Rancangan Percobaan Faktor Tunggal (RAL)

Rancangan Acak Lengkap

1. Pengertian RAL

Rancangan Acak Lengkap (RAL) merupakan salah satu metode dalam rancangan percobaan yang digunakan ketika hanya terdapat satu faktor perlakuan dan seluruh unit percobaan dianggap homogen.

Dalam RAL, setiap unit percobaan memiliki peluang yang sama untuk mendapatkan perlakuan karena dilakukan pengacakan secara penuh (complete randomization). Oleh karena itu, rancangan ini tidak melibatkan pengelompokan, dan variasi yang muncul diasumsikan hanya berasal dari perlakuan dan galat percobaan.

Karakteristik Utama

  • Perlakuan merupakan level dari satu faktor
  • Unit percobaan bersifat homogen
  • Pengacakan dilakukan secara penuh
  • Tidak terdapat blok atau kelompok

2. Kelebihan dan Kekurangan RAL

Kelebihan

  • Prosedur analisis relatif sederhana
  • Mudah dalam perancangan dan pelaksanaan
  • Fleksibel dalam jumlah perlakuan dan ulangan
  • Cocok untuk kondisi lingkungan yang homogen

Kekurangan

  • Kurang efisien jika unit percobaan tidak homogen
  • Tidak mampu mengendalikan variasi lingkungan
  • Galat percobaan bisa menjadi besar jika terdapat heterogenitas
  • Sensitif terhadap data ekstrem (outlier)

3. Model Matematis RAL

Model linier untuk RAL faktor tunggal dinyatakan sebagai:

\[ Y_{ij} = \mu + \tau_i + \varepsilon_{ij} \]

Keterangan:

  • \(Y_{ij}\) : pengamatan ke-\(j\) pada perlakuan ke-\(i\)
  • \(\mu\) : rata-rata umum (grand mean)
  • \(\tau_i\) : pengaruh perlakuan ke-\(i\)
  • \(\varepsilon_{ij}\) : galat percobaan

4. Bentuk Tabel ANOVA RAL

Analisis RAL dilakukan menggunakan ANOVA satu arah dengan struktur sebagai berikut:

Sumber Keragaman Derajat Bebas Jumlah Kuadrat Kuadrat Tengah F Hitung
Perlakuan \(t - 1\) \(JKP\) \(KTP\) \(KTP / KTG\)
Galat \(t(r - 1)\) \(JKG\) \(KTG\) -
Total \(tr - 1\) \(JKT\) - -

Keterangan:

  • \(t\) : jumlah perlakuan
  • \(r\) : jumlah ulangan
  • \(JKP\) : jumlah kuadrat perlakuan
  • \(JKG\) : jumlah kuadrat galat
  • \(JKT\) : jumlah kuadrat total
  • \(KTP\) : kuadrat tengah perlakuan
  • \(KTG\) : kuadrat tengah galat

Kriteria Pengujian

  • Tolak \(H_0\) jika \(F_{hitung} > F_{tabel}\)
  • Gagal tolak \(H_0\) jika \(F_{hitung} \leq F_{tabel}\)

5. Contoh Aplikasi RAL di R Studio

Packages yang digunakan dalam rancangan acak lengkap (RAL) antara lain foreign, stats, dan readxl. Jika belum pernah menggunakan packages ini sebelumnya, maka terlebih dahulu dilakukan instalasi packages menggunakan fungsi install.packages(). Namun, jika sebelumnya sudah pernah menggunakan packages ini, maka hanya perlu mengimport packages menggunakan fungsi library().

#install.packages("stats")
library(stats)
#install.packages("readxl")
library(readxl)
## Warning: package 'readxl' was built under R version 4.3.3

Contoh Soal RAL

Pada percobaan pemberian pupuk pada tanaman jagung, terdapat 4 jenis pupuk (P1, P2, P3, P4) yang dicobakan dengan ulangan masing-masing sebanyak 3 kali. Petak penanaman jagung tersebut memiliki kondisi lingkungan yang homogen.

