Nomor 1
A. Faktor, Level, Perlakuan, Satuan Percobaan, Satuan Amatan, dan
Respon
Faktor: Konsentrasi hormon tumbuh
Level: 6 level (0 ppm, 0.25 ppm, 0.5 ppm, 0.75 ppm, 1.00 ppm, 1.25
ppm)
Perlakuan: Pemberian hormon dengan berbagai konsentrasi
Satuan percobaan: Lahan tempat menanam kedelai
Satuan amatan: Produksi kedelai yang diukur (dalam kuintal/ha)
Respon: Hasil produksi kedelai
B. Model Linier
Yij=μ+τi+εij atau Yij=μi+εij
i = 1,2,…,t. j = 1,2,…,r.
Yij = nilai pengamatan pada perlakuan ke-i dan ulangan ke-j.
μ = rataan umum.
τi = pengaruh konsentrasi hormon ke-i = μi−μ
εij = pengaruh acak perlakuan ke-i dan ulangan ke-j
C. Hipotesis
Hipotesis nol = Tidak ada pengaruh signifikan dari konsentrasi
hormon terhadap produksi kedelai.
Hipotesis alternatif = Ada pengaruh signifikan dari konsentrasi
hormon terhadap produksi kedelai.
D. ANOVA
library(readxl)
DataRAL <- read_xlsx("C:\\Users\\mhdha\\Downloads\\Data latihan nomor 1.xlsx", sheet = "Sheet1")
DataRAL
## # A tibble: 24 × 2
## Konsentrasi Produksi
## <chr> <dbl>
## 1 0(H0) 8
## 2 0(H0) 8.1
## 3 0(H0) 7.5
## 4 0(H0) 7.7
## 5 0.25(H1) 8.3
## 6 0.25(H1) 8.2
## 7 0.25(H1) 8.3
## 8 0.25(H1) 7.9
## 9 0.5(H2) 8.9
## 10 0.5(H2) 8.9
## # ℹ 14 more rows
DataRAL$Konsentrasi<-as.factor(DataRAL$Konsentrasi)
ANOVARAL <- aov( Produksi ~ Konsentrasi, data = DataRAL)
summary(ANOVARAL)
## Df Sum Sq Mean Sq F value Pr(>F)
## Konsentrasi 5 4.873 0.9747 6.8 0.00101 **
## Residuals 18 2.580 0.1433
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
F-hitung > F-tabel
Bahwa, dapat disimpulkan konsentrasi hormon berpengaruh signifikan
terhadap produksi kedelai.
Nomor 2
# Membuat Data untuk RBSL
data_rbsl <- data.frame(
Baris = rep(1:5, each = 5),
Kolom = rep(1:5, times = 5),
Perlakuan = factor(c("A", "B", "C", "D", "E",
"B", "C", "D", "E", "A",
"C", "D", "E", "A", "B",
"D", "E", "A", "B", "C",
"E", "A", "B", "C", "D")),
Hasil = c(5.39, 5.63, 5.93, 6.03, 6.56,
5.26, 5.48, 5.63, 5.71, 5.96,
5.12, 5.36, 5.61, 5.64, 5.87,
5.92, 6.27, 5.38, 5.80, 5.35,
5.62, 5.95, 5.64, 5.80, 5.97)
)
print(data_rbsl)
## Baris Kolom Perlakuan Hasil
## 1 1 1 A 5.39
## 2 1 2 B 5.63
## 3 1 3 C 5.93
## 4 1 4 D 6.03
## 5 1 5 E 6.56
## 6 2 1 B 5.26
## 7 2 2 C 5.48
## 8 2 3 D 5.63
## 9 2 4 E 5.71
## 10 2 5 A 5.96
## 11 3 1 C 5.12
## 12 3 2 D 5.36
## 13 3 3 E 5.61
## 14 3 4 A 5.64
## 15 3 5 B 5.87
## 16 4 1 D 5.92
## 17 4 2 E 6.27
## 18 4 3 A 5.38
## 19 4 4 B 5.80
## 20 4 5 C 5.35
## 21 5 1 E 5.62
## 22 5 2 A 5.95
## 23 5 3 B 5.64
## 24 5 4 C 5.80
## 25 5 5 D 5.97
A. Model Linier
Y_ij(k)=miu+alpha_i+Beta_j+tao(k)+Epsilon_ij
B. Hipotesis
H0; miu1 = miu2 = miu3 = miu4= miu5 = 0, tidak ada perbedaan
signifikan di antara kelima jenis pelarut
H1; miu(i) != miu(j) , untuk i != j, terdapat setidaknya sepasang
jenis pelarut yang berbeda
C. ANOVA
anova_rbsl <- aov(Hasil ~ Perlakuan + Baris + Kolom, data = data_rbsl)
summary(anova_rbsl)
## Df Sum Sq Mean Sq F value Pr(>F)
## Perlakuan 4 0.5094 0.1273 1.492 0.246
## Baris 1 0.0039 0.0039 0.045 0.834
## Kolom 1 0.5182 0.5182 6.072 0.024 *
## Residuals 18 1.5360 0.0853
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
D. Kesimpulan
Dari hasil tersebut, pada jenis pelarut didapatkan bahwa pada F
hitung=1,492 > F tabel=0,246. Maka, Tolak H0. Sehingga dapat
disimpulkan bahwa ada perbedaan yang signifikan terhadap tingkat
kematangan pada taraf nyata 5%.