Akses Data di sini:
https://docs.google.com/spreadsheets/d/1Vy3fnvyHrovL_0IK2r17H9hOX232P7a2G8GA-0-3iA0/edit?usp=sharing
Rancangan split plot (petak terpisah) RAL merupakan bentuk khusus
dari rancangan faktorial dimana kombinasi perlakuan diacak secara
bertahap. Kondisi unit percobaan dalam rancangan ini homogen.
Rancangan ini dapat diterapkan karena adanya:
1. Perbedaan tingkatan kepentingan dari faktor-faktor dalam percobaan.
Pada rancangan split plot, faktor dibagi ke petak utama dan anak petak,
dimana anak petak merupakan faktor yang lebih diutamakan.
2. Pengembangan dari percobaan yang telah berjalan.
3. Kendala teknis pengacakan di lapangan. Misal: tidak efisien jika
dilakukan pengacakan secara sempurna.
Pengacakan dan Layout Percobaan
Pengacakan dilakukan secara bertahap: 1. Faktor yang ditempatkan
sebagai petak utama diacak terlebih dahulu ke unit percobaan
(menyediakan petak sebanyak taraf petak utama x banyaknya ulangan yang
di dalam petak tersebut terdapat unit percobaan sebanyak taraf anak
petak).
2. Faktor yang ditempatkan sebagai anak petak diacak pada setiap petak
utama.
Cara 1
Lokasi<-c("Cipedak","Gatot S.")
Jenis<-paste("J",seq(10),sep="")
library(agricolae)
library(knitr)
Layout<-design.split(Lokasi, Jenis,r=3, design="crd",serie = 0, seed = 020, kinds = "Super-Duper",first=TRUE,randomization=TRUE)$book
kable(Layout)
plots | splots | r | Lokasi | Jenis |
---|---|---|---|---|
1 | 1 | 1 | Gatot S. | J10 |
1 | 2 | 1 | Gatot S. | J4 |
1 | 3 | 1 | Gatot S. | J6 |
1 | 4 | 1 | Gatot S. | J8 |
1 | 5 | 1 | Gatot S. | J1 |
1 | 6 | 1 | Gatot S. | J2 |
1 | 7 | 1 | Gatot S. | J5 |
1 | 8 | 1 | Gatot S. | J3 |
1 | 9 | 1 | Gatot S. | J9 |
1 | 10 | 1 | Gatot S. | J7 |
2 | 1 | 2 | Gatot S. | J10 |
2 | 2 | 2 | Gatot S. | J4 |
2 | 3 | 2 | Gatot S. | J7 |
2 | 4 | 2 | Gatot S. | J9 |
2 | 5 | 2 | Gatot S. | J5 |
2 | 6 | 2 | Gatot S. | J1 |
2 | 7 | 2 | Gatot S. | J6 |
2 | 8 | 2 | Gatot S. | J3 |
2 | 9 | 2 | Gatot S. | J2 |
2 | 10 | 2 | Gatot S. | J8 |
3 | 1 | 1 | Cipedak | J5 |
3 | 2 | 1 | Cipedak | J1 |
3 | 3 | 1 | Cipedak | J8 |
3 | 4 | 1 | Cipedak | J7 |
3 | 5 | 1 | Cipedak | J10 |
3 | 6 | 1 | Cipedak | J3 |
3 | 7 | 1 | Cipedak | J4 |
3 | 8 | 1 | Cipedak | J2 |
3 | 9 | 1 | Cipedak | J9 |
3 | 10 | 1 | Cipedak | J6 |
4 | 1 | 2 | Cipedak | J5 |
4 | 2 | 2 | Cipedak | J2 |
4 | 3 | 2 | Cipedak | J10 |
4 | 4 | 2 | Cipedak | J1 |
4 | 5 | 2 | Cipedak | J4 |
4 | 6 | 2 | Cipedak | J7 |
