Rancangan Acak Lengkap Faktorial

Author

Arthur Zefanya Lauale

(0). Library.

library(broom)
library(car)
Loading required package: carData
library(caret)
Loading required package: ggplot2
Loading required package: lattice
library(ggplot2)
library(glmnet)
Loading required package: Matrix
Loaded glmnet 5.1
library(ISLR2)
library(knitr)
library(lmtest)
Loading required package: zoo

Attaching package: 'zoo'
The following objects are masked from 'package:base':

    as.Date, as.Date.numeric
library(MASS)

Attaching package: 'MASS'
The following object is masked from 'package:ISLR2':

    Boston
library(nortest)
library(olsrr)

Attaching package: 'olsrr'
The following object is masked from 'package:MASS':

    cement
The following object is masked from 'package:datasets':

    rivers
library(patchwork)

Attaching package: 'patchwork'
The following object is masked from 'package:MASS':

    area
library(performance)
library(rmarkdown)
library(stats)
library(tidymodels)
── Attaching packages ────────────────────────────────────── tidymodels 1.5.0 ──
✔ dials        1.4.4     ✔ rsample      1.3.2
✔ dplyr        1.2.1     ✔ tailor       0.1.0
✔ infer        1.1.0     ✔ tidyr        1.3.2
✔ modeldata    1.6.0     ✔ tune         2.1.0
✔ parsnip      1.6.1     ✔ workflows    1.3.0
✔ purrr        1.2.2     ✔ workflowsets 1.1.1
✔ recipes      1.4.0     ✔ yardstick    1.4.0
── Conflicts ───────────────────────────────────────── tidymodels_conflicts() ──
✖ rsample::calibration()   masks caret::calibration()
✖ purrr::discard()         masks scales::discard()
✖ tidyr::expand()          masks Matrix::expand()
✖ dplyr::filter()          masks stats::filter()
✖ dplyr::lag()             masks stats::lag()
✖ purrr::lift()            masks caret::lift()
✖ yardstick::mae()         masks performance::mae()
✖ yardstick::mse()         masks performance::mse()
✖ tidyr::pack()            masks Matrix::pack()
✖ yardstick::precision()   masks caret::precision()
✖ yardstick::recall()      masks caret::recall()
✖ dplyr::recode()          masks car::recode()
✖ yardstick::rmse()        masks performance::rmse()
✖ dplyr::select()          masks MASS::select()
✖ yardstick::sensitivity() masks caret::sensitivity()
✖ purrr::some()            masks car::some()
✖ yardstick::specificity() masks caret::specificity()
✖ recipes::step()          masks stats::step()
✖ tidyr::unpack()          masks Matrix::unpack()
✖ recipes::update()        masks Matrix::update(), stats::update()
library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ forcats   1.0.1     ✔ stringr   1.6.0
✔ lubridate 1.9.5     ✔ tibble    3.3.1
✔ readr     2.2.0     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ readr::col_factor() masks scales::col_factor()
✖ purrr::discard()    masks scales::discard()
✖ tidyr::expand()     masks Matrix::expand()
✖ dplyr::filter()     masks stats::filter()
✖ stringr::fixed()    masks recipes::fixed()
✖ dplyr::lag()        masks stats::lag()
✖ purrr::lift()       masks caret::lift()
✖ tidyr::pack()       masks Matrix::pack()
✖ dplyr::recode()     masks car::recode()
✖ dplyr::select()     masks MASS::select()
✖ purrr::some()       masks car::some()
✖ readr::spec()       masks yardstick::spec()
✖ tidyr::unpack()     masks Matrix::unpack()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

(1). Pertanyaan 1.

Balai karantina ingin mengetahui pengaruh pemberian fumigasi dengan berbagai dosis (0, 16, 32, 48, 64 \(g/m^3\)) dengan lama fumigasi yang berbeda (2 dan 4 jam) terhadap daya kecambah benih tomat. Metode pengecambahan yang digunakan adalah Growing on Test. Unit percobaan yang digunakan diasumsikan homogen. Datanya diperoleh sebagai berikut.

Ujilah apakah ada interaksi antara lama fumigasi (jam) dan dosis fumigan (\(g/m^3\)).

(1). Jawaban 1.

  • Tahap Awal.

    • Mendefinisikan Faktor A dan B.

      Lama fumigasi disebut sebagai faktor A, sedangkan dosis fumigan disebut sebagai faktor B.

