosen:

Sri Winarni, S.Si., M.Si..

Aslab:
Arum Putri Juniarsih (140610210006)
Neng Alya Salsabila (140610200046)

PROGRAM STUDI S-1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
TAHUN 2023
 1. Di suatu daerah hanya ada dua restoran yang buka 24 jam setiap hari. Masing-masing restoran
mempunyai karyawan bertugas di salah satu giliran di antara tiga giliran yang ada. Selama tiga
haridiamati jumlah alat-alat yang pecah untuk tiap giliran, Keenam kombinasi perlakuan (dua
restoran hasil tiga giliran ) diambil secara acak tiap hari penelitian dilakukan. Diperoleh data
berikut :

Dengan mengambil hari sebagai blok dan eksperimen dilakukan menggunakan faktorial dalam
desain blok acak,
a. Tuliskan model matematis yang cocok dengan arti lambang dan asumsi-asumsi yang
perlu
b. Turunkan EKT-nya dan susun daftar ANAVA-nya
c. Kerjakan analisis datanya dan beri kesimpulannya
Jawab :

Data setelah ditambahkan NPM

Restoran 1 Restoran 2
Giliran
1 2 3 1 2 3
67 68 68 67 70 67
Hari 1 67 65 67 65 64 69
64 64 64 69 72 74
77 69 73 65 76 68
Hari 2 75 70 65 68 78 65
80 69 78 67 76 71
 63 64 65 66 65 74
Hari 3 67 65 67 63 67 73
64 63 63 68 63 71
Model Matematis

𝑌𝑖𝑗𝑘 = 𝜇 + A𝑖 + B𝑗 + AB𝑖𝑗 + C𝑘 + 𝜀𝑖𝑗𝑘

𝑌𝑖𝑗𝑘 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑎𝑙𝑎𝑡 𝑦𝑎𝑛𝑔 𝑟𝑢𝑠𝑎𝑘 𝑝𝑎𝑑𝑎 𝑓𝑎𝑘𝑡𝑜𝑟 𝑘𝑒 − 𝑖 & 𝑘𝑒 − 𝑗 𝑑𝑒𝑛𝑔𝑎𝑛 𝑟𝑒𝑝𝑙𝑖𝑘𝑎𝑠𝑖 k

µ = 𝑅𝑎𝑡𝑎𝑎𝑛 𝑢𝑚𝑢𝑚

A𝑖 =Efek taraf ke-I faktor resto

B𝑗 =Efek taraf ke-j faktor giliran

AB𝑖𝑗 =Efek interaksi ke-I (giliran) dan ke-j (resto) hari

C𝑘 =Efek taraf ke-k faktor hari

𝜀𝑖𝑗𝑘 =Efek error

Asumsi
3 4

∑ 𝐺𝑖 = ∑ 𝑅𝑗 = 0
𝑗=1 𝑘=1

𝜀𝑖𝑗𝑘 ~𝑁𝐼𝐷(0, 𝜎𝜀2 )

Tabel penentuan EKT

Tetap Tetap Acak Acak

Sumber i j k n EKT Pembanding

3 2 3 3

Tetap 𝐴𝑖 0 2 3 3 18𝑄𝐴 + 𝜎𝜀 2 KT(ϵ)

Tetap 𝐵𝑗 3 0 3 3 27𝑄𝐵 + 𝜎𝜀 2 KT(ϵ)

Acak 𝐶𝑘 3 2 1 3 18𝜎𝐶 2 + 𝜎𝜀 2 KT(ϵ)

Acak 𝐴𝐵𝑖𝑗 0 0 3 3 9𝜎𝐶 2 + 𝜎𝜀 2 KT(ϵ)

𝜺𝑖𝑗𝑘 1 1 1 1

Hipotesis
- Pengaruh faktor resto (A)
𝐻0 ∶ 𝜎𝐴 2 = 0 (𝑇𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑝𝑒𝑛𝑔𝑎𝑟𝑢ℎ 𝑓𝑎𝑘𝑡𝑜𝑟 𝑟𝑒𝑠𝑡𝑜 𝑡𝑒𝑟ℎ𝑎𝑑𝑎𝑝 𝑎𝑙𝑎𝑡 𝑦𝑎𝑛𝑔 𝑟𝑢𝑠𝑎𝑘)
𝐻1 ∶ 𝜎𝐴 2 ≠ 0 (𝑇𝑖𝑑𝑎𝑘 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑝𝑒𝑛𝑔𝑎𝑟𝑢ℎ 𝑓𝑎𝑘𝑡𝑜𝑟 𝑟𝑒𝑠𝑡𝑜 𝑡𝑒𝑟ℎ𝑎𝑑𝑎𝑝 𝑎𝑙𝑎𝑡 𝑦𝑎𝑛𝑔 𝑟𝑢𝑠𝑎𝑘)

- Pengaruh faktor giliran (B)

