Nama : Margaretha Kristina Br Purba

NIM : 141000702

SPLIT BLOCK/STRIP PLOT

A.Split Block/Rancangan Petak Berjalur

Nama lain untuk split block adalah strip plot atau Rancangan Petak Berjalur
(RPB).Rancangan petak berjalur (Strip plot design) merupakan susunan petak – petak atau
plot-plot sebagai satuan percobaan yang terdiri dari plot baris untuk perlakuan pertama dan
plot kolom untuk perlakuan kedua.Rancangan ini sesuai untuk percobaan dua faktor dimana
ketepatan pengaruh interaksi antar faktor lebih diutamakan dibandingkan dengan dua
pengaruh lainnya,pengaruh mandiri faktor A dan faktor B.Dengan kata lain, pengujian lebih
ditekankan terhadap pengaruh interaksi, namun tidak mengabaikan pengaruh utama masing-
masing (Hanafiah, 2001).Ada tiga ukuran petak dalam rancangan petak teralur (Gomez &
Gomez (1995)) yaitu:
1. Petak jalur tegak untuk faktor pertama/faktor tegak
2. Petak jalur mendatar untuk faktor kedua/faktor mendatar
3. Petak perpotongan untuk perpotongan antara dua faktor

B.Ciri-ciri Split Block

1. Rancangan Slit Block mirip dengan rancangan split plot, hanya saja dalam split plot,
subunit perlakuan ditempatkan dalam satu jalur yang tegak lurus terhadap perlakuan
petak utamanya.
2. Dalam split block, faktor pertama ditempatkan secara acak dalam jalur vertikal,
sedangkan faktor kedua ditempatkan secara acak pada jalur horisontal
3. Setiap jalur mendapatkan satu perlakuan faktor A dan satu perlakuan faktor B
4. Rancangan ini merupakan perkembangan dari rancangan faktorial dalam RAK
5. Rancangan ini dapat diaplikasikan dalam RAK dan RBSL tetapi tidak dapat
diaplikasikan dalam RAL

C.Pengacakan dan Tata Letak

Pengacakan dalam rancangan petak teralur dilakukan saling bersilangan menurut alur-
alur yang berdampingan secara vertikal yaitu plot kolom dan secara horizontal untuk plot
baris (Steel & Torrie,1991).
 Menurut Mattjik & Sumertajaya (2000), langkah pengacakan dalam rancangan petak
teralur sebagai berikut:
1. Memilih kelompok satuan percobaan secara acak
2. Menempatkan taraf-taraf faktor pertama secara acak pada setiap kelompok mengikuti
plot kolom
3. Menempatkan taraf-taraf faktor kedua secara acak pada setiap kelompok mengikuti
plot baris
Untuk lebih jelasnya, perhatikan contoh suatu percobaan faktorial untuk menyelidiki
pengaruh pemupukan NPK (faktor A) yang terdiri dari empat taraf, yaitu a1, a2, a3, dan
a4.Faktor kedua (B) terdiri dari tiga varietas (3 taraf), yaitu b1, b2,dan b3.Faktor A
ditempatkan dalam jalur vertikal, sedangkan faktor B ditempatkan dalam jalur
horisontal.Percobaan ini diulang sebanyak tiga kali.
Dengan demikian, rancangan perlakuannya:
 NPK (A) : 4 taraf
 Varietas (B) : 3 taraf
 Diulang 3 kali

Langkah ke-1
Memilih kelompok satuan percobaan secara acak, dimana jumlah kelompok sama
dengan jumlah ulangan.Dalam kasus ini dibagi menjadi 3 kelompok (block).Pembagian
kelompok ini berdasarkan pertimbangan bahwa setiap kelompok keragamannya adalah
homogen.
Kelompok I kelompok II kelompok III

Langkah ke-2
Setiap kelompok dibagi menjadi a petak dalam arah vertikal sesuai dengan taraf faktor
A.pada contoh kasus ini, setiap kelompok dibagi menjadi 4 petak.Lakukan pengacakan ke-4
taraf NPK pada jalur vertikal (tegak) dlam setiap kelompok secara terpisah dan bebas.
 a1 a2 a3 a4 a3 a2 a4 a1 a2 a4 a1 a3

Lakukan pengacakan faktor A (NPK) untuk masing masing kelompok secara acak

Langkah ke-3

Setiap kelompok dibagi menjadi 3 petak dalam arah horisontal (jalur

mendatar).Lakukan pengacakan ketiga taraf varietas pada jalur horisontal dalam setiap
kelompok secara terpisah dan bebas.

