library(readxl)

RANCANGAN FAKTORIAL

RANCANGAN FAKTORIAL (RAL)

#IMPORT DATA STUDI KASUS 1
datafumigasi <- read_excel("D:\\AGH 25\\Rancangan Faktorial.xlsx")
datafumigasi
## # A tibble: 30 × 3
##    Fumigasi Dosis Respon
##       <dbl> <dbl>  <dbl>
##  1        2     0     96
##  2        2    16     92
##  3        2    32     92
##  4        2    48     74
##  5        2    64     50
##  6        2     0     98
##  7        2    16     88
##  8        2    32     94
##  9        2    48     74
## 10        2    64     50
## # ℹ 20 more rows
#ANOVA
datafumigasi$Fumigasi<- as.factor(datafumigasi$Fumigasi)
datafumigasi$Dosis<-as.factor(datafumigasi$Dosis)
anovaRal <- aov(Respon~Fumigasi*Dosis, data=datafumigasi)
summary(anovaRal)
##                Df Sum Sq Mean Sq F value   Pr(>F)    
## Fumigasi        1   5713    5713   691.1  < 2e-16 ***
## Dosis           4  25459    6365   769.9  < 2e-16 ***
## Fumigasi:Dosis  4   6258    1565   189.3 1.37e-15 ***
## Residuals      20    165       8                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#Fhit Tabel
(qf(0.05,1,20, lower.tail = FALSE))
## [1] 4.351244
(qf(0.05,4,20, lower.tail = FALSE))
## [1] 2.866081

Pada tabel Aova didapatkan \(F_Hit\) > \(F_Tab\) untuk Fumigasi, Dosis dan Interaksi sehingga tolak \(H_0\) dan dapat disimpulkan bahwa terdapat cukup bukti untuk menyatakan bahwa terdapat perbedaan pada fumigasi, dosis maupun interaksi antara fumigasi dan dosis terhadap respon pada taraf nyata 5%.

PLOT INTERAKSI

#cara 1
interaction.plot(datafumigasi$Dosis, datafumigasi$Fumigasi, datafumigasi$Respon)

library(phia)
## Warning: package 'phia' was built under R version 4.3.3
## Loading required package: car
## Loading required package: carData
model<-lm(Respon~Fumigasi*Dosis,data=datafumigasi)
interaksi<-interactionMeans(model)
plot(interaksi)

Dari suatu percobaan ingin diketahui apakah jenis materia dan suhu mempengaruhi daya tahan baterai (dalam jam)? dan apakah jenis material tertentu cocok untuk suhu tertentu? dari percobaan diperoleh data daya tahan sebagai berikut:

#IMPORT DATA STUDI KASUS 2
datasuhu <- read_excel("D:\\AGH 25\\Rancangan Faktorial.xlsx", sheet=2)
datasuhu
## # A tibble: 36 × 3
##    Material  Suhu DayaTahan
##    <chr>    <dbl>     <dbl>
##  1 A           15       130
##  2 A           70        34
##  3 A          125        20
##  4 A           15        74
##  5 A           70        80
##  6 A          125        82
##  7 A           15       155
##  8 A           70        40
##  9 A          125        70
## 10 A           15       180
## # ℹ 26 more rows
#Melihat Jenis Data
str(datasuhu)
## tibble [36 × 3] (S3: tbl_df/tbl/data.frame)
##  $ Material : chr [1:36] "A" "A" "A" "A" ...
##  $ Suhu     : num [1:36] 15 70 125 15 70 125 15 70 125 15 ...
##  $ DayaTahan: num [1:36] 130 34 20 74 80 82 155 40 70 180 ...
#Mengubah Kolom Material dan Suhu ke bentuk factor
#ANOVA
datasuhu$Material<- as.factor(datasuhu$Material)
datasuhu$Suhu<-as.factor(datasuhu$Suhu)
anovaRal1 <- aov(DayaTahan~Material*Suhu, data=datasuhu)
summary(anovaRal1)
##               Df Sum Sq Mean Sq F value   Pr(>F)    
## Material       2  10684    5342   7.911  0.00198 ** 
## Suhu           2  39119   19559  28.968 1.91e-07 ***
## Material:Suhu  4   9614    2403   3.560  0.01861 *  
## Residuals     27  18231     675                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
library(ggplot2)
library(sjPlot)
## Warning: package 'sjPlot' was built under R version 4.3.3
#Plot Interaksi
plot_model(anovaRal1, type="int")+ggplot2::geom_line()