𝐻0 ∶ 𝜎𝐵 2 = 0 (𝑇𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑝𝑒𝑛𝑔𝑎𝑟𝑢ℎ 𝑓𝑎𝑘𝑡𝑜𝑟 giliran 𝑡𝑒𝑟ℎ𝑎𝑑𝑎𝑝 𝑎𝑙𝑎𝑡 𝑦𝑎𝑛𝑔 𝑟𝑢𝑠𝑎𝑘)
𝐻1 ∶ 𝜎𝐵 2 ≠ 0 (𝑇𝑖𝑑𝑎𝑘 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑝𝑒𝑛𝑔𝑎𝑟𝑢ℎ 𝑓𝑎𝑘𝑡𝑜𝑟 giliran 𝑡𝑒𝑟ℎ𝑎𝑑𝑎𝑝 𝑎𝑙𝑎𝑡 𝑦𝑎𝑛𝑔 𝑟𝑢𝑠𝑎𝑘)

- Pengaruh faktor hari (C)

𝐻0 ∶ 𝜙𝐶 2= 0 (𝑇𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑝𝑒𝑛𝑔𝑎𝑟𝑢ℎ 𝑓𝑎𝑘𝑡𝑜𝑟 hari 𝑡𝑒𝑟ℎ𝑎𝑑𝑎𝑝 𝑎𝑙𝑎𝑡 𝑦𝑎𝑛𝑔 𝑟𝑢𝑠𝑎𝑘)

𝐻1 ∶ 𝜙𝐶 2 ≠ 0 (𝑇𝑖𝑑𝑎𝑘 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑝𝑒𝑛𝑔𝑎𝑟𝑢ℎ 𝑓𝑎𝑘𝑡𝑜𝑟 hari 𝑡𝑒𝑟ℎ𝑎𝑑𝑎𝑝 𝑎𝑙𝑎𝑡 𝑦𝑎𝑛𝑔 𝑟𝑢𝑠𝑎𝑘)

- Pengaruh faktor interaksi resto dan giliran(AB)

𝐻0 ∶ 𝜙𝐶 2= 0 (𝑇𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑝𝑒𝑛𝑔𝑎𝑟𝑢ℎ 𝑓𝑎𝑘𝑡𝑜𝑟 interaksi resto dan giliran 𝑡𝑒𝑟ℎ𝑎𝑑𝑎𝑝 𝑎𝑙𝑎𝑡 𝑦𝑎𝑛𝑔
𝑟𝑢𝑠𝑎𝑘)

𝐻1 ∶ 𝜙𝐶 2 ≠ 0 (𝑇𝑖𝑑𝑎𝑘 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑝𝑒𝑛𝑔𝑎𝑟𝑢ℎ 𝑓𝑎𝑘𝑡𝑜𝑟 interaksi resto dan giliran 𝑡𝑒𝑟ℎ𝑎𝑑𝑎𝑝 𝑎𝑙𝑎𝑡
𝑦𝑎𝑛𝑔 𝑟𝑢𝑠𝑎𝑘)

Taraf signifikansi
𝛼 = 5%
 Perhitungan dengan software R
Dengan menggunakan software R, didapatkan tabel ANOVA sebagai berikut:
> A=c(rep(1:2,each=3,time=9))
> B=c(rep(1:3,time=18))
> C=c(rep(1:3,each=18))
> respon <- c(67, 68, 68, 67, 70, 67,
+ 67, 65, 67, 65, 64, 69,
+ 64, 64, 64, 69, 72, 74,
+ 77, 69, 73, 65, 76, 68,
+ 75, 70, 65, 68, 78, 65,
+ 80, 69, 78, 67, 76, 71,
+ 63, 64, 65, 66, 65, 74,
+ 67, 65, 67, 63, 67, 73,
+ 64, 63, 63, 68, 63, 71)
> data=data.frame(A=factor(A),B=factor(B), C=factor(C),respon=respon)
> KT = aov(respon~A+B+A*B+C, data = data)
> summary(KT)
Df Sum Sq Mean Sq F value Pr(>F)
A 1 16.7 16.67 1.229 0.273337
B 2 11.7 5.85 0.432 0.652094
C 2 304.5 152.24 11.228 0.000107 ***
A:B 2 112.0 56.00 4.130 0.022409 *
Residuals 46 623.7 13.56
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Kriteria Uji

𝑇𝑜𝑙𝑎𝑘 𝐻0 𝑗𝑖𝑘𝑎 𝐹 − ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹 − 𝑡𝑎𝑏𝑒𝑙 𝑎𝑡𝑎𝑢 𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼

Keputusan

• Faktor A (Resto)
𝐾𝑎𝑟𝑒𝑛𝑎 𝑃 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼, 𝑚𝑎𝑘𝑎 𝐻0 𝑑𝑖𝑡𝑒𝑟𝑖𝑚𝑎
• Faktor B (Giliran)
𝐾𝑎𝑟𝑒𝑛𝑎 𝑃 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼, 𝑚𝑎𝑘𝑎 𝐻0 𝑑𝑖𝑡𝑒𝑟𝑖𝑚𝑎
• Faktor Blok (Hari)
K𝑎𝑟𝑒𝑛𝑎 𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, 𝑚𝑎𝑘𝑎 𝐻0 𝑑𝑖𝑡𝑜𝑙𝑎𝑘
• Interaksi 𝐴 × B (Resto × Giliran)
K𝑎𝑟𝑒𝑛𝑎 𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, 𝑚𝑎𝑘𝑎 𝐻0 𝑑𝑖𝑡𝑜𝑙𝑎𝑘