Data hasil percobaan disajikan sebagai berikut:

# 1. Input Data
hasil <- c(
  35, 40, 20, 40,  # Ulangan 1
  25, 30, 25, 50,  # Ulangan 2
  30, 30, 50, 40   # Ulangan 3
)

perlakuan <- rep(c("P1", "P2", "P3", "P4"), each = 3)
ulangan <- rep(1:3, times = 4)

data1 <- data.frame(hasil, perlakuan = as.factor(perlakuan), ulangan = as.factor(ulangan))
data1
##    hasil perlakuan ulangan
## 1     35        P1       1
## 2     40        P1       2
## 3     20        P1       3
## 4     40        P2       1
## 5     25        P2       2
## 6     30        P2       3
## 7     25        P3       1
## 8     50        P3       2
## 9     30        P3       3
## 10    30        P4       1
## 11    50        P4       2
## 12    40        P4       3
data1
##    hasil perlakuan ulangan
## 1     35        P1       1
## 2     40        P1       2
## 3     20        P1       3
## 4     40        P2       1
## 5     25        P2       2
## 6     30        P2       3
## 7     25        P3       1
## 8     50        P3       2
## 9     30        P3       3
## 10    30        P4       1
## 11    50        P4       2
## 12    40        P4       3
# 2. ANOVA (Sidik Ragam)
model1 <- aov(hasil ~ perlakuan, data = data1)
summary(model1)
##             Df Sum Sq Mean Sq F value Pr(>F)
## perlakuan    3  139.6   46.53   0.421  0.743
## Residuals    8  883.3  110.42

Berdasarkan hasil uji ANOVA, karena nilai p-value (0.743) > 0.05, maka gagal menolak H₀. Artinya, tidak ada perbedaan yang signifikan di antara keempat jenis pupuk (P1, P2, P3, P4) terhadap hasil panen jagung.

Untuk melakukan import file excel, digunakan fungsi read_excel() dan memasukkan direktori file. Jika pada file excel terdapat lebih dari satu sheet, digunakan argumen sheet="" dan menuliskan nama sheet tempat data yang dingin diolah berada. Dalam hal ini data berada pada Sheet1, sehingga syntax yang digunakan adalah sheet="Sheet1"

data.antosianin<-read_excel("C:/Users/LENOVO/Downloads/PRAKTIKUM_8.xlsx", sheet = "Sheet1")
str(data.antosianin)
## tibble [30 × 2] (S3: tbl_df/tbl/data.frame)
##  $ suhu            : num [1:30] 40 40 40 40 40 50 50 50 50 50 ...
##  $ kadar.antosianin: num [1:30] 19.4 32.6 27 32.1 33 17.7 24.8 27.9 25.2 24.3 ...

Peubah suhu dalam data.anosianin merupakan peubah yang bertipe numerik, padahal suhu dalam hal ini merupakan perlakuan yang semestinya bertipe kategorik. Sehingga, dilakukan pengubahan tipe peubah yang semula bertipe numerik menjadi faktor menggunakan fungsi as.factor()

data.antosianin$suhu<-as.factor(data.antosianin$suhu)

Terdapat dua cara untuk melakukan analisis rancangan acak lengkap. Cara pertama adalah dengan fungsi lm(). Argumen yang perlu dimasukkan pada fungsi lm() adalah persamaan peubah respon dan peubah penjelas serta data. Dalam hal ini peubah respon dan peubah penjelas dihubungkan dengan tanda ~. Setelah fungsi lm() dijalankan, anova yang terbentuk dapat terlihat menggunakan fungsi anova()

#Cara 1
anova.antosianin<-lm(kadar.antosianin~suhu, data=data.antosianin)
anova(anova.antosianin)
## Analysis of Variance Table
## 
## Response: kadar.antosianin
##           Df Sum Sq Mean Sq F value    Pr(>F)    
## suhu       5 847.05 169.409   14.37 1.485e-06 ***
## Residuals 24 282.93  11.789                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Cara kedua adalah menggunakan fungsi aov() dan memasukkan argumen berupa persamaan peubah respon dan peubah penjelas serta data, lalu menampilkan hasilnya menggunakan fungsi summary()

ujianova = aov(kadar.antosianin~suhu, data.antosianin)
ujianova
## Call:
##    aov(formula = kadar.antosianin ~ suhu, data = data.antosianin)
## 
## Terms:
##                     suhu Residuals
## Sum of Squares  847.0467  282.9280
## Deg. of Freedom        5        24
## 
## Residual standard error: 3.433463
## Estimated effects may be unbalanced
summary(ujianova)
##             Df Sum Sq Mean Sq F value   Pr(>F)    
## suhu         5  847.0  169.41   14.37 1.48e-06 ***
## Residuals   24  282.9   11.79                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Rancangan Percobaan Faktor Tunggal (RAKL)

Rancangan Acak Kelompok Lengkap

1. Pengertian RAKL

Rancangan Acak Kelompok Lengkap (RAKL) merupakan metode rancangan percobaan yang digunakan ketika terdapat satu faktor perlakuan, namun kondisi unit percobaan tidak homogen. Untuk mengatasi ketidakseragaman tersebut, unit percobaan dikelompokkan ke dalam beberapa blok (kelompok) yang relatif homogen.

