#input data
# Input data dalam format long
data_rbsl <- data.frame(
  Hari = factor(rep(1:5, each = 5)),
  Merk = factor(rep(c("P", "M", "N", "S", "T"), times = 5)),
  Perlakuan = factor(c(
    "B", "A", "E", "C", "D",   # Hari 1
    "C", "D", "B", "A", "E",   # Hari 2
    "E", "B", "C", "D", "A",   # Hari 3
    "A", "C", "D", "E", "B",   # Hari 4
    "D", "E", "A", "B", "C"    # Hari 5
  )),
  Nilai = c(
    14,10,11,12,10,
    10,10,11,8,12,
    14,12,13,11,9,
    11,11,10,10,13,
    13,12,9,10,13
  )
)

# Lihat struktur data
print(data_rbsl)
##    Hari Merk Perlakuan Nilai
## 1     1    P         B    14
## 2     1    M         A    10
## 3     1    N         E    11
## 4     1    S         C    12
## 5     1    T         D    10
## 6     2    P         C    10
## 7     2    M         D    10
## 8     2    N         B    11
## 9     2    S         A     8
## 10    2    T         E    12
## 11    3    P         E    14
## 12    3    M         B    12
## 13    3    N         C    13
## 14    3    S         D    11
## 15    3    T         A     9
## 16    4    P         A    11
## 17    4    M         C    11
## 18    4    N         D    10
## 19    4    S         E    10
## 20    4    T         B    13
## 21    5    P         D    13
## 22    5    M         E    12
## 23    5    N         A     9
## 24    5    S         B    10
## 25    5    T         C    13
# Analisis ANOVA RBSL
model_rbsl <- aov(Nilai ~ Hari + Merk + Perlakuan, data = data_rbsl)
summary(model_rbsl)
##             Df Sum Sq Mean Sq F value Pr(>F)  
## Hari         4   7.36   1.840   1.308 0.3218  
## Merk         4  13.36   3.340   2.374 0.1104  
## Perlakuan    4  23.76   5.940   4.223 0.0231 *
## Residuals   12  16.88   1.407                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Karena p-value baris dan p-value kolom lebih besar dari alpha ( 𝛼 = 5%) maka tak tolak H0, sehingga tidak cukup bukti untuk menyatakan bahwa baris (perbedaan hari) dan kolom (perbedaan merk mobil) berpengaruh signifikan terhadap efektivitas kinerja mobil pada taraf nyata 5%. Sedangkan untuk perlakuan pencampuran biodiesel memiliki p-value lebih kecil dari alpha ( 𝛼 = 5%) maka tolak H0, sehingga cukup bukti untuk menyatakan bahwa perlakuan pencampuran biodiesel berpengaruh signifikan terhadap efektivitas kinerja mobil pada taraf nyata 5%.

# Plot interaksi antara Perlakuan dan Merk
interaction.plot(
  x.factor = data_rbsl$Perlakuan,
  trace.factor = data_rbsl$Merk,
  response = data_rbsl$Nilai,
  fun = mean,
  type = "b",
  pch = 19,
  col = rainbow(length(levels(data_rbsl$Merk))),
  xlab = "Perlakuan",
  ylab = "Rataan Nilai",
  trace.label = "Merk Mobil",
  main = "Plot Interaksi Perlakuan × Merk Mobil"
)

Karena terdapat perpotongan garis dan perubahan pola antar merk, dapat disimpulkan bahwa terjadi interaksi signifikan antara Perlakuan dan Merk Mobil. Dengan kata lain, efek perlakuan tergantung pada jenis merk mobil.

# Plot interaksi antara Perlakuan dan Hari
interaction.plot(
  x.factor = data_rbsl$Perlakuan,
  trace.factor = data_rbsl$Hari,
  response = data_rbsl$Nilai,
  fun = mean,
  type = "b",
  pch = 19,
  col = rainbow(length(levels(data_rbsl$Hari))),
  xlab = "Perlakuan",
  ylab = "Rataan Nilai",
  trace.label = "Hari",
  main = "Plot Interaksi Perlakuan × Hari"
)

Karena garis antar hari tidak sejajar dan saling berpotongan, maka terdapat indikasi kuat adanya interaksi signifikan antara Perlakuan dan Hari. Ini berarti efek perlakuan berbeda tergantung pada waktu pengamatan (hari).