b1 b2 b3
b2 b3 b1
b3 b1 b2

Bagan percobaanya setelah dilakukan pengacakan adalah sebagai berikut

a4b3
a3b2a1ba2b2a2b1 a1b3
a4b2 a3b1 a3b3
a1b2 a4b1
a3b31 a2b3 a4b3 a1b3
a3b1a1ba2b1a2b2
a4b1a3b2
a1b1a4b2
2
a1b a2b3 a3b3 a4b3
3
a2b3
a2b1 a4b1 a1b1 a3b1
a2b2 a4b2 a1b2 a3b2

D.Model Linier
Model linier dari rancangan strip plot secara umum dapat dituliskan sebagai berikut:

Y ijk =μ+ K k +α i +δ ik + β j +γ jk +( αβ )ij + ε ijk

Keterangan :
Y ijk = nilai pengamatan pada faktor pertama taraf ke-i faktor kedua taraf ke-j dan blok ke-k
µ = nilai tengah keseluruhan
K k = pengaruh pengelompokan ke-k
α i= pengaruh faktor pertama taraf ke-i

β j = pengaruh faktor kedua taraf ke-j

(αβ )ij= interaksi antara faktor pertama taraf ke-i dan faktor kedua taraf ke-j
δ ik = pengaruh faktor pertama taraf ke –i dan kelompok ke-k

γ jk= pengaruh faktor kedua taraf ke-j dan kelompok ke-k

ε ijk= pengaruh acak pada faktor pertama taraf ke-i dan faktor kedua taraf ke-j dan kelompok
ke-k

Berdasarkan model linier tersebut,perhitungan jumlah kuadratnya adalah sebagai

berikut:
Definisi Formula
FK Y 2
.. .
abr

JKT
∑ijk (Y ijk −Ȳ )2 ∑ijk Y ijk2−FK
JK(R)
ab
∑k (Ȳ .. . k −Ȳ . .. )2 ∑k
Y
. .. . . k2
ab
−FK =
∑k ( r k )2
ab
−FK

JK(A) Y
i .. . 2 ∑i ( ai )2
∑i −FK = −FK
rb ∑i i
( Ȳ −Ȳ . . .. )2 br rb

JK
(Galat a)
b∑i , k
( Ȳ i, k −Ȳ i. . .−Ȳ . . . k + Ȳ . . . )2

Y
j2 ∑ j (b j )2
JK (B) ∑j −FK= −FK
ra∑ j
( Ȳ j−Ȳ . . . )2 ar ra
 JK
a∑i , k
( Ȳ jk −Ȳ j −Ȳ k + Ȳ . .. )2
(Galat b)

JK(AB)
r∑i , j
( Ȳ ij −Ȳ i−Ȳ j + Ȳ . .. .)2

JK
∑i , j ,k (Y ijk−Ȳ ij−Ȳ ik −Ȳ jk + Selisihnya= JKT-JK lainnya
(Galat c)
Ȳ i + Ȳ j + Ȳ k −Ȳ .. .)2

Tabel Analisis Ragam

Hipotesis Model Tetap

 Hipotesis pengaruh utama faktor A

H 0 : α 1 =α 2=. . ..=α a=0

H 1 :∃α 1 ≠0 , i=1 , 2 ,. .. . a (faktor A tidakberpengaruh terhadap respons yang diamati)
 Hipotesis pengaruh utama faktor B

H 0 : β 1 =β 2=. . .=β b =0
H 1 :∃ β j ≠0 , j=1 , 2 ,. . .b (faktor B tidak berpengaruh terhadap respons yang diamati)

 Hipotesis pengaruh interaksi

H 0 :(αβ )11=(αβ )12=. . .=( αβ )ab =0

H 1 :∃(αβ )ij≠0 ,i=1 , 2 ,. . ., a , j=1 ,2 , .. . , b

(interaksi faktor A dengan faktor B tidak berpengaruh terhadap respons yang diamati)
E.Asumsi Split Blok
Dalam rancangan petak teralur terdapat asumsi-asumsi yang harus dipenuhi antara
lain sebagai berikut:
 Pengaruh dari faktor perlakuan bersifat aditif
 Galat percobaab dan data pengamatan dalam setiap perlakuan atau kelompok
berdistribusi normal
 Ragam yang homogen
 Kebebasan galat
Selain asumsi kenormalan dari komponen acak dan model aditif masih terdapat
asumsi-asumsi lain yang juga harus diperhatikan yaitu:

Asumsi untuk model tetap:

∑ αi =0 ;∑ β j =0 ; ∑ (αβ)ij =∑ ( βα )ij =0

Asumsi untuk model acak :

α i ~N(0,σ 2α ), β j ~ N(0, σ 2β ),( αβ)ij ~N(0, σ 2αβ )