Dalam RAKL, setiap kelompok berisi seluruh perlakuan, sehingga setiap perlakuan muncul satu kali di setiap kelompok. Pengacakan dilakukan di dalam masing-masing kelompok.

Karakteristik Utama

  • Terdapat satu faktor perlakuan
  • Unit percobaan tidak homogen
  • Terdapat pengelompokan (blok)
  • Setiap kelompok memuat seluruh perlakuan
  • Pengacakan dilakukan dalam kelompok

2. Kelebihan dan Kekurangan RAKL

Kelebihan

  • Mampu mengendalikan variasi akibat faktor lingkungan
  • Galat percobaan lebih kecil dibandingkan RAL
  • Hasil lebih akurat karena adanya pengelompokan
  • Cocok untuk percobaan di lapangan

Kekurangan

  • Perancangan lebih kompleks dibanding RAL
  • Tidak efisien jika jumlah perlakuan sangat banyak
  • Interaksi antara perlakuan dan kelompok dapat meningkatkan galat
  • Memerlukan pemahaman awal untuk menentukan blok yang tepat

3. Model Matematis RAKL

Model linier untuk RAKL dinyatakan sebagai:

\[ Y_{ij} = \mu + \tau_i + \beta_j + \varepsilon_{ij} \]

Keterangan:

  • \(Y_{ij}\) : pengamatan pada perlakuan ke-\(i\) di kelompok ke-\(j\)
  • \(\mu\) : rata-rata umum
  • \(\tau_i\) : pengaruh perlakuan ke-\(i\)
  • \(\beta_j\) : pengaruh kelompok ke-\(j\)
  • \(\varepsilon_{ij}\) : galat percobaan

Asumsi Model

  • Galat berdistribusi normal
  • Ragam homogen
  • Observasi saling bebas
  • Tidak ada interaksi antara perlakuan dan kelompok

4. Bentuk Tabel ANOVA RAKL

Analisis dilakukan menggunakan ANOVA dua arah tanpa interaksi dengan struktur sebagai berikut:

Sumber Keragaman Derajat Bebas Jumlah Kuadrat Kuadrat Tengah F Hitung
Perlakuan \(t - 1\) \(JKP\) \(KTP\) \(KTP / KTG\)
Kelompok \(r - 1\) \(JKK\) \(KTK\) \(KTK / KTG\)
Galat \((t - 1)(r - 1)\) \(JKG\) \(KTG\) -
Total \(tr - 1\) \(JKT\) - -

Keterangan:

  • \(t\) : jumlah perlakuan
  • \(r\) : jumlah kelompok
  • \(JKP\) : jumlah kuadrat perlakuan
  • \(JKK\) : jumlah kuadrat kelompok
  • \(JKG\) : jumlah kuadrat galat
  • \(JKT\) : jumlah kuadrat total

5. Kriteria Pengujian

  • Untuk perlakuan:
    • Tolak \(H_0\) jika \(F_{hitung} > F_{tabel}\)
  • Untuk kelompok:
    • Tolak \(H_0\) jika \(F_{hitung} > F_{tabel}\)

6. Contoh Aplikasi RAKL di Rstudio

Untuk melakukan import file excel, digunakan fungsi read_excel() dan memasukkan direktori file. Jika pada file excel terdapat lebih dari satu sheet, digunakan argumen sheet="" dan menuliskan nama sheet tempat data yang dingin diolah berada. Dalam hal ini data berada pada Sheet 2, sehingga syntax yang digunakan adalah sheet="Sheet 2" Untuk melihat dataframe yang dimiliki, digunakan fungsi View(), kemudian untuk melihat tipe peubah pada dataframe yang dimiliki, digunakan fungsi str()