## RANCANGAN FAKTORIAL (RAKL)

#STUDI KASUS 1
DataTinggi<-read_excel("D:\\AGH 25\\Rancangan Faktorial.xlsx", sheet=3)
knitr::kable(DataTinggi)
Varietas Kelompok Pupuk Tinggi
V1 1 N1 0.9
V1 2 N1 0.9
V1 3 N1 1.0
V2 1 N1 0.9
V2 2 N1 0.8
V2 3 N1 0.8
V3 1 N1 0.9
V3 2 N1 1.0
V3 3 N1 0.7
V1 1 N2 1.2
V1 2 N2 1.3
V1 3 N2 1.2
V2 1 N2 1.1
V2 2 N2 0.9
V2 3 N2 0.9
V3 1 N2 1.4
V3 2 N2 1.2
V3 3 N2 1.0
V1 1 N3 1.3
V1 2 N3 1.5
V1 3 N3 1.4
V2 1 N3 1.3
V2 2 N3 1.5
V2 3 N3 1.1
V3 1 N3 1.3
V3 2 N3 1.4
V3 3 N3 1.4
V1 1 N4 1.8
V1 2 N4 1.9
V1 3 N4 2.1
V2 1 N4 1.6
V2 2 N4 1.3
V2 3 N4 1.1
V3 1 N4 1.4
V3 2 N4 1.5
V3 3 N4 1.4
V1 1 N5 1.1
V1 2 N5 1.4
V1 3 N5 1.2
V2 1 N5 1.9
V2 2 N5 1.6
V2 3 N5 1.5
V3 1 N5 1.2
V3 2 N5 1.1
V3 3 N5 1.3 
#ANOVA
DataTinggi$Varietas<-as.factor(DataTinggi$Varietas)
DataTinggi$Pupuk<-as.factor(DataTinggi$Pupuk)
DataTinggi$Kelompok<-as.factor(DataTinggi$Kelompok)
AnovaFakRAKL<-aov(Tinggi~Varietas*Pupuk+Kelompok,data=DataTinggi)
summary(AnovaFakRAKL)
##                Df Sum Sq Mean Sq F value   Pr(>F)    
## Varietas        2 0.1693  0.0847   4.316   0.0232 *  
## Pupuk           4 2.4902  0.6226  31.732 4.95e-10 ***
## Kelompok        2 0.0640  0.0320   1.631   0.2138    
## Varietas:Pupuk  8 1.0151  0.1269   6.468 8.98e-05 ***
## Residuals      28 0.5493  0.0196                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(qf(0.05,2,28,lower.tail = FALSE))
## [1] 3.340386
(qf(0.05,4,28,lower.tail = FALSE))
## [1] 2.714076
(qf(0.05,8,28,lower.tail = FALSE))
## [1] 2.291264

Berdasarkan hasil pengujian dengan ANOVA, diperoleh hasil bahwa:
1. Tolak \(H_0\) pada varietas. Terdapat perbedaan pengaruh varietas terhadap tinggi tanaman pada taraf nyata 5%.
2. Tolak \(H_0\) pada pupuk. Terdapat perbedaan pengaruh pupuk terhadap tinggi tanaman pada taraf nyata 5%.
3. Tolak \(H_0\) pada interaksi varietas dengan tanaman. Terdapat perbedaan pengaruh interaksi varietas dengan tanaman terhadap tinggi tanaman pada taraf nyata 5%.
4. Tidak tolak \(H_0\) pada kelompok. Tidak terdapat perbedaan pengaruh kelompok terhadap tinggi tanaman pada taraf nyata 5%.

# PLOT INTERAKSI
ModelFakRAKL<-lm(Tinggi~Varietas*Pupuk+Kelompok,data=DataTinggi)
im2<-interactionMeans(ModelFakRAKL)
plot(im2)