RANCANGAN RANDOM LENGKAP

APLIKASI DALAM BIDANG

INDUSTRI DAN PERTANIAN
DISUSUN OLEH :

1. AATHIFHAYYU RAHMI (4112317008)

2. LARAS WULANSARI (4112317019)
3. M. ZABRI SULAIMAN (4112317031)
 Daftar Materi
Pokok
01 Konsep Dasar Teoritis RRL

02 Kelebihan dan Kekurangan RRL

03 Aplikasi dalam Bidang Industri

04 Aplikasi dalam Bidang Pertanian

Welcome!!
01
Konnsep  Rancangan acak lengkap merupakan rancangan
per-
Dasar cobaan yang paling sederhana diantara rancangan
Teoritis per-
cobaan standar lainnya. Rancangan acak lengkap
RRL dapat digunakan pada percobaan dengan asumsi:

1. Semua aspek dalam keadaan homogen, baik

satuan-
satuan percobaan maupun keadaan
lingkungan/tempat percobaan, kecuali perlakuan

2. Penempatan perlakuan ke dalam satuan-satuan

per-
coba-an dilakukan secara acak lengkap, artinya
semua
satuan percobaan diperlakukan sebagai satu
01 UJI MANUAL
Model
Linier
RRL

(Sumber : Buku Dasar – dasar Rancangan Percobaan oleh Sigit

Nugroho )
01 Galat percobaan (E) merupakan fenomena tak-terjelaskan yang
diasumsikan mengikuti suatu sebaran tertentu dengan nilai
Model tengah dan ragam tertentu. Penerapannya terhadap model
linier adalah sebagai berikut:
Linier
RRL

dengan demikian nilai pengamatan untuk perlakuan ke-1 dan

ulangan ke-2 (y₁₂) ditentukan oleh nilai tengah (μ) pengaruh
perlakuan ke-1 (τ₁) dan galat percobaan (E₁₂). Jika semua
perlakuan mempunyai ulangan yang sama banyak (= n), nilai-nilai
pengamatan yij (untuk i = 1, 2, …p dan j = 1,2, … n).

(Sumber : Buku Dasar – dasar Rancangan Percobaan oleh Sigit

02
Keuntunga
 Keuntungan yang dapat kita peroleh antara lain:
n
1. Keluwesan. Tidak ada pembatasan dalam hal
RRL banyaknya
perlakuan ataupun banyaknya ulangan dalam
perlakuan.
2. Kemudahan dalam analisis. Dari beberapa rancangan,
RAL sangatlah mudah untuk dianalisis, bahkan
dengan
ulangan tiap perlakuan yang tidak sama.
3. Memberikan derajat bebas maksimum untuk
pendugaan
Galat Percobaan. Hal ini penting khususnya untuk
percobaan yang menggunakan jumlah satuan
percobaan yang kecil atau percobaan-percobaan yang
keragaman faktor luarnya (extraneous variation)
02
Kerugian  Kerugian yang dapat kita peroleh antara lain:
RRL Rancangan ini relatif tidak efisien bila ada rancangan
percobaan lain yang lebih tepat. Hal ini bersumber
dari fakta
bahwa semua keragaman yang tidak kita ketahui
(serta keragaman faktor luar yang dapat
dikendalikan) tercakup dalam galat percobaan.

(Sumber : Buku Dasar – dasar Rancangan Percobaan

oleh
Sigit Nugroho )
03 Contoh Kasus :
Dalam industri mekanik dan elektronik banyak
Aplikasi menggunakan proses Etsa Plasma (plasma etching).
Seorang peneliti tertarik menyelidiki hubungan antara

di pengaturan daya RF dan tingkat etsa. Dia tertarik pada

gas khusus (C2F6) dan celah (0,80 cm) dan ingin
menguji empat tingkat daya RF: 160W, 180W, 200W,
Bidang dan 220W. Percobaan dilakukan dengan lima kali
ulangan.Tingkat Daya RF
Industri Ulangan
160 W 180 W 200 W 220 W

1 54.2 57.9 65.1 71.9

2 53 55 62.9 72.5

3 57 57 60 71.5

4 57.5 56.3 63.7 68.5

5 53.9 56.5 61 70
03 Sebelum kita melakukan Uji Anova dan Uji Lanjut
PraktekMengolah
Tukey maka Uji Asumsi yang dipenuhi sebagai
berikut :
Data dengan
Minitab 1. Sisaan saling bebas satu dengan lainnya.
(Grafik)
2. Sisaan menyebar normal (Uji Normalitas)
3. Sisaan memiliki varian yang sama
(Uji Homogenitas)
03  Untuk mengecek apakah sisaan saling bebas
maka kita dapat melihat plot sisaan vs urutan
PraktekMengolah
amatan
Data dengan seperti berikut:
Versus Order
Minitab 3
(response is Tingkat Etsa)