data.menu<-read_excel("C:/Users/LENOVO/Downloads/PRAKTIKUM_8.xlsx", sheet = "Sheet2")
data.menu
## # A tibble: 18 × 3
##    Menu   Kota  Terjual
##    <chr>  <chr>   <dbl>
##  1 Menu 1 A          31
##  2 Menu 1 B          31
##  3 Menu 1 C          45
##  4 Menu 1 D          21
##  5 Menu 1 E          42
##  6 Menu 1 F          32
##  7 Menu 2 A          27
##  8 Menu 2 B          28
##  9 Menu 2 C          29
## 10 Menu 2 D          18
## 11 Menu 2 E          36
## 12 Menu 2 F          17
## 13 Menu 3 A          24
## 14 Menu 3 B          31
## 15 Menu 3 C          46
## 16 Menu 3 D          48
## 17 Menu 3 E          46
## 18 Menu 3 F          40
str(data.menu)
## tibble [18 × 3] (S3: tbl_df/tbl/data.frame)
##  $ Menu   : chr [1:18] "Menu 1" "Menu 1" "Menu 1" "Menu 1" ...
##  $ Kota   : chr [1:18] "A" "B" "C" "D" ...
##  $ Terjual: num [1:18] 31 31 45 21 42 32 27 28 29 18 ...

Dalam hal ini, peubah yang menjadi perlakuan (menu) dan kelompok (kota) memiliki tipe data karakter (chr). Tipe data karakter di R sudah merupakan suatu kategori, jadi tidak perlu diubah ke dalam bentuk faktor menggunakan as.factor() seperti yang sebelumnya dilakukan

Untuk melakukan analisis rancangan acak kelompok lengkap, fungsi dan cara yang digunakan sama seperti analisis pada rancangan acak lengkap. Yang membedakan adalah peubah penjelas yang semula hanya perlakuan, dalam analisis ini ditambahkan dengan kelompok menggunakan operator +. Dalam hal ini yang menjadi peubah respon adalah peubah Terjual sementara itu yang menjadi perlakuan adalah peubah Menu dan yang menjadi kelompok adalah peubah Kota. Sehingga, argumen yang digunakan menjadi Terjual~Kota+Menu. Syntax lengkapnya adalah sebagai berikut

#ANOVA
#Cara 1
anova.menu<-lm(Terjual~Kota+Menu, data=data.menu)
anova(anova.menu)
## Analysis of Variance Table
## 
## Response: Terjual
##           Df Sum Sq Mean Sq F value Pr(>F)  
## Kota       5 559.78 111.956  2.0610 0.1547  
## Menu       2 538.78 269.389  4.9591 0.0319 *
## Residuals 10 543.22  54.322                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#Cara 2
ujianova.menu = aov(Terjual~Kota+Menu, data=data.menu)
ujianova.menu
## Call:
##    aov(formula = Terjual ~ Kota + Menu, data = data.menu)
## 
## Terms:
##                     Kota     Menu Residuals
## Sum of Squares  559.7778 538.7778  543.2222
## Deg. of Freedom        5        2        10
## 
## Residual standard error: 7.370361
## Estimated effects may be unbalanced
summary(ujianova.menu)
##             Df Sum Sq Mean Sq F value Pr(>F)  
## Kota         5  559.8  111.96   2.061 0.1547  
## Menu         2  538.8  269.39   4.959 0.0319 *
## Residuals   10  543.2   54.32                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Rancangan Percobaan Faktor Tunggal (RBSL)

Rancangan Bujur Sangkar Latin (RBSL)

1. Pengertian RBSL

Rancangan Bujur Sangkar Latin (RBSL) merupakan metode rancangan percobaan yang digunakan ketika terdapat satu faktor perlakuan, namun terdapat dua sumber keragaman lain yang perlu dikendalikan, yaitu baris dan kolom.

RBSL digunakan untuk mengontrol variasi dari dua faktor luar yang tidak diteliti, sehingga pengaruh perlakuan dapat diamati dengan lebih akurat. Dalam rancangan ini, setiap perlakuan muncul tepat satu kali di setiap baris dan setiap kolom.