    • Membuat Tabel Keseluruhan.

      tabel_seluruh <- data.frame(
        lama_fumigasi = c(
          rep(2,3),
          rep(4,3)
        ),
        ulangan = c(
          rep(1:3,1),
          rep(1:3,1)
        ),
        dosis_0 = c(
          96,98,94,
          90,94,92
        ),
        dosis_16 = c(
          92,88,90,
          88,92,94
        ),
        dosis_32 = c(
          92,94,84,
          78,82,74
        ),
        dosis_48 = c(
          74,74,68,
          0,0,0
        ),
        dosis_64 = c(
          50,50,54,
          0,0,0
        )
      )
      
      knitr::kable(
        tabel_seluruh,
        caption = "daya kecambah (%) benih tomat 
        (tabel seluruh)"
      )
      daya kecambah (%) benih tomat (tabel seluruh)
      lama_fumigasi ulangan dosis_0 dosis_16 dosis_32 dosis_48 dosis_64
      2 1 96 92 92 74 50
      2 2 98 88 94 74 50
      2 3 94 90 84 68 54
      4 1 90 88 78 0 0
      4 2 94 92 82 0 0
      4 3 92 94 74 0 0
    • Membuat Tabel Perlakuan.

      tabel_perlakuan <- data.frame(
        lama_fumigasi = c(
          2,
          4
        ),
        dosis_0 = c(
          sum(tabel_seluruh$dosis_0[1:3]),
          sum(tabel_seluruh$dosis_0[4:6])
        ),
        dosis_16 = c(
          sum(tabel_seluruh$dosis_16[1:3]),
          sum(tabel_seluruh$dosis_16[4:6])
        ),
        dosis_32 = c(
          sum(tabel_seluruh$dosis_32[1:3]),
          sum(tabel_seluruh$dosis_32[4:6])
        ),
        dosis_48 = c(
          sum(tabel_seluruh$dosis_48[1:3]),
          sum(tabel_seluruh$dosis_48[4:6])
        ),
        dosis_64 = c(
          sum(tabel_seluruh$dosis_64[1:3]),
          sum(tabel_seluruh$dosis_64[4:6])
        )
        )
      
      tabel_perlakuan$jumlah_Y_i.. <- 
        rowSums(tabel_perlakuan[,2:6])
      
      tabel_perlakuan <- tabel_perlakuan %>%
        dplyr::add_row(
          lama_fumigasi = NA,
          dosis_0 = 
            sum(tabel_perlakuan$dosis_0),
          dosis_16 = 
            sum(tabel_perlakuan$dosis_16),
          dosis_32 = 
            sum(tabel_perlakuan$dosis_32),
          dosis_48 = 
            sum(tabel_perlakuan$dosis_48),
          dosis_64 = 
            sum(tabel_perlakuan$dosis_64),
          jumlah_Y_i.. = 
            sum(tabel_perlakuan$jumlah_Y_i..)
        )
      
      knitr::kable(
        tabel_perlakuan,
        caption = "daya kecambah (%) benih tomat 
        (tabel perlakuan)"
      )
      daya kecambah (%) benih tomat (tabel perlakuan)
      lama_fumigasi dosis_0 dosis_16 dosis_32 dosis_48 dosis_64 jumlah_Y_i..
      2 288 270 270 216 154 1198
      4 276 274 234 0 0 784
      NA 564 544 504 216 154 1982
    • Menghitung Rata-Rata Faktor A Taraf Pertama (Lama Fumigasi \(= 2\) Jam).

      mean_A_1 <- 
        as.numeric(tabel_perlakuan[1,2:6]/3)
      mean_A_1
      [1] 96.00000 90.00000 90.00000 72.00000 51.33333
    • Menghitung Rata-Rata Faktor A Taraf Kedua (Lama Fumigasi \(= 4\) Jam).

      mean_A_2 <-
        as.numeric(tabel_perlakuan[2,2:6])/3
      mean_A_2
      [1] 92.00000 91.33333 78.00000  0.00000  0.00000
    • Membuat Plot Interaksi Faktor A dan Faktor B.

      # dosis_fumigasi
      dosis_fumigasi = c(
        0,16,32,48,64
      )
      
      # plot interaksi
      plot(dosis_fumigasi,
           mean_A_1,
           type = "o",
           pch = 19,
           col = "blue",
           lty = 1,
           lwd = 1.5,
           ylim = c(0,110),
           main = "plot interaksi faktor A dan faktor B",
           xlab = "dosis fumigan (faktor B)",
           ylab = "rata-rata daya kecambah (respon)")
      lines(x = dosis_fumigasi,
            y = mean_A_2,
            type = "o",
            pch = 19,
            col = "red",
            lty = 1,
            lwd = 1.5)
      legend(
        "topright",
        legend = c("fak. A taraf 2 jam",
                   "fak. A taraf 4 jam"),
        col = c("blue","red"),
        lty = c(1,1),
        lwd = c(1.5,1.5)
      )

      Interpretasi: Diperhatikan bahwa kurva faktor A taraf 2 jam dan kurva faktor A taraf 4 jam bersilangan, sehingga diduga bahwa faktor A (lama fumigasi) dan faktor B (dosis fumigan) berinteraksi. Kedua kurva yang bersilangan pada plot interaksi di atas juga dapat membuat kita menduga bahwa pengaruh sederhana lama fumigasi pada dosis fumigan \(0\), \(16\), \(32\), \(48\), dan \(64\) \(g/m^3\) tidaklah sama.