Kesimpulan

Dengan taraf signifikansi 5%, dapat disimpulkan bahwa faktor resto dan giliran tidak berpengaruh
signifikan terhadap banyak alat yang pecah. Sedangkan faktor hari dan interaksi antara resto dengan
giliran berpengaruh signifikan terhadap banyak alat yang pecah.
2. Percobaan mengenai kekuatan suatu lempengan baja diperkirakan dipengaruhi oleh
temperature danlamanya waktu pembakaran ketika proses pencetakan dilakukan. Dalam
percobaan ini dilakukan pada suatu alat pemanas dengan memilih temperature secara acak
kemudian 3 lempengan dimasukan alat tersebut dan dipanaskan, setelah 10 menit lempengan
pertama diambil dan dicatat hasilnya, kemudian setelah 20 menit lempengan kedua diambil
dan diperiksa, dan terahir lempengan ketiga diambil dan diperiksa setelah dipanaskan selama
30 menit, percobaan ini diulang sampai empat kaliuntuk empat shift yang berbeda. Data hasil
percobaan diperoleh sebagai berikut:

Desain apa yang digunakan dalam percobaan tersebut, bagaimana model matematisnya dan
asumsinya, lakukan analisisnya, buat kesimpulannya
Jawab :
Desain yang cocok digunakan dalam analisis ini adalah desain split plot. Desain split plot
merupakan suatu bentuk khusus dari desain faktorial, di mana kombinasi perlakuan diacak
secara bertahap. Dalam desain ini, faktor-faktor perlakuan dibagi menjadi dua kelompok yang
berbeda, yaitu kelompok petak utama (whole plot) dan kelompok anak petak (sub plot).
Data setelah ditambah dengan NPM
Waktu
Temperature (T)
Shift ( R ) (Menit)
(B ) 1500 1600
10 112 138
1 20 103 140
30 110 111
10 99 129
2 20 101 121
30 108 118
10 97 122
3 20 123 130
30 120 118
10 103 137
4 20 97 141
30 108 113

Model Matematis
𝑌𝑖𝑗𝑘 = 𝜇 + 𝑆𝑖 + 𝑇𝑗 + 𝑆𝑇𝑖𝑗 + 𝑊𝑘 + 𝑆𝑊𝑖𝑘 + 𝑇𝑊𝑗𝑘 + 𝑆𝑇𝑊𝑖𝑗𝑘 + 𝜀𝑚(𝑖𝑗𝑘)
𝑑𝑒𝑛𝑔𝑎𝑛 𝑖 = 1,2,3 ; 𝑗 = 1,2,3,4 ; 𝑘 = 1,2,3 𝑑𝑎𝑛 𝑚 = 1
Keterangan:
𝑌𝑖𝑗𝑘 = Hasil pengamatam pada Shift ke i, Temperature ke j, dan Waktu ke k
𝑆𝑖 = efek blok ke i (efek Shift ke i)
𝑇𝑗 = efek taraf ke j faktor Temperature

𝑆𝑇𝑖𝑗 = error plot

𝑊𝑘 = efek perlakukan sub plot (Waktu)
𝑆𝑊𝑖𝑘 = interaksi Shift dan Waktu
𝑇𝑊𝑗𝑘 = interaksi Temperature dan Waktu
𝑆𝑇𝑊𝑖𝑗𝑘= interaksi Shift, Temperature, dan Waktu (error sub plot)

𝜀𝑚(𝑖𝑗𝑘) = kekliruan eksperimen

Asumsi
3 4 3

∑ 𝐵𝑗 = ∑ 𝐶𝑘 = ∑ 𝐵𝐶𝑗𝑘 = 0
𝑗=1 𝑘=1 𝑗=1

𝐴𝑖 ~𝑁𝐼𝐷(0, 𝜎𝐴2 )
2 )
𝐴𝐶𝑖𝑘 ~𝑁𝐼𝐷(0, 𝜎𝐴𝐶
2
𝐴𝐵𝑖𝑗 ~𝑁𝐼𝐷(0, 𝜎𝐴𝐵 )
2
𝐴BC𝑖𝑗𝑘 ~𝑁𝐼𝐷(0, 𝜎𝐴𝐵𝐶 )

𝜀𝑚(𝑖𝑗𝑘) ~𝑁𝐼𝐷(0, 𝜎𝜀2 )