Karakteristik Utama

  • Terdapat satu faktor perlakuan
  • Mengendalikan dua sumber keragaman (baris dan kolom)
  • Jumlah perlakuan = jumlah baris = jumlah kolom
  • Setiap perlakuan muncul satu kali di setiap baris dan kolom
  • Cocok untuk kondisi dengan dua arah variasi

2. Kelebihan dan Kekurangan RBSL

Kelebihan

  • Mampu mengendalikan dua sumber variasi sekaligus
  • Galat percobaan lebih kecil dibanding RAL dan RAKL
  • Hasil analisis lebih akurat
  • Efisien untuk percobaan dengan dua arah variasi

Kekurangan

  • Perancangan lebih kompleks
  • Jumlah perlakuan harus sama dengan jumlah baris dan kolom
  • Tidak fleksibel dalam jumlah perlakuan
  • Sensitif jika ada data hilang

3. Model Matematis RBSL

Model linier untuk RBSL dinyatakan sebagai:

\[ Y_{ijk} = \mu + \tau_i + \beta_j + \gamma_k + \varepsilon_{ijk} \]

Keterangan:

  • \(Y_{ijk}\) : pengamatan pada perlakuan ke-\(i\), baris ke-\(j\), kolom ke-\(k\)
  • \(\mu\) : rata-rata umum
  • \(\tau_i\) : pengaruh perlakuan ke-\(i\)
  • \(\beta_j\) : pengaruh baris ke-\(j\)
  • \(\gamma_k\) : pengaruh kolom ke-\(k\)
  • \(\varepsilon_{ijk}\) : galat percobaan

Asumsi Model

  • Galat berdistribusi normal
  • Ragam homogen
  • Observasi saling bebas
  • Tidak ada interaksi antara perlakuan, baris, dan kolom

4. Bentuk Tabel ANOVA RBSL

Analisis dilakukan menggunakan ANOVA dengan struktur sebagai berikut:

Sumber Keragaman Derajat Bebas Jumlah Kuadrat Kuadrat Tengah F Hitung
Perlakuan \(t - 1\) \(JKP\) \(KTP\) \(KTP / KTG\)
Baris \(t - 1\) \(JKB\) \(KTB\) \(KTB / KTG\)
Kolom \(t - 1\) \(JKK\) \(KTK\) \(KTK / KTG\)
Galat \((t - 1)(t - 2)\) \(JKG\) \(KTG\) -
Total \(t^2 - 1\) \(JKT\) - -

Keterangan:

  • \(t\) : jumlah perlakuan (sama dengan jumlah baris dan kolom)
  • \(JKP\) : jumlah kuadrat perlakuan
  • \(JKB\) : jumlah kuadrat baris
  • \(JKK\) : jumlah kuadrat kolom
  • \(JKG\) : jumlah kuadrat galat
  • \(JKT\) : jumlah kuadrat total

5. Kriteria Pengujian

  • Untuk perlakuan:
    • Tolak \(H_0\) jika \(F_{hitung} > F_{tabel}\)
  • Untuk baris dan kolom:
    • Tolak \(H_0\) jika \(F_{hitung} > F_{tabel}\) ### Aplikasi di Rstudio

Mengapa Diperlukan Rancangan Bujur Sangkar Latin (RBSL)?

Dalam praktik percobaan, seringkali variasi yang muncul pada data tidak hanya berasal dari perlakuan, tetapi juga dari faktor lain yang tidak dapat dikendalikan secara langsung.

Pada Rancangan Acak Lengkap (RAL), seluruh unit percobaan diasumsikan homogen. Namun, dalam kondisi nyata, asumsi ini sering tidak terpenuhi.

Selanjutnya, Rancangan Acak Kelompok Lengkap (RAKL) diperkenalkan untuk mengatasi satu sumber keragaman dengan cara pengelompokan (blok). Akan tetapi, dalam beberapa kasus, terdapat lebih dari satu sumber keragaman yang dapat mempengaruhi hasil percobaan.

Rancangan Bujur Sangkar Latin (RBSL) digunakan ketika terdapat dua sumber keragaman yang ingin dikendalikan selain perlakuan, misalnya perbedaan baris dan kolom dalam suatu lahan atau posisi dalam ruang percobaan.

Dengan mengendalikan dua sumber variasi tersebut, RBSL mampu:

  • Mengurangi galat percobaan secara lebih efektif
  • Meningkatkan ketelitian dalam mengukur pengaruh perlakuan
  • Memberikan hasil analisis yang lebih akurat

Sebagai contoh, dalam percobaan pertanian: - Arah barat–timur mungkin memiliki perbedaan kesuburan tanah - Arah utara–selatan mungkin memiliki perbedaan intensitas cahaya

Jika hanya menggunakan RAL atau RAKL, salah satu variasi tersebut tidak akan terkontrol. Oleh karena itu, RBSL digunakan untuk mengendalikan kedua arah variasi tersebut secara simultan.

