Akses Data di sini:
https://docs.google.com/spreadsheets/d/1Vy3fnvyHrovL_0IK2r17H9hOX232P7a2G8GA-0-3iA0/edit?usp=sharing
Faktor Tunggal RBSL merupakan percobaan yang dirancang dengan
melibatkan satu faktor dengan beberapa taraf sebagai perlakuan serta
terdapat dua sumber keragaman yang memengaruhi unit percobaan.
Kedua sumber keragaman dikontrol dengan membuat blocking atau
pengelompokan pada arah baris dan kolom.
Jumlah perlakuan = jumlah baris = jumlah kolom = p.
Pengacakan
Pengacakan dilakukan dengan memperhatikan batasan bahwa setiap perlakuan hanya muncul sekali pada arah naris dan hanya muncul sekali pada arah lajur (kolom).
Langkah:
1.Tempatkan perlakuan pada arah diagonal secara acak.
2.Acaklah penempatan baris.
3.Acaklah penempatan lajur.
Model
\[ Y_{ij(k)}=\mu+\alpha_i+\beta_j+\tau_{(k)}+ε_{ij(k)} \]
i = 1,2,…,r.
j = 1,2,…,r.
k = 1,2,…,r.
\(Y_{ij(k)}\) = nilai pengamatan pada
perlakuan ke-k dalam baris ke-i dan lajur ke-j.
\(\mu\) = rataan umum.
\(\tau_{(k)}\) = pengaruh perlakuan
ke-k dalam baris ke-i dan lajur ke-j.
\(\alpha_i\) = pengaruh baris
ke-i.
\(\beta_j\) = pengaruh lajur
ke-j.
\(ε_{ij}\) = pengaruh acak perlakuan
ke-k dalam baris ke-i dan lajur ke-j.
Hipotesis
Pengaruh perlakuan
\(H_0\) : \(\tau_{(1)}=\tau_{(2)}=...=\tau_{(t)}=0\) (perlakuan tidak berpengaruh terhadap respon).
\(H_1\) : Minimal ada satu perlakuan k dimana \(\tau_{(k)}≠0\).
Pengaruh baris
\(H_0\) : \(\alpha_1=\alpha_2=...=\alpha_r=0\) (baris tidak berpengaruh terhadap respon).
\(H_1\) : Minimal ada satu baris i dimana \(\beta_i≠0\).
Pengaruh lajur
\(H_0\) : \(\beta_1=\beta_2=...=\beta_r=0\) (lajur tidak berpengaruh terhadap respon).
\(H_1\) : Minimal ada satu lajur j dimana \(\beta_j≠0\).
Import Data
library(readxl)
DataRBSL<-read_xlsx("D:/Rancob/DataFull.xlsx",sheet = "FTunggal-RBSL")
DataRBSL
## # A tibble: 16 × 4
## Campuran Pengemudi Mobil Efisiensi
## <chr> <dbl> <dbl> <dbl>
## 1 A 1 4 29.1
## 2 A 2 3 19.4
## 3 A 3 2 31.1
## 4 A 4 1 14.7
## 5 B 1 2 33.9
## 6 B 2 1 16.3
## 7 B 3 4 30.3
## 8 B 4 3 19.7
## 9 C 1 3 13.2
## 10 C 2 2 26.6
## 11 C 3 1 10.8
## 12 C 4 4 21.6
## 13 D 1 1 15.5
## 14 D 2 4 22.8
## 15 D 3 3 17.1
## 16 D 4 2 34
ANOVA
DataRBSL$Campuran<-as.factor(DataRBSL$Campuran)
DataRBSL$Pengemudi<-as.factor(DataRBSL$Pengemudi)
DataRBSL$Mobil<-as.factor(DataRBSL$Mobil)
ANOVARBSL<-aov(Efisiensi~Campuran+Pengemudi+Mobil,data=DataRBSL)
summary(ANOVARBSL)
## Df Sum Sq Mean Sq F value Pr(>F)
## Campuran 3 109.0 36.33 9.155 0.0117 *
## Pengemudi 3 5.9 1.97 0.495 0.6987
## Mobil 3 736.9 245.64 61.903 6.63e-05 ***
## Residuals 6 23.8 3.97
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
qf(0.05,3,6,lower.tail = FALSE)
## [1] 4.757063
Pada campuran didapatkan Fhitung = 9.16 > Ftabel = 4.76.
Maka cukup bukti untuk menolak \(H_0\).
Ada perbedaan pengaruh campuran terhadap efisiensi pada taraf nyata
5%.
Pada pengemudi didapatkan Fhitung = 0.49 < Ftabel = 4.76.
Maka belum cukup bukti untuk menolak \(H_0\).
Tidak ada perbedaan pengaruh pengemudi terhadap efisiensi pada taraf
nyata 5%.
Pada mobil didapatkan Fhitung = 61.90 > Ftabel = 4.76.
Maka cukup bukti untuk menolak \(H_0\).
Ada perbedaan pengaruh mobil terhadap efisiensi pada taraf nyata 5%.
Efisiensi Relatif
\[ ER = \frac{KTL+KTB+(p-1)KTG}{(p+1)KTG} \]
TabelANOVARBSL<-as.data.frame(summary(ANOVARBSL)[1][[1]])
TabelANOVARBSL
## Df Sum Sq Mean Sq F value Pr(>F)
## Campuran 3 108.981875 36.327292 9.1547750 1.172763e-02
## Pengemudi 3 5.896875 1.965625 0.4953536 6.986927e-01
## Mobil 3 736.911875 245.637292 61.9026093 6.627081e-05
## Residuals 6 23.808750 3.968125 NA NA
p <- TabelANOVARBSL$Df[1]+1
KTL<-TabelANOVARBSL$`Mean Sq`[3]
KTB<-TabelANOVARBSL$`Mean Sq`[2]
KTG<-TabelANOVARBSL$`Mean Sq`[4]
ER<-(KTL+KTB+((p-1)*KTG))/((p+1)*KTG)
ER
## [1] 13.07959
Jika menggunakan Rancangan Acak Kelompok, maka membutuhkan ulangan sebanyak 14 x pada Rancangan Bujur Sangkar Latin. Dengan kata lain Rancangan Bujur Sangkar Latin lebih efisien dibandingkan dengan Rancangan Acak Kelompok Lengkap