Rancangan Bujur Sangkar Latin

Data : Perakitan komponen televisi dengan menggunakan 4 level metode perakitan (A,B,D,C). Memiliki Operator 4 level (operator 1, operator 2, operator 3 dan operator 4) Memiliki urutan perakitan (Perakitan 1, 2, 3, dan 4) faktor : Metode perakitan Baris : urutan perakitan Kolom : operator

data1 <- read.csv("D:/DE SOAL RBSL.csv", sep=";")
head(data1)

##   Hasil Operator Metode Urutan.Perakitan
## 1    10        1      C                1
## 2     7        1      B                2
## 3     5        1      A                3
## 4    10        1      D                4
## 5    14        2      D                1
## 6    18        2      C                2

# Box plot
boxplot(Hasil ~ Metode, data = data1,
       main = "Box Plot Hasil  Perlakuan",
       ylab = "Hasil", xlab = "Metode Perakitan",
       frame = FALSE, col = c("#FFCCCC", "#FF9999", "#FF6666", "#00AFBB"))

interpretasi : Baris hitam dalam boxplot menunjukkan median, artinya nilai tengah dari masing-masing level secara visual menunjukkan adanya perbedaan dan berpengaruh terhadap data kecepatan peraitan televisi

Membuat model ANOVA

Operator1=as.factor(data1$Operator)
Urutan1= as.factor(data1$Urutan.Perakitan)
Hasil1=as.numeric(data1$Hasil)
metode1=as.factor(data1$Metode)
hasil_akhir = aov(Hasil1~ Urutan1+Operator1+metode1, data = data1)
summary(hasil_akhir)

##             Df Sum Sq Mean Sq F value  Pr(>F)   
## Urutan1      3   18.5   6.167   3.524 0.08852 . 
## Operator1    3   51.5  17.167   9.810 0.00993 **
## metode1      3   72.5  24.167  13.810 0.00421 **
## Residuals    6   10.5   1.750                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Artinya : Metode memberikan pengaruh signifikan terhadap lama waktu perakitan komponen televisi urutan memberikan pengaruh yang signifikan terhadap komponen televisi Operatur tidak memberikan pengaruh terhadap waktu perakitan televisi alfa yang digunakan 5%

Histogram

residuals <- residuals(hasil_akhir)
hist(residuals, col = "lightblue", main = "Histogram Residuals", xlab = "Residuals", ylab = "Frequency")

# Melakukan Uji Secara Manual

#perlakuan: metode (A, B, C, D)
#kel. baris: urutan perakitan (1, 2, 3, 4)
#kel. kolom: operator(1, 2, 3, 4)

hasil = c(10, 14,  7, 8,7, 18, 11, 8,5, 10, 11, 9,10, 10, 12,14)

urutan_perakitan = gl(4, 4, labels = c("U1", "U2", "U3", "U4"))
operator = gl(4, 1, 16, labels = c("1", "2", "3", "4"))
metode = c("C", "D", "A", "B","B", "C", "D", "A","A", "B", "C", "D", "D", "A", "B", "C")
evaluasi = data.frame(hasil, urutan_perakitan, operator, metode)
head(evaluasi)

##   hasil urutan_perakitan operator metode
## 1    10               U1        1      C
## 2    14               U1        2      D
## 3     7               U1        3      A
## 4     8               U1        4      B
## 5     7               U2        1      B
## 6    18               U2        2      C

hasil_akhir = aov(hasil~metode+urutan_perakitan+operator, data=evaluasi)
summary(hasil_akhir)

##                  Df Sum Sq Mean Sq F value  Pr(>F)   
## metode            3   72.5  24.167  13.810 0.00421 **
## urutan_perakitan  3   18.5   6.167   3.524 0.08852 . 
## operator          3   51.5  17.167   9.810 0.00993 **
## Residuals         6   10.5   1.750                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1