Dengan demikian, keberadaan RBSL menjadi penting untuk meningkatkan kualitas hasil percobaan pada kondisi yang memiliki dua sumber ketidakseragaman.

6. Contoh Aplikasi RBSL di Rstudio

Untuk melakukan import file excel, digunakan fungsi read_excel() dan memasukkan direktori file. Untuk melihat tipe data, digunakan fungsi str()

library(readxl)
rbsl<-read_excel("C:/Users/LENOVO/Downloads/PRAKTIKUM_8.xlsx", sheet = "Sheet3")
str(rbsl)
## tibble [25 × 4] (S3: tbl_df/tbl/data.frame)
##  $ Baris    : num [1:25] 1 1 1 1 1 2 2 2 2 2 ...
##  $ Kolom    : num [1:25] 1 2 3 4 5 1 2 3 4 5 ...
##  $ Perlakuan: chr [1:25] "B" "A" "E" "C" ...
##  $ Jumlah   : num [1:25] 14 10 11 12 10 10 10 11 8 12 ...

Dalam hal ini, peubah baris dan kolom yang semestinya bertipe kategorik masih bertipe numerik, sehingga perlu dilakukan pengubahan tipe peubah dari numerik menjadi kategorik dengan fungsi as.factor()

rbsl$Baris<-as.factor(rbsl$Baris)
rbsl$Kolom<-as.factor(rbsl$Kolom)

Untuk melakukan analisis rancangan bujur sangkar latin, fungsi dan cara yang digunakan sama seperti analisis pada rancangan acak kelompok lengkap. Yang membedakan adalah peubah penjelas yang semula hanya perlakuan dan kelompok dalam analisis ini yang menjadi peubah penjelas adalah perlakuan, baris dan kolom.

TABEL SIDIK RAGAM

# TABEL SIDIK RAGAM 
regresi <- lm(Jumlah~Baris+Kolom+Perlakuan, data=rbsl)
anova(regresi)
## Analysis of Variance Table
## 
## Response: Jumlah
##           Df Sum Sq Mean Sq F value  Pr(>F)  
## Baris      4   7.36  1.8400  1.3081 0.32178  
## Kolom      4  13.36  3.3400  2.3744 0.11044  
## Perlakuan  4  23.76  5.9400  4.2227 0.02315 *
## Residuals 12  16.88  1.4067                  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Untuk melakukan analisis rancangan bujur sangkar latin, fungsi dan cara yang digunakan sama seperti analisis pada rancangan acak kelompok lengkap. Yang membedakan adalah peubah penjelas yang semula hanya perlakuan dan kelompok dalam analisis ini yang menjadi peubah penjelas adalah perlakuan, baris dan kolom.

LATIHAN

Latihan Analisis Lanjutan

Untuk memperdalam pemahaman mengenai berbagai rancangan percobaan, mahasiswa diminta untuk melakukan analisis menggunakan rancangan yang berbeda pada data yang telah disediakan.

Gunakan data dengan judul “PRAKTIKUM_8” yang tersedia dalam file Excel, dengan ketentuan sebagai berikut:

1. Rancangan Acak Kelompok Lengkap (RAKL)

  • Gunakan data pada Sheet RAKL
  • Identifikasi:
    • Faktor perlakuan
    • Kelompok (blok)
  • Lakukan analisis menggunakan ANOVA RAKL
  • Interpretasikan:
    • Pengaruh perlakuan
    • Pengaruh kelompok

2. Rancangan Bujur Sangkar Latin (RBSL)

  • Gunakan data pada Sheet RBSL
  • Identifikasi:
    • Perlakuan
    • Baris
    • Kolom
  • Lakukan analisis menggunakan ANOVA RBSL
  • Interpretasikan:
    • Pengaruh perlakuan
    • Pengaruh baris
    • Pengaruh kolom

Petunjuk Umum

  • Gunakan taraf signifikansi \(\alpha = 0.05\)
  • Tentukan keputusan berdasarkan nilai p-value atau perbandingan F hitung dengan F tabel
  • Jika terdapat pengaruh yang signifikan pada perlakuan, lakukan uji lanjut yang sesuai
  • Sajikan hasil analisis dalam bentuk tabel ANOVA dan interpretasi