    • Hipotesis:

      \(H_0:\) Tidak ada interaksi antara faktor A dan faktor B.

      \(H_1:\) Ada interaksi antara faktor A dan faktor B.

  • Tahap Analisis.

    • Mendefinisikan r

      r = banyak ulangan.

      r <- 3
      r
      [1] 3
    • Mendefinisikan a

      a = banyaknya taraf faktor A.

      a <- 2
      a
      [1] 2
    • Mendefinisikan b

      b = banyaknya taraf faktor B.

      b <- 5
      b
      [1] 5
    • Mendefinisikan Y_...

      Y_... <- tabel_perlakuan[3,7]
      Y_...
      [1] 1982
    • Mendefinisikan Y_ijk

      Y_ijk = as.numeric(c(
        tabel_seluruh[1,3:7],
        tabel_seluruh[2,3:7],
        tabel_seluruh[3,3:7],
        tabel_seluruh[4,3:7],
        tabel_seluruh[5,3:7],
        tabel_seluruh[6,3:7]
        )
      )
      
      Y_ijk
       [1] 96 92 92 74 50 98 88 94 74 50 94 90 84 68 54 90 88 78  0  0 94 92 82  0  0
      [26] 92 94 74  0  0
    • Mendefinisikan Y_ij

      Y_ij <- as.numeric(
        c(
          tabel_perlakuan[1,2:6],
          tabel_perlakuan[2,2:6]
        )
      )
      
      Y_ij
       [1] 288 270 270 216 154 276 274 234   0   0
    • Mendefinisikan Y_i..

      Y_i.. <- as.numeric(
        c(
          tabel_perlakuan[1,7],
          tabel_perlakuan[2,7]
        )
      )
      
      Y_i..
      [1] 1198  784
    • Mendefinisikan Y_.j.

      Y_.j. <- as.numeric(
        c(
          tabel_perlakuan[3,2:6]
        )
      )
      
      Y_.j.
      [1] 564 544 504 216 154
    • Mendefinisikan db_A

      db_A <- (a - 1)
      db_A
      [1] 1
    • Mendefinisikan db_B

      db_B <-  (b - 1)
      db_B
      [1] 4
    • Mendefinisikan db_AB

      db_AB <- (a - 1)*(b - 1)
      db_AB
      [1] 4
    • Mendefinisikan db_Total

      db_Total <- a*b*r - 1
      db_Total
      [1] 29
    • Mendefinisikan db_Galat

      db_Galat <- 
        db_Total - db_A - db_B - db_AB
      db_Galat
      [1] 20
    • Menghitung Faktor Koreksi \((FK)\)

      \(FK = \frac{Y_{...}^2}{a \times b \times r}\)

      FK <- (Y_...)^2/(a * b * r)
      FK
      [1] 130944.1
    • Menghitung Jumlah Kuadrat Total \((JKT)\)

      \(JKT = \sum_{i = 1}^{a} \sum_{j = 1}^{b} \sum_{k = 1}^{r} (Y_{ijk}^2) - FK\)

      JKT <- 
        sum(Y_ijk^2) - FK
      JKT
      [1] 37595.87
    • Menghitung Jumlah Kuadrat Perlakuan \((JKP)\)

      \(JKP = \frac{\sum_{i = 1}^{a} \sum_{j = 1}^{b}(Y_{ij}^2)}{r} - FK\)

      JKP <- 
        (sum(Y_ij^2)/r) - FK
      JKP
      [1] 37430.53
    • Menghitung Jumlah Kuadrat Faktor A \((JKA)\)

      \(JKA = \frac{\sum_{i = 1}^{a} Y_{i..}^2}{b \times r} - FK\)

      JKA <- 
        (sum(Y_i..^2)/(b*r)) - FK
      JKA
      [1] 5713.2
    • Menghitung Jumlah Kuadrat Faktor B \((JKB)\)

      \(JKB = \frac{\sum_{j = 1}^{b} Y_{.j.}^2}{a \times r} - FK\)

      JKB <-
        (sum(Y_.j.^2)/(a*r)) - FK
      JKB
      [1] 25459.2
    • Menghitung Jumlah Kuadrat Interaksi AB \((JKAB)\)

      \(JKAB = JKP - JKA - JKB\)