Hipotesis
➢ Efek Faktor Temperature
𝐻0 ∶ 𝑇𝑗 = 0 (Tidak terdapat pengaruh temperature terhadap kekuatan suatu lempengan
baja)
𝐻1 ∶ 𝑇𝑗 ≠ 0 (Terdapat pengaruh temperature terhadap kekuatan suatu
lempenganbaja)
➢ Efek Perlakuan Waktu
𝐻0 ∶ 𝑊𝑘 = 0 (Tidak terdapat pengaruh waktu terhadap kekuatan suatu lempengan baja)
𝐻1 ∶ 𝑊𝑘 ≠ 0 (Terdapat pengaruh waktu terhadap kekuatan suatu lempengan baja)
➢ Interaksi Temperature dan Waktu
𝐻0 ∶ 𝑇𝑊𝑗𝑘 = 0 (Tidak terdapat pengaruh interaksi antara temperature
dengan waktuterhadap kekuatan suatu lempengan baja)
𝐻1 ∶ 𝑇𝑊𝑗𝑘 ≠ 0 (Terdapat pengaruh interaksi antara temperature dengan waktu
terhadap kekuatan suatu lempengan baja)
Taraf Signifikansi
𝛼 = 5%
Statistik Uji
Uji F pada ANAVA
 Menghitung ANAVA
- Daftar 𝑖 × 𝑗 × 𝑘
Temperature 1500 Temperature 1600
Shift
10 20 30 10 20 30
1 112 103 110 138 140 111
2 99 101 180 129 121 118
3 97 123 120 122 130 118
4 103 97 108 137 141 113

- Daftar 𝑖 × 𝑗

Temperature
Shift
1500 1600
1 325 389
2 308 368
3 340 370
4 308 391
Jumlah 1281 1518

- Daftar 𝑖 × 𝑘
Waktu (Mencat)
Shift Jumlah
10 20 30
1 250 243 221 714
2 228 222 226 676
3 219 253 238 710
4 240 238 221 699

- Daftar 𝑗 × 𝑘
Waktu Temperature
Jumlah
(Menit) 1500 1600
10 411 526 937
20 424 532 956
30 446 460 906
Menghitung jumlah kuadrat

∑ 𝑌 2 = 1122 + 1032 + ⋯ + 1132 = 330837

𝐼…2 (2799)2
𝐽𝐾𝑅 = = = 326433.375
𝑁 24
𝐽𝐾𝑇 = ∑ 𝑌 2 − 𝐽𝐾𝑅 = 4403.625

(325)2 + (312)2 + ⋯ + (368)2

𝐽𝑆𝑇 = − 326433.375 = 2726.291
3
 (250)2 + (228)2 + ⋯ + (221)2
𝐽𝑆𝑊 = − 326433.375 = 783.125
2
(411)2 + (424)2 + ⋯ + (460)2
𝐽𝑇𝑊 = − 326433.375 = 3294.875
2
(714)2 + (748)2 + (710)2 + (699)2
𝐽𝐾𝑆 = − 326433.375 = 145.458
6
(1281)2 + (1581)2
𝐽𝐾𝑇 = − 326433.375 = 2340.375
12
(937)2 + (956)2 + (906)2
𝐽𝐾𝑊 = − 326433.375 = 159.25
6
𝐽𝐾𝑆𝑇 = 𝐽𝑆𝑇 − 𝐽𝐾𝑆 − 𝐽𝐾𝑇 = 2726.291 − 145.458 − 2340.375 = 240,4583
𝐽𝐾𝑆𝑊 = 𝐽𝑆𝑊 − 𝐽𝐾𝑆 − 𝐽𝐾𝑊 = 783.125 − 145.4583 − 159.25 = 478.4167
𝐽𝐾𝑇𝑊 = 𝐽𝑇𝑊 − 𝐽𝐾𝑇 − 𝐽𝐾𝑊 = 3294.875 − 2340.375 − 159.25 = 795.25
𝐽𝐾𝑆𝑇𝑊 = 𝐽𝐾𝑇 − 𝐽𝐾𝑆 − 𝐽𝐾𝑇 − 𝐽𝐾𝑊 − 𝐽𝐾 𝑆𝑇 − 𝐽𝐾 𝑆𝑊 − 𝐽𝐾 𝑇𝑊
= 4403.625 − 145.4583 − 2340.375 − 159.25 − 240.4583
− 478.4167 − 795.25 = 244.4167
Tabel ANAVA

Sumber F F
db JK KT Keterangan
Variasi hitung tabel
Plot 𝑆𝑖 3 145.4583 48.48611
Induk 𝑇𝑗 1 2340.375 2340.375 29.198 10.13 Signifikan
: 𝑆𝑇𝑖𝑗 3 240.458 80.152
Tidak
𝑊𝑘 2 159.25 79.625 0.998 5.14
Signifikan
Split 𝑆𝑊𝑖𝑘 6 478.417 79.736
Plot : 𝑇𝑊𝑗𝑘 2 795.250 397.625 9.761 5.14 Signifikan
𝑆𝑇𝑊𝑖𝑗𝑘 6 244.417 40.736