Residual
0

-1

-2

-3
2 4 6 8 10 12 14 16 18 20
Observation Order

Plot di atas menunjukkan bahwa sebaran sisaan

tidak membentuk pola tertentu sehingga dapat
03 Uji Normalitas
 
Uji Normalitas adalah sebuah uji yang dilakukan dengan
tujuan
untuk menilai sebaran data pada sebuah kelompok data
atau variabel, apakah sebaran data tersebut berdistribusi
normal ataukah tidak.Untuk menguji normalitas, dapat
menganalisis dengan meng-
gunakan metode One Sample Kolmogorov Smirnov Test.
Dasar keputusan adalah jika nilai probabilitas t-statistik >
level of Significant = 0,05,

Sumber :
https://www.statistikian.com/2013/01/uji-normalitas.
Html
03 Uji Normalitas
 
Praktek Langkah – langkah Uji Anova dengan Minitab :
1. Inputkan data tersebut ke dalam Minitab
Minitab 2. Sebelumnya kita mentranspos data tersebut ke
dalam kolom baru bernama RESIDU1. Langkah
– Langkah transformasi Box Cox
3. Klik Stat > Basic Statistics > Normality test >
maka akan muncul seperti berikut:
03 Uji Normalitas

Praktek 3. Maka muncul Plot beserta hasil Uji Exactnya,

Minitab Seperti pada gambar dibawah ini:
03 Uji Normalitas

Praktek 4. Dari hasil tersebut dapat disimpulkan :

Minitab Interpretasi output Uji Normalitas
Hipotesis:
Ho : Sisaan menyebar normal
H1 : Sisaan tidak menyebar normal
Berdasarkan uji normalitas menggunakan
Anderson-Darling diperoleh p- value 0.332 > 0.05
sehingga dapat disimpulkan bahwa Tolak H1,
artinya dengan tingkat kepercayaan 95% belum
cukup bukti untuk menyatakan bahwa sisaan tidak
menyebar normal.
03 • Untuk mengecek apakah sisaan memiliki varian yang
sama Versus Fits
(response is Tingkat Etsa)
3

1
Residual

-1

-2

-3
55.0 57.5 60.0 62.5 65.0 67.5 70.0 72.5
Fitted Value

Plot di atas bertujuan untuk mengecek apakah sisaan

memiliki varian yang sama atau konstan. salah satu
cara mengeceknya adalah dengan melihat lebar
pitanya. Plot di atas menunjukkan lebar pita yang
sama sehingga dapat disimpulkan bahwa sisaan
03 Uji Anova

Anova merupakan singkatan dari “analysis of varian“. Analysis

of Varian adalah salah satu uji komparatif yang digunakan
untuk menguji perbedaan mean (rata-rata) data lebih dari dua
kelompok. Misalnya kita ingin mengetahui apakah ada
perbedaan rata-rata IQ antara siswa kelas SLTP kelas I, II, dan
kelas III. Ada dua jenis Anova, yaitu analisis varian satu faktor
(one way anova) dan analisis varian dua faktor (two ways
anova). Pada artikel ini hanya akan dibahas analisis varian satu
faktor.

Sumber : https://www.statistikian.com/2013/01/uji-
homogenitas.html
03 Uji Anova
 
Praktek Langkah – langkah Uji Anova dengan Minitab :
1. Inputkan data tersebut ke dalam Minitab
Minitab 2. Selanjutnya Klik Stat pada menu yang tersedia
lalu
pilih Anova dan Klik One Way Anova (Anova
Satu Arah). Maka akan muncul tampilan :
03 Uji Anova

Praktek 3. Pilih Data Respons -> Tingkat Esa dan data

Minitab Factor -> Daya RF, Seperti pada gambar
dibawah ini:
03 4.  Klik Ok. Maka akan keluar output :

