Tabel berikut ini merupakan data hasil eksperimen tentang efek daya terhadap laju pemotongan bahan. Daya memiliki empat tarat yaitu 160W, 180W, 200W, dan 220W. Sedangkan laju pemotongan bahan diukur dalam satuan menit. Eksperimen menggunakan lima buah replikasi.
160W 180W 200W 220W
[1,] 575 565 600 725
[2,] 542 593 651 700
[3,] 530 590 610 715
[4,] 539 579 637 685
[5,] 570 610 629 710
Soal:
- Lakukan analisis varians terhadap data tersebut menggunakan software R dengan taraf pengujian 5%! Variabel disimpan dengan ketentuan sbb.:
- Kode taraf perlakuan disimpan dengan nama daya.
- Nilai respon disimpan dengan nama laju.
- Data frame disimpan dengan nama dataeksp.
- Simpan nilai-nilai yang diperlukan dari Tabel Anava tsb dengan ketentuan sbb.:
- RJK kekeliruan disimpan dalam variabel RJKE
- Derajat bebas kekeliruan disimpan dalam variabel dkE
- Banyaknya perlakuan disimpan dalam variabel k
- Banyaknya replikasi dalam variabel n
Lakukan uji lanjut Tukey!
Lakukan uji lanjut kontras dengan menggunakan kode berikut ini:
c1 <- c(1, -1, 0, 0)
c2 <- c(1, 1, -1, -1)
c3 <- c(0, 0, 1, -1)
contrastmat <- cbind(c1,c2,c3)
rataan <- aggregate(dataeksp$laju, by = list(dataeksp$daya), FUN = "mean")
C <- rataan$x %*% contrastmat
sigmac2 <- (1/n)*colSums(contrastmat^2)
F_hitung <- (C^2/sigmac2)/RJKE
Ftabel <- qf(1 - 0.05, 1, dkE)
F_hitung
Ftabel
- Lakukan uji lanjut Scheffe dengan menggunakan kode berikut ini:
# Susun kontras
c11 <- c(1, 1, -1, -1)
c22 <- c(1, 0, 0, -1)
matriks.c <- cbind(c11,c22)
colnames(matriks.c) <- c("c1","c2")
Cs <- rataan$x %*%matriks.c
SC <- sqrt(RJKE *(1/n)*colSums(matriks.c^2))
SCalpha <- SC * sqrt((k-1)*qf((1-0.01), (k - 1), (k*n) - k))
kesimpulan <- rep(0,2)
for (i in 1:2){
kesimpulan[i] <- if(abs(as.vector(Cs)[i]) > as.vector(SCalpha)[i]) {print('H0 ditolak')} else {print('H0 diterima')}
}
results <- data.frame(abs(as.vector(Cs)), SCalpha, kesimpulan)
colnames(results) <- c("| C |", "S.alpha", "Keputusan")
results
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