F.Analisis Ragam
Analisis ragam dalam Split Blok dibagi dalam tiga bagian:
 Analisis faktor vertikal (A)
 Analisis faktor horisontal (B)
 Analisis interaksi (AB)

Terdapat tiga jenis galat:

 Galat (a)
Galat (a) yang tidak lain merupakan interaksi antara faktor A x ulangan.Galat (a) ini
merupakan pambagi pada uji F untuk pengaruh mandiri faktor A
 Galat (b)
Merupakan interaksi antara faktor B x ulangan.Galat (b) ini merupakan pembagi pada
uji F untuk pengaruh mandiri faktor B.Galat a dan galat b bersifat simetri.Hal ini
mudah dipahami mengingat pada rancangan split blok kedua faktor tersebut mirip
dalam pengacakannya dan bersifat simetri.
  Galat (c)
Galat (b) merupakan penguraian dari galat anak petak sehingga galat c nilainya akan
lebih kecil dibandingkan dengan galat subplot pada rancangan split plot.Galat c
digunakan untuk menguji interaksi AxB.Penguraian galat tersebut akan meningkatkan
ketepatan pengaruh interaksi AxB.

G.Sifat Penduga
Dimisalkan parameter populasi dinyatakan sebagai θ dan penduga parameter
^ ^
dinyatakan sebagai θ , maka seyogyanya variabel random θ akan bervariasi tidak terlalu jauh
μ
sekitar θ yang konstan. Misalnya, jika x merupakan parameter populasi θ dan X̄
^ X̄ sebagai penduga kita berharap
merupakan penduga θ , maka dalam menggunakan
μ
variabel random X̄ tidak akan bervariasi terlalu jauh sekitar x .Statistik penduga yang
demikian itu umumnya dinilai sebagai penduga “yang baik” jika memiliki ketentuan berikut :

 Takbias
Takbias berarti nilai harapan penduga sama dengan nilai harapan parameter yang diduga
θ^ merupakan penduga yang tak bias bagi θ jika:
θ^ )=θ
E(
μ
Pada hakekatnya, X̄ merupakan penduga yang tak bias bagi x karena E ( X̄ ) =
μ x̄=μ x .Sebaliknyapenduga dianggap bias jika E (θ̄ )≠θ .Umumnya, jika kita hanya
menilai penduga yang baik dari sudut kebiasannya maka rata-rata sampel dan median

sample merupakan penduga yang tak bias untuk parameter

μ x distribusi normal.

 Varians Minimum
Apabila untuk suatu parameter terdapat lebih dari satu macam penduga tak bias, maka
penduga yang dipilih sebagai yang terbaik ialah yang memiliki ragam sekecil-kecilnya. Hal
ini disebabkan karena ragam penduga tersebut adalah ukuran penyebaran penduga di sekitar
nilai tengah populasi.
 Suatu penduga tak bias yang memiliki ragam terkecil di antara semua penduga tak bias
lainnya, dan sifat ragam tekecil ini berlaku untuk semua kemungkinan nilai-nilai parameter,
dinamakan penduga tak bias dengan ragam minimum seragam.
 Konsisten
Konsisten berarti dengan makin besarnya ukuran contoh maka ragam penduga
makin kecil. Secara kasar, penduga yang konsisten merupakan penduga yang berkonsentrasi
secara sempurna pada parameter jika besarnya sampel bertambah secara tidak terhingga.
^
Jika besarnya sampel menjadi tidak terhingga, penduga θ yang konsisten harus dapat
^
memberi pendugaan titik secara sempurna terhadap θ . Secara matematis, θ dapat
^
merupakan penduga yang konsisten bila dan hanya bila E(θ − θ )2 → 0 jika n → ∞.
^
Dengan kata lain, θ merupakan penduga konsisten jika dan hanya jika biasnya maupun
varians keduanya mendekati 0 jika n→∞.

 Statistik Cukup
Dimisalkan penduga suatu parameter ialah statistik atau fungsi peubah acak. Pada
pendugaan nilai tengah suatu populasi, misalnya salah satu penduga yang digunakan ialah
hasil rata-rata dari contoh berukuran n. Jika statistik ini dianggap telah cukup memberikan
semua informasi yang diperlukan untuk pendugaan parameter populasi, maka statistik ini
secara wajar dapat disebut statistik cukup.

Jika misalkan
X 1 ,........., X n
I
Contoh acak suatu populasi dengan parameter θ , maka suatu fungsi t( X ) disebut
X ,........., X n
statistik cukup untuk parameter θ , jika fungsi peluang (kepekatan) bersyarat 1

X 1 ,...... X n|t ( X I ) tidak tergantung kepada (bebas dari) parameter θ .