Kriteria Uji
Tolak 𝐻0 jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 ≥ 𝐹𝑡𝑎𝑏𝑒𝑙 . terima dalam hal lainnya
Keputusan
• Efek Faktor Temperature
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 29.1989 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 10.13 maka 𝐻0 ditolak artinya faktor temperature berpengaruh
secara signifikan terhadap terhadap kekuatan suatu lempengan baja
• Efek Perlakuan Waktu
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 0.9986 < 𝐹𝑡𝑎𝑏𝑒𝑙 = 5.14 maka 𝐻0 diterima artinya perlakuan waktu tidak berpengaruh
 secara signifikan terhadap terhadap kekuatan suatu lempengan baja
• Interaksi Temperature dan Waktu
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 9.761 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 5.14 maka 𝐻0 ditolak artinya interaksi antara temperature dengan
waktu berpengaruh secara signifikan terhadap terhadap kekuatan suatu lempengan baja
Kesimpulan
Berdasarkan analisis variansi (ANOVA) dengan tingkat signifikansi 5%, dapat disimpulkan
bahwa faktor suhu dan interaksi antara suhu dengan waktu secara signifikan mempengaruhi
kekuatan lempengan baja. Namun, faktor waktu tidak memiliki pengaruh signifikan terhadap
kekuatan lempengan baja.
3. Pabrik kimia akan memproduksi sebuah bejana tekan. Terdapat empat factor yang diduga akan
mempengaruhi kecepatan filtrasi bejana, yaitu Suhu (A), tekanan (B), konsentrasi
formaldechyde (C), dan kecepatan pengadukan (D). Percobaan dilakukan dengan blok dan
pembauran dalam desain yang tidak direplikasi. Anggaplah bahwa 24 kombinasi perlakuan
tidak dapat dijalankan semuanya menggunakan satu batch bahan baku. Eksperimen dapat
menjalankan delapan kombinasiperlakuan dari satu kumpulan bahan. Sekarang ambil interaksi
ABCD baur dengan blok untuk desain eksperimen ini. Susun juga skema ANAVA-nya
lengkap disertai derajat kebebasan yang diperoleh. Jelaskan berbagai pengacakan yang harus
dilakukan untuk melakukan eksperimennya!
Desain eksperimen yang digunakan adalah fraksional faktorial karena tidak mungkin melakukan semua
kombinasi perlakuan yang ada.. Kontras Penentu pada kasus ini adalah I = ABCD, sedangkan generatornya
adalah D. berikut ini adalah penentuan alias

- A = A(BCD) = BCD
- B = B(ACD) = ACD
- C = C(ABD) = ABD
- D = D(ABC) = ABC
- AB = AB(CD) = CD
- AC = AC(BD) = BD
- AD = AD(BC) = BC
Berdasarkan alias tersebut, blok yang dihasilkan adalah sebagai berikut :
Blok 1 Blok 2
I BCD
A ACD
B ABD
C ABC
D CD
AB BD
AC BC
AD ABCD
Dalam kasus ini, terdapat keterbatasan yang memungkinkan hanya 8 kombinasi perlakuan yang dapat
dilakukan. Oleh karena itu, untuk mengatasi keterbatasan tersebut, dipilih satu blok perlakuan, yaitu blok
1. Berikut ini adalah tabel kontras untuk blok 1

Berikut merupakan tabel kontras untuk blok 1:

Basic Design
Run D=ABC AD AB AC ABCD
A B C

1 - - - - + + + +

2 + - - + + - - +

3 - + - + - - + +

4 + + - - - + - +

5 - - + + - + - +

6 + - + - - - + +

7 - + + - + - - +

8 + + + + + + + +

Skema Anova

Tabel ANOVA yang memungkinkan pada kasus di atas adalah sebagai berikut:

Source JK db KT F

𝐾𝑜𝑛𝑡𝑟𝑎𝑠(𝐴)2 𝐾𝑇𝐴
A 1 JKA
2𝑘−𝑝 𝐾𝑇𝐸

𝐾𝑜𝑛𝑡𝑟𝑎𝑠(𝐵)2 𝐾𝑇𝐵
B 1 JKB
2𝑘−𝑝 𝐾𝑇𝐸

𝐾𝑜𝑛𝑡𝑟𝑎𝑠(𝐶)2 𝐾𝑇𝐶
C 1 JKC
2𝑘−𝑝 𝐾𝑇𝐸

𝐾𝑜𝑛𝑡𝑟𝑎𝑠(𝐷)2 𝐾𝑇𝐷
D=ABC 1 JKD
2𝑘−𝑝 𝐾𝑇𝐸
 𝐾𝑜𝑛𝑡𝑟𝑎𝑠(𝐴𝐵)2 𝐾𝑇𝐴𝐵
AB 1 JKAB
2𝑘−𝑝 𝐾𝑇𝐸

𝐾𝑜𝑛𝑡𝑟𝑎𝑠(𝐴𝐶)2 𝐾𝑇𝐴𝐶
AC 1 JKAC
2𝑘−𝑝 𝐾𝑇𝐸

𝐾𝑜𝑛𝑡𝑟𝑎𝑠(𝐴𝐷)2 𝐾𝑇𝐴𝐷
AD 1 JKAD
2𝑘−𝑝 𝐾𝑇𝐸

Total JK percent 𝐽𝐾𝐸

Error 𝑑𝑏𝑡𝑜𝑡𝑎𝑙 − Σ𝑑𝑏
contribution kecil 𝑑𝑏𝐸

Total ∑ 𝐽𝐾 𝑁−1
4. Percobaan dilakukan untuk melihat pengaruh pemberian pupuk Ebi terhadap pemberian
tanaman sawi hijau dengan 4 komposisi pupuk Ebi, yaitu P1, P2, P3, dan P4. Pengukuran
tinggi tanaman dilakukan sebelum dan sesudah dilakukan pemberian pupuk dalam jangka
waktu tertentu. Hasil percobaan disajikan dalam tabel berikut:
Tinggi Tanaman Sawi Perlakuan
(cm) Pengulangan ke- P1 P2 P3 P4
Before After Before After Before After Before After
1 2.5 17.1 3.5 20.6 3.5 17.6 3.5 19.6
2 2.5 15.6 3 15.6 3.5 21.6 2.5 19.1
3 3.5 19.6 4.5 19.6 3 18.1 3.5 19.1
4 3.5 17.1 4 18.6 4 19.1 3.5 20.1
5 4.5 19.6 3.5 19.1 4.5 21.1 4.5 20.1
a. Desain apa yang cocok digunakan untuk percobaan tersebut? Sertakan alasannya!
b. Lakukan analisis menggunakan software R, berikan interpretasi dari setiap output dan
simpulkan hasilnya!
Jawab :
Data setelah ditambah dengan jumlah NPM
Tinggi Tanaman Sawi Perlakuan
(cm) Pengulangan ke- P1 P2 P3 P4
Before After Before After Before After Before After
1 52.5 67.1 53.5 70.6 53.5 67.6 53.5 69.6
2 52.5 65.6 53 65.6 53.5 71.6 52.5 69.1
3 53.5 69.6 54.5 69.6 53 68.1 53.5 69.1
4 53.5 67.1 54 68.6 54 69.1 53.5 70.1
5 54.5 69.6 53.5 69.1 54.5 71.1 54.5 70.1
a. Desain yang cocok digunakan untuk percobaan tersebut adalah desain anakova karena
karena tinggi tanaman (Y) dipengaruhi oleh variabel X (kovariat). Oleh karena itu,
dalam analisis variabel Y, pengaruh X perlu dikontrol atau dihilangkan.
 b. Lakukan analisis menggunakan software R, berikan interpretasi dari setiap output dan
simpulkan hasilnya!

Model Matematis

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛽(𝑋𝑖𝑗 − 𝑋̅) + 𝜀𝑖𝑗

Dengan i = 1,2,3...; j = 1,2,3…
𝜇 : Rataan Umum
𝜏𝑖 : Efek dari level faktor ke-i
𝛽 : Koefisien regresi Y atas X
𝑋𝑖𝑗 : Variabel Independen
𝜀𝑖𝑗 : Kekeliruan
Hipotesis
𝐻0 : 𝜏𝑖 = 0 (tidak terdapat pengaruh antara perbedaan perusahaan terhadap respon)
𝐻1 : 𝜏𝑖 ≠ 0 (terdapat pengaruh antara perbedaan perusahaan terhadap respon)
Taraf Signifikansi
𝛼 = 5%

Analisis Kovarians dengan R

Karena adanya korelasi antara X dan Y, maka perlu dilakukan analisis regresi terlebih dahulu
untuk memurnikan Y dari variabel konkomitan X atau memperoleh Y yang disesuaikan atau
dikoreksi.
1) Input data dan Anova
> # --------- Input -----
> P <-c(1,1,1,1,1,2,2,2,2,2,3,3,3,3,3,4,4,4,4,4)
> y <-c(67.1,65.6,69.6,67.1,69.6,70.6,65.6,69.6,68.6,69.1,67.6,71.6,68
.1,69.1,71.1,69.6,69.1,69.1,70.1,70.1)
> x <-c(52.5,52.5,53.5,53.5,54.5,53.5,53,54.5,54,53.5,53.5,53.5,53,54,
54.5,53.5,52.5,53.5,53.5,54.5)
> data <- data.frame(P=factor(P),y=y,x=x)
> uji <- aov(y~P+x,data=data)
> summary(uji)
Df Sum Sq Mean Sq F value Pr(>F)
P 3 10.50 3.500 2.008 0.1561
x 1 14.06 14.059 8.068 0.0124 *
Residuals 15 26.14 1.743
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

2) Menghitung jumlah masing masing skor per kolom

> # --------- Menghitung Jumlah Masing Masing Kolom ------
> ## ----Jumlah Kuadrat ------
> data <- cbind(x,y)
> data
x y
[1,] 52.5 67.1
[2,] 52.5 65.6
[3,] 53.5 69.6
[4,] 53.5 67.1
[5,] 54.5 69.6
[6,] 53.5 70.6
[7,] 53.0 65.6
[8,] 54.5 69.6
[9,] 54.0 68.6
[10,] 53.5 69.1
[11,] 53.5 67.6
[12,] 53.5 71.6
[13,] 53.0 68.1
[14,] 54.0 69.1
[15,] 54.5 71.1
[16,] 53.5 69.6
[17,] 52.5 69.1
[18,] 53.5 69.1
[19,] 53.5 70.1
[20,] 54.5 70.1