Praktek Analysis of Variance

Minitab Source DF Adj SS Adj MS F-Value P-Value
Daya RF 3 770.80 256.934 85.90 0.000
Error 16 47.86 2.991
Total 19 818.66
• Hipotesis:
Ho : Tidak ada perbedaan rata-rata tingkat etsa
dengan pada pengaturan daya RF 
H1:  ada perbedaan rata-rata tingkat etsa dengan
pada pengaturan daya RF 
•  Berdasarkan tabel ANOVA di atas menunjukkan
bahwa p-value 0.000 < 0.05. Oleh karena itu,
disimpulkan bahwa Terima H1 artinya  ada perbedaan
rata-rata tingkat etsa dengan pada pengaturan daya
Kesimpu
lan Jadi dapat diketahui dari hasil Uji Lanjut Tukey, diperoleh
data:
04 Contoh Kasus :
Untuk membandingkan 5 metode pengemasan benih padi (A= tanpa
Aplikasi kemasan, B=karung goni, C= kantong kertas, D= kantong plastik, dan
E= alumunium foil), suatu percobaan dilakukan dengan menyemaikan

di benih yang telah disimpan selama 8 bulan dari masing-masing metode

pengemasan tersebut pada cawan petri (petri disk) sebanyak 100 benih
per cawan pada lingkungan yang kondisinya relatif seragam. Dalam
Bidang percobaan ini terdapat 5 ulangan untuk masing-masing perlakuan. Pada
hari ke 7 pengamatan dilakukan terhadap presentase daya
Pertanian kecambahnya dan diperoleh data sebagai berikut.

Perlakuan Ulangan
1 2 3 4 5
A 29 34 27 34 26
B 24 30 21 20 25
C 33 30 36 38 40
D 35 38 36 34 40
E 47 40 41 45 39
03 Dari data tersebut diperoleh :

Aplikasi Hipotesis
di • H0 : Metode pengemasan benih padi tidak berpengaruh
Bidang terhadap presentase daya kecambah padi.
• H1 : Metode pengemasan benih padi berpengaruh
Pertanian terhadap presentase daya kecambah padi.

Pengammbilan Keputusan

Berdasarkan Sig
• Jika sig < 0,05 maka H0 ditolak
• Jika sig > 0,05 maka H1 diterima
03 Uji Homogenitas

Praktek
SPSS

Pada output di atas dapat dilihat bahwa nilai sig adalah 0,000
maka kurang dari 0,05. sehingga dapat disimpulkan bahwa data di
atas merupakan data yang homogen dan dapat di uji lanjut.
03 Uji Lanjut menggunakan LSD dan Duncan

Praktek
SPSS
03 Uji Lanjut menggunakan LSD dan Duncan

Praktek
Hasil dari Output Post Hoc untuk LSD dapat diketahui hubungan
SPSS
antar perlakuan apakah berpengaruh secara nyata atau tidak.

• Perlakuan P1 dan P2 signifikan karena nilai sig 0,015 < 0,05

• Perlakuan P1 dan P3 signifikan karena nilai sig 0,026< 0,05
• Perlakuan P1 dan P4 signifikan karena nilai sig 0,008 < 0,05
• Perlakuan P1 dan P5 signifikan karena nilai sig 0,000 < 0,05
• Dst
03 Uji Lanjut menggunakan LSD dan Duncan

Praktek
SPSS
03 Uji Lanjut menggunakan LSD dan Duncan

Praktek
Hasil dari Output Post Hoc untuk Duncan menunjukan bahwa P2
SPSS
adalah perlakuan yang memiliki subset paling sedikit dan P5
adalah perlakuan yang memiliki subset yang paling banyak yang
artinya P5 (metode pengemasan menggunakan alumunium foil)
adalah metode yang memiliki presentase daya kecambah padi
tertinggi.
03 Analisis manual
Praktek
SPSS a. FK =

=
=
= 28.358,56
b. JKT = ∑ Yij2 – FK = (Y112+ Y122 + Y132 + …. ++ Y532 ) – FK
= 1227,44
c. JKP = ∑ Yi*2/n – FK
= ( (150)2 + (120)2 + (177)2 + ..... + (212)2 / 5 ) – FK
= 29.332,40 – FK
= 973,84
03 Analisis manual
Praktek
SPSS d. JKG = JKT – JKP
= 1227,44 – 973,84
= 253,6
e. db perlakuan = a – 1 =4
db galat = a . (n-1) = 20
db total = (a.n) – 1 = 24
f. KTP = JKP / db Perlakuan
= 243,46
KTG = JKG / db Galat
= 12, 68
g. F hit = KTP / KTG
= 19,20
03 Tabel ANOVA
Praktek Sumber Derajat Jumlah Kuadrat F-Hitung

SPSS Keragaman
Perlakuan
Bebas
4
Kuadrat
973,84
Tengah
243,46 19,20
Galat 20 253,6 12,68
Total 24 1227,44

Jika F hitung > F tabel maka H0 ditolak pada taraf kepercayaan 

Dari hasil ANOVA di atas disimpulkan bahwa F hitung ( 19,20 ) > F tabel
(4,43) Maka H0 ditolak. Maka artinya metode pengemasan benih padi
berpengaruh nyata terhadap presentase daya kecambah padi.
Thank you