 Kelengkapan

Misalkan X peubah acak dengan fungsi peluang atau fungsi kepekatan f ( x ;θ ) ,θεϑ
sedangkan ϑ adalah ruang parameter, yaitu gugus semua nilai yang mungkin diambil oleh
θ .Sebaran peubah acak X disebut sebaran lengkap jika untuk suatu fungsi s (X) dan untuk

setiap nilai θ dan X.

 E(s(X))=0, Mengakibatkan s(X)=0. Pengertian kelengkapan sebaran ini penting
peranannya di dalam usaha mencari penduga terbaik yang khas dari parameter sebaran
tersebut.
H.Data Hilang

Pada umumnya data tidak hilang, namun jika di asumsikan bahwa data yang hilang
adalah pada baris pertama, kolom pertama dan kelompok pertama. Dalam beberapa susunan
dalam sebuah rancangan dapat disusun dengan cara berikut :

 Jumlah dari kuadrat sisa dimasukkan dalam nilai yang hilang. Sehingga terbentuk
Y^ 111.


^
Ragam total adalah sususnan dari nilai hasil dalam rancangan. Asumsikan Y 111 = 0
lalu turunkan dari jumlah kuadrat
 Lalu hasil turunan dibuat menjadi = 0

Dengan konsep diatas dapat digunakan untuk menduga 2 data yang hilang dalam
baris yang sama atau jumlah kolom yang sama dengan merubah subskrip penandaan.
Prosedur yang sama mungkin digunakan untuk mendapatkan sebuah formula kombinasi
untuk menduga data hilang. Menurut T. Federer, Walter (1967) bahwa sebuah data hilang
untuk sebuah sub unit dalam sebuah rancangan mungkin dapat diduga dengan menggunakan
metode-metode khusus. Sebuah data hilang untuk keseluruhan jumlah plot akan diduga
dengan metode yang cocok untuk fakta-fakta rancangan yang digunakan.

I. Pendekatan Satterthwaite-Cochran
Untuk memperbaiki uji bias dipergunakan pendekatan Satterthwaite-Cochran,
prosedur yang diberikan oleh Bancroft (1968). Didemonstrasikan sebagai berikut :

1. Uji untuk perlakuan, misal KTP dan KTG masing-masing adalah kuadrat tengah
perlakuan dan kuadrat tengah galat.

Perhatikan
KTP adj=qKTP ,dengan KTP adj adalah kuadrat tengah perlakuan yang
disesuaikan.Sehingga diperoleh:

E(
KTP adj )= E(q(KTP))

Maka uji hipotesisnya:

H 0 : τ 1=τ 2 =.. ..=0

H 1 : tidak semua nol

 KTP adj
F ¿= ¿
KTG , F disini tidak menghampiri distribusi F,tetapi dapat didekati dengan
menggunakan distribusi F yang derajat bebas pembilang dan penyebutnya (Brancroft,1968):
db pembilang =¿ ¿
keterangan:
¿
(num,KT) = pembilang dari F statistik
KT = kuadrat tengah dalam analisis
c i = konstanta pengali pada KT i

db i = derajat bebas kesesuaian dengan KT i

( denom , KT )2
[ c i ( KT )]2
∑i db
db penyebut = i

Dengan:
¿
(denom,KT) = penyebut dari F statistik
KT = kuadrat tengah dalam analisis
c i = konstanta pengali pada KT i

db i = derajat bebas kesesuaian dengan KT i

2. Uji untuk kelompok, misal KTK dan KTG masing-masing adalah kuadrat tengah

kelompok dan kuadrat tengah galat.Perhatikan KTK(adj) = q KTK, dengan KTK(adj)

adalah kuadrat tengah perlakuan yang disesuaikan, sehingga diperoleh :

E(( KTK adj )=E (q (KTK ))

Maka uji hipotesisnya:
H 0 : β 1 =β 2=. . ..=0
H 1 : tidak semua nol

KTP adj
F ¿= ¿
Adalah KTG , F disini tidak menghampiri distribusi F, tetapi dapat didekati
dengan menggunakan distribusi F yang derajat bebas pembilang dan penyebutnya
(Bancroft,1968):
 (num , KT )2
[ c i ( KT )i ] 2
∑i dbi
db pembilang =
Keterangan
¿
(num,KT) = pembilang dari F statistik
KT = kuadrat tengah dalam analisis
c i = konstanta pengali pada KT i

db i = derajat bebas kesesuaian dengan KT i

( denom , KT )2
[ c i ( KT )]2
∑i db
db penyebut = i

Dengan:
¿
(denom,KT) = penyebut dari F statistik
KT = kuadrat tengah dalam analisis
c i = konstanta pengali pada KT i

db i = derajat bebas kesesuaian dengan KT i