      JKAB <- JKP - JKA - JKB
      JKAB
      [1] 6258.133
    • Menghitung Jumlah Kuadrat Galat \((JKG)\)

      \(JKG = JKT - JKA - JKB - JKAB\)

      JKG <- JKT - JKA - JKB - JKAB
      JKG
      [1] 165.3333
    • Menghitung Kuadrat Tengah Faktor A \((KTA)\)

      \(KTA = \frac{JKA}{dbA}\)

      KTA <- JKA/db_A
      KTA
      [1] 5713.2
    • Menghitung Kuadrat Tengah Faktor B \((KTB)\)

      \(KTB = \frac{JKB}{dbB}\)

      KTB <- JKB/db_B
      KTB
      [1] 6364.8
    • Menghitung Kuadrat Tengah Interaksi AB \((KTAB)\)

      \(KTAB = \frac{JKAB}{dbAB}\)

      KTAB <- JKAB/db_AB
      KTAB
      [1] 1564.533
    • Menghitung Kuadrat Tengah Galat \((KTG)\)

      \(KTG = \frac{JKG}{dbG}\)

      KTG <- JKG/db_Galat
      KTG
      [1] 8.266667
    • Menghitung Kuadrat Tengah Total \((KTT)\)

      \(KTT = JKT/dbT\)

      KTT <- JKT/db_Total
      KTT
      [1] 1296.409
    • Menghitung F hitung A \((F \, hit \, A)\)

      \(F \, hit \, A = \frac{KTA}{KTG}\)

      F_hit_A <- KTA/KTG
      F_hit_A 
      [1] 691.1129
    • Menghitung F hitung B \((F \, hit \, B)\)

      \(F \, hit \, B = \frac{KTB}{KTG}\)

      F_hit_B <- KTB/KTG
      F_hit_B
      [1] 769.9355
    • Menghitung F hitung AB \((F \, hit \, AB)\)

      \(F \, hit \, AB = \frac{KTAB}{KTG}\)

      F_hit_AB <- KTAB/KTG
      F_hit_AB
      [1] 189.2581
    • Menghitung F tabel A \((F \, tab \, A)\)

      \(F \, tab \, A = F_{\alpha = 0.05}(dbA,dbG)\)

      F_tab_A <-
        qf(0.05,db_A,db_Galat,lower.tail = F)
      F_tab_A
      [1] 4.351244
    • Menghitung F tabel B \((F \, tab \, B)\)

      \(F \, tab \, B = F_{\alpha = 0.05}(dbB,dbG)\)

      F_tab_B <-
        qf(0.05,db_B,db_Galat,lower.tail = F)
      F_tab_B
      [1] 2.866081
    • Menghitung F tabel AB \((F \, tab \, AB)\)

      \(F \, tab \, AB = F_{\alpha = 0.05}(dbAB,dbG)\)

      F_tab_AB <- 
        qf(0.05,db_AB,db_Galat,lower.tail = F)
      F_tab_AB
      [1] 2.866081
  • Tabel Analisis Ragam (ANOVA).

tabel_anova <- data.frame(
  sumber_ragam = c(
    "fak. A (lama fumigasi)",
    "fak. B (dosis fumigan)",
    "interaksi AB",
    "galat",
    "total"
  ),
  db = c(
    db_A,
    db_B,
    db_AB,
    db_Galat,
    db_Total
  ),
  JK = c(
    JKA,
    JKB,
    JKAB,
    JKG,
    JKT
  ),
  KT = c(
    KTA,
    KTB,
    KTAB,
    KTG,
    KTT
  ),
  F_hit = c(
    F_hit_A,
    F_hit_B,
    F_hit_AB,
    NA,
    NA
  ),
  F_tab = c(
    F_tab_A,
    F_tab_B,
    F_tab_AB,
    NA,
    NA
  )
)

knitr::kable(
  tabel_anova,
  digits = 3,
  caption = "tabel analisis ragam (ANOVA)"
)
tabel analisis ragam (ANOVA)
sumber_ragam db JK KT F_hit F_tab
fak. A (lama fumigasi) 1 5713.200 5713.200 691.113 4.351
fak. B (dosis fumigan) 4 25459.200 6364.800 769.935 2.866
interaksi AB 4 6258.133 1564.533 189.258 2.866
galat 20 165.333 8.267 NA NA
total 29 37595.867 1296.409 NA NA
  • Tahap Penarikan Kesimpulan.

    Dengan menggunakan uji 1 pihak kanan, sebab F_hit_AB \((189.258)\) \(>\) F_tab_AB \((2.866)\), maka tolak \(H_0\). Artinya pada taraf nyata \(5 \, \%\) terdapat cukup bukti untuk menyatakan bahwa ada interaksi antara faktor A (lama fumigasi) dan faktor B (dosis fumigan).