4 | 7 | 2 | Cipedak | J8 |
4 | 8 | 2 | Cipedak | J6 |
4 | 9 | 2 | Cipedak | J9 |
4 | 10 | 2 | Cipedak | J3 |
5 | 1 | 3 | Cipedak | J4 |
5 | 2 | 3 | Cipedak | J6 |
5 | 3 | 3 | Cipedak | J2 |
5 | 4 | 3 | Cipedak | J1 |
5 | 5 | 3 | Cipedak | J3 |
5 | 6 | 3 | Cipedak | J5 |
5 | 7 | 3 | Cipedak | J10 |
5 | 8 | 3 | Cipedak | J7 |
5 | 9 | 3 | Cipedak | J9 |
5 | 10 | 3 | Cipedak | J8 |
6 | 1 | 3 | Gatot S. | J5 |
6 | 2 | 3 | Gatot S. | J8 |
6 | 3 | 3 | Gatot S. | J2 |
6 | 4 | 3 | Gatot S. | J1 |
6 | 5 | 3 | Gatot S. | J10 |
6 | 6 | 3 | Gatot S. | J4 |
6 | 7 | 3 | Gatot S. | J7 |
6 | 8 | 3 | Gatot S. | J6 |
6 | 9 | 3 | Gatot S. | J3 |
6 | 10 | 3 | Gatot S. | J9 |
Cara 2
Layout1<-design.crd(Lokasi,r=3,serie=0)
Layout2<-design.rcbd(Jenis,r=6)
kable(cbind(Layout1$book,Layout2$sketch))
plots | r | Lokasi | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | 1 | Gatot S. | J7 | J1 | J3 | J5 | J10 | J9 | J2 | J8 | J4 | J6 |
2 | 1 | Cipedak | J2 | J5 | J10 | J1 | J6 | J9 | J4 | J7 | J3 | J8 |
3 | 2 | Gatot S. | J10 | J3 | J5 | J8 | J6 | J7 | J2 | J1 | J4 | J9 |
4 | 2 | Cipedak | J2 | J6 | J10 | J5 | J4 | J9 | J3 | J7 | J8 | J1 |
5 | 3 | Gatot S. | J5 | J3 | J2 | J9 | J10 | J4 | J1 | J8 | J6 | J7 |
6 | 3 | Cipedak | J8 | J9 | J3 | J6 | J5 | J4 | J1 | J10 | J7 | J2 |
Model Linear
\[
Y_{ijk}=\mu+\alpha_i+\delta_{ik}+\beta_j+(\alpha\beta)_{ij}+ε_{ijk}
\] Keterangan:
\(Y_{ijk}\) = nilai pengamatan pada
faktor A taraf ke-i, faktor B taraf ke-j, dan ulangan ke-k.
\(\mu\) = komponen aditif dari rataan
umum.
\(\alpha_i\) = pengaruh utama faktor
A.
\(\beta_j\) = pengaruh utama faktor
B.
\((\alpha\beta)_{ij}\) = komponen
interaksi dari faktor A dan faktor B.
\(\delta_{ik}\) = komponen acak dari
petak utama yang menyebar normal.
\(ε_{ijk}\) = pengaruh acak dari anak
petak yang menyebar Normal.
Hipotesis
Pengaruh petak utama (faktor A):
\(H_0\) : \(\alpha_1=\alpha_2=...=\alpha_a=0\) (Faktor A tidak berpengaruh terhadap respon).
\(H_1\) : Minimal ada satu i dimana \(\alpha_i≠0\).
Pengaruh anak petak (faktor B):
\(H_0\) : \(\beta_1=\beta_2=...=\beta_b=0\) (faktor B tidak berpengaruh terhadap respon).
\(H_1\) : Minimal ada satu j dimana \(\beta_j≠0\).
Pengaruh interaksi faktor A dengan faktor B:
\(H_0\) : \((\alpha\beta)_{11}=(\alpha\beta)_{12}=...=(\alpha\beta)_{ab}=0\) (Interaksi dari faktor A dengan faktor B tidak berpengaruh terhadap respon).
\(H_1\) : Minimal ada sepasang (i,j) dimana \((\alpha\beta)_{ij}≠0\).
