# Membuat dataset RBSL
data_bunga_rosela <- data.frame(
Jenis_Pelarut = rep(c("A", "B", "C", "D", "E"), each = 5),
Tingkat_Kematangan = rep(c(1, 2, 3, 4, 5), times = 5),
Teknik_Pengeringan = c(1, 2, 3, 4, 5, 2, 3, 4, 5, 1, 3, 4, 5, 1, 2, 4, 5, 1, 2, 3, 5, 1, 2, 3, 4),
Rendemen = c(5.39, 5.38, 5.35, 5.35, 5.40,
5.63, 5.64, 5.61, 5.80, 5.62,
5.93, 5.95, 5.94, 5.92, 5.93,
6.26, 6.28, 6.24, 6.27, 6.28,
6.33, 6.32, 6.35, 6.38, 6.37)
)
str(data_bunga_rosela)
## 'data.frame': 25 obs. of 4 variables:
## $ Jenis_Pelarut : chr "A" "A" "A" "A" ...
## $ Tingkat_Kematangan: num 1 2 3 4 5 1 2 3 4 5 ...
## $ Teknik_Pengeringan: num 1 2 3 4 5 2 3 4 5 1 ...
## $ Rendemen : num 5.39 5.38 5.35 5.35 5.4 5.63 5.64 5.61 5.8 5.62 ...
# Memastikan bahwa semua variabel kategori dikonversi menjadi faktor
data_bunga_rosela$Jenis_Pelarut <- as.factor(data_bunga_rosela$Jenis_Pelarut)
data_bunga_rosela$Tingkat_Kematangan <- as.factor(data_bunga_rosela$Tingkat_Kematangan)
data_bunga_rosela$Teknik_Pengeringan <- as.factor(data_bunga_rosela$Teknik_Pengeringan)
# Melakukan ANOVA untuk RBSL
model_rbsl <- aov(Rendemen ~ Jenis_Pelarut + Tingkat_Kematangan + Teknik_Pengeringan, data = data_bunga_rosela)
# Menampilkan hasil analisis ANOVA
summary.aov(model_rbsl)
## Df Sum Sq Mean Sq F value Pr(>F)
## Jenis_Pelarut 4 3.352 0.8381 570.392 1.43e-13 ***
## Tingkat_Kematangan 4 0.006 0.0015 1.011 0.440
## Teknik_Pengeringan 4 0.008 0.0019 1.324 0.316
## Residuals 12 0.018 0.0015
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Menampilkan nilai F kritis untuk uji signifikansi
qf(0.05, df1 = 4, df2 = 12, lower.tail = FALSE)
## [1] 3.259167