3) Menghitung jumlah kuadrat

> ##-----Menghitung Jumlah Kuadrat----
> a<-colSums(data[1:5,])
> b<-colSums(data[6:10,])
> c<-colSums(data[11:15,])
> d<-colSums(data[16:20,])
> N <- 20 #banyaknya data
> r <- 5 #banyak pengamatan tiap metode
> p <- 4 #banyak perusahaan
> jum1 <- cbind(a,b,c,d)
> Jx2<-t(x)%*%x
> Jy2<-t(y)%*%y
> Jxy <-t(x)%*%y
> ## ----Jumlah Total ------
> Txx <- Jx2 -(sum(x)^2/N)
> Tyy <- Jy2 -(sum(y)^2/N)
> Txy <- Jxy -(sum(x)*sum(y)/N)
> ## ----Antar Perusahaan ------
> px <- jum1[1,]
> pxx <-(t(px)%*%px/r)-(sum(x)^2/N)
> py <- jum1[2,]
> pyy<-(t(py)%*%py/r)-(sum(y)^2/N)
> pxy <-(sum(px*py)/r)-(sum(x)*sum(y)/N)
> ## ----Antar Kekeliruan Dalam Perusahaan ------
> Exx<-Txx-pxx
> Eyy<-Tyy-pyy
> Exy<-Txy-pxy
> ##-----Hasil Jumlah Kuadrat-----
> ant <- cbind(pyy,pxy,pxx)
> ero <- cbind(Eyy,Exy,Exx)
> tot <- cbind(Tyy,Txy,Txx)
 4) Tabel Anakova
Sumber Dk JK dan Produk Silang Dikoreksi Fhit Ftab
Variasi X XY Y Y dk KT
Perlakuan 3 0.55 1.5 10.5
Kekeliruan 16 7.4 10.2 40.2 26.141 15 1.743
Total 19 7.95 11.7 50.7 33.481 18
Perlakuan disesuaikan 7.3406 3 2.4469 1.404 3.2874

Kriteria Uji

𝑇𝑜𝑙𝑎𝑘 𝐻0 𝑗𝑖𝑘𝑎 𝐹 − ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹 − 𝑡𝑎𝑏𝑒𝑙 𝑎𝑡𝑎𝑢 𝑃 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼

Keputusan

Berdasarkan perhitungan di atas, karena 𝐹 − ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐹 − 𝑡𝑎𝑏𝑒𝑙 maka 𝐻0 diterima.

Kesimpulan

Dengan tingkat signifikansi 5%, dapat disimpulkan bahwa tidak ada pengaruh yang signifikan dari
perbedaan empat komposisi pupuk ebi terhadap pertumbuhan tanaman sawi hijau.

Pengujian Asumsi

Asumsi dasar yang perlu diperiksa saat melakukan ANAKOVA diantaranya:

1) Efek perlakuan terhadap respon

Berdasarkan tingkat signifikansi 5%, dapat disimpulkan bahwa pengaruh pemberian
pupuk Ebi terhadap tinggi tanaman tidak signifikan.
2) Koefisien arah regresi tidak sama dengan nol