Import Data
Dalam usaha menjaga kesehatan lingkungan dilakukan percobaan dengan menggunakan berbagai jenis tanaman untuk menyerap debu di udara. Jenis tanaman yang digunakan antara lain tanaman berdaun kecil licin (J1 dan J2), berdaun kecil kasar (J3,J4), berdaun lebar licin (J5,J6), berdaun lebar kasar (J7,J8) dan berdaun jarum (J9,J10). Bibit tanaman diambil dari dua lokasi (Cipedak dan Gatot Subroto). Setiap perlakuan diulang 3 kali dan unit percobaan yang digunakan diasumsikan homogen. Dari percobaan ini ingin diketahui jenis tanaman yang mampu menyerap debu paling efektif dan di lokasi mana. Peubah respon yang diukur dalam percobaan ini adalah konsentrasi debu(ppm) yang melekat pada daun tanaman. Lokasi sebagai petak utama dan Jenis Tanaman sebagai anak petak. Data yang diperoleh sebagai berikut:
library(readxl)
DataDebu<-read_xlsx("D:/Rancob/DataFull.xlsx",sheet="SplitPlot-RAL")
DataDebu
## # A tibble: 60 × 5
## No Lokasi Jenis Ulangan `Konsentrasi debu`
## <dbl> <chr> <chr> <dbl> <dbl>
## 1 1 Cipedak J1 1 31.2
## 2 2 Cipedak J1 2 31.7
## 3 3 Cipedak J1 3 32.1
## 4 4 Cipedak J2 1 27
## 5 5 Cipedak J2 2 27.2
## 6 6 Cipedak J2 3 27.7
## 7 7 Cipedak J3 1 66.6
## 8 8 Cipedak J3 2 67.1
## 9 9 Cipedak J3 3 67.2
## 10 10 Cipedak J4 1 98.3
## # ℹ 50 more rows
Anova
DataDebu$Lokasi<-as.factor(DataDebu$Lokasi)
DataDebu$Jenis<-as.factor(DataDebu$Jenis)
DataDebu$Ulangan<-as.factor(DataDebu$Ulangan)
AnovaSplitRAL<-aov(`Konsentrasi debu`~Lokasi*Jenis+Error(Ulangan:Lokasi),data=DataDebu)
summary(AnovaSplitRAL)
##
## Error: Ulangan:Lokasi
## Df Sum Sq Mean Sq F value Pr(>F)
## Lokasi 1 105404 105404 45587 2.89e-09 ***
## Residuals 4 9 2
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Error: Within
## Df Sum Sq Mean Sq F value Pr(>F)
## Jenis 9 160762 17862 343631 <2e-16 ***
## Lokasi:Jenis 9 20732 2304 44314 <2e-16 ***
## Residuals 36 2 0
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
qf(0.05,1,4,lower.tail = F)
## [1] 7.708647
qf(0.05,9,36,lower.tail = F)
## [1] 2.152607
Pengaruh Petak Utama (faktor Lokasi (A)) :
Fhit > Ftabel (0.05,1,4) , maka tolak H0, Artinya cukup bukti untuk
menyatakan terdapat perbedaan pengaruh lokasi terhadap konsentrasi debu
(ppm) pada taraf nyata 5%.
Pengaruh Anak petak (faktor jenis tanaman (B)):
Fhit > Ftabel (0.05,9,36) , maka tolak H0, Artinya cukup bukti untuk
menyatakan terdapat perbedaan pengaruh jenis tanaman terhadap
konsentrasi debu (ppm) pada taraf nyata 5%.
Pengaruh interaksi faktor lokasi dengan faktor jenis tanaman:
Fhit > Ftabel (0.05,9,36), maka tolak H0, Artinya terdapat perbedaan
interaksi dari perbedaan lokasi dan perbedaan jenis tanaman terhadap
konsentrasi debu (ppm) pada taraf nyata 5%.
Plot
library(ggplot2)
ggplot(aes(x = Jenis, y = `Konsentrasi debu`, group = Lokasi, colour = Lokasi), data = DataDebu) + geom_line() + facet_wrap(~ Ulangan) + theme_bw()
Terlihat bahwa pola relatif sama antara ulangan, sehingga dapat dianggap
bahwa unit percobaan benar-benar homogen.