Faktor Tunggal RBSL

Uiwang Nur Thoriq

2025-09-06

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