Berdasarkan tingkat signifikansi 5%, dapat disimpulkan bahwa koefisien regresi dalam
populasi memiliki nilai yang berbeda dari nol. Oleh karena itu, diperlukan analisis
ANAKOVA pada data tersebut.
3) Koefisien regresi dalam tiap kelompok bersifat homogen sedemikian sehingga
“rata-rata” regresi dalam kelompok dapat digunakan untuk semua kelompok
Berdasarkan tingkat signifikansi 5%, dapat disimpulkan bahwa koefisien arah regresi
dalam semua kelompok perlakuan memiliki nilai yang sama (homogen). Dengan kata
lain, tidak terdapat interaksi yang signifikan antara pemberian pupuk Ebi dan
 pertumbuhan tanaman sawi hijau.
4) Variabel bebas X tidak dipengaruhi oleh perlakuan yang dikenakan kepada
kelompok
Dengan tingkat signifikansi 5%, dapat disimpulkan bahwa perlakuan yang dikenakan
pada kelompok tidak memiliki pengaruh yang signifikan terhadap variabel bebas X.
 Syntax R No. 4
> # --------- Input -----
> P <-c(1,1,1,1,1,2,2,2,2,2,3,3,3,3,3,4,4,4,4,4)
> y <-c(67.1,65.6,69.6,67.1,69.6,70.6,65.6,69.6,68.6,69.1,67.6,71.6,68.1,69.1
,71.1,69.6,69.1,69.1,70.1,70.1)
> x <-c(52.5,52.5,53.5,53.5,54.5,53.5,53,54.5,54,53.5,53.5,53.5,53,54,54.5,53
.5,52.5,53.5,53.5,54.5)
> data <- data.frame(P=factor(P),y=y,x=x)
> uji <- aov(y~P+x,data=data)
> summary(uji)
Df Sum Sq Mean Sq F value Pr(>F)
P 3 10.50 3.500 2.008 0.1561
x 1 14.06 14.059 8.068 0.0124 *
Residuals 15 26.14 1.743
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> # --------- Menghitung Jumlah Masing Masing Kolom ------
> ## ----Jumlah Kuadrat ------
> data <- cbind(x,y)
> data
x y
[1,] 52.5 67.1
[2,] 52.5 65.6
[3,] 53.5 69.6
[4,] 53.5 67.1
[5,] 54.5 69.6
[6,] 53.5 70.6
[7,] 53.0 65.6
[8,] 54.5 69.6
[9,] 54.0 68.6
[10,] 53.5 69.1
[11,] 53.5 67.6
[12,] 53.5 71.6
[13,] 53.0 68.1
[14,] 54.0 69.1
[15,] 54.5 71.1
[16,] 53.5 69.6
[17,] 52.5 69.1
[18,] 53.5 69.1
[19,] 53.5 70.1
[20,] 54.5 70.1
> ##-----Menghitung Jumlah Kuadrat----
> a<-colSums(data[1:5,])
> b<-colSums(data[6:10,])
> c<-colSums(data[11:15,])
> d<-colSums(data[16:20,])
> N <- 20 #banyaknya data
> r <- 5 #banyak pengamatan tiap metode
> p <- 4 #banyak perusahaan
> jum1 <- cbind(a,b,c,d)
> Jx2<-t(x)%*%x
> Jy2<-t(y)%*%y
> Jxy <-t(x)%*%y
> ## ----Jumlah Total ------
> Txx <- Jx2 -(sum(x)^2/N)
> Tyy <- Jy2 -(sum(y)^2/N)
> Txy <- Jxy -(sum(x)*sum(y)/N)
> ## ----Antar Perusahaan ------
> px <- jum1[1,]
> pxx <-(t(px)%*%px/r)-(sum(x)^2/N)
> py <- jum1[2,]
> pyy<-(t(py)%*%py/r)-(sum(y)^2/N)
> pxy <-(sum(px*py)/r)-(sum(x)*sum(y)/N)
> ## ----Antar Kekeliruan Dalam Perusahaan ------
> Exx<-Txx-pxx
> Eyy<-Tyy-pyy
> Exy<-Txy-pxy
> ##-----Hasil Jumlah Kuadrat-----
> ant <- cbind(pyy,pxy,pxx)
> ero <- cbind(Eyy,Exy,Exx)
> tot <- cbind(Tyy,Txy,Txx)
> ##-----Tabel Anacova-----
> ##---Deratat Kebebasan----
> dba <- p-1
> dbb <- N-dba-1
> dbT <- dba+dbb
> db <- rbind(dba,dbb,dbT)
> ##----JK dan Produk Silang----
> jk <-rbind(ant,ero,tot)
> JK_dan_Produk=cbind(db,jk)
> ##---Dikoreksi----
> JE1=Tyy-(Txy^2/Txx)
> JE2=Eyy-(Exy^2/Exx)
> JE3=JE1-JE2
> dbg=N-p-1
> dbT2=N-2
> dbp=p-1
> kt1=JE2/dbg
> kt2=JE3/dbp
> alpha <- 0.05
> JE=rbind(JE2,JE1,JE3)
> db2=rbind(dbg,dbT2,dbp)
> kt=rbind(kt1,0,kt2)
> F1=kt2/kt1;F1
[,1]
[1,] 1.404063
> F1t=qf(1-alpha,dbp,dbg);F1t
[1] 3.287382
> Dikoreksi=cbind(JE,db2,kt)
> ## -----Efek Perlakuan Terhadap Respon----
> ## Uji Efek Perlakuan Terhadap Respon ##
> ## ================================== ##
> F1=kt2/kt1
> F1t=qf(1-alpha,dbp,dbg)
> if (F1>=F1t) {"Ho ditolak"} else {"Ho diterima"}
[1] "Ho diterima"
>
> ## ---- Pengujian Asumsi ----
> ## Uji Asumsi koefisien arah regresi tidak sama dengan nol ##
> ## ======================================================= ##
> F2=(Exy^2/Exx)/(JE2/dbg);F2
[,1]
[1,] 8.067618
> F2t=qf(1-alpha,1,dbg);F2t
[1] 4.543077
> if (F2>=F2t) {"Ho ditolak"} else {"Ho diterima"}
[1] "Ho ditolak"
> ## Uji Asumsi Variabel X tidak dipengaruhi perlakuan ##
> ## ================================================= ##
> F3=(pxx/dba)/(Exx/(N-p));F3
[,1]
[1,] 0.3963964
> F3t=qf(1-alpha,dba,(N-p));F3t
[1] 3.238872
> if (F3>=F3t) {"Ho ditolak"} else {"Ho diterima"}
[1] "Ho diterima"
> ## Uji Asumsi Homogenitas Varians ##
> ## ============================== ##
> library(car)
> leveneTest(y~P, data = data1)
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
group 3 0.9296 0.4491
16