Prinsip Dasar Perancangan

Percobaan
Ada tiga prinsip dasar yang perlu
diperhatikan dalam merancang suatu
percobaan, yaitu:
1. Pengacakan (Randomization)
2. Ulangan (Replication)
3. Pengendalian Lingkungan (Local
control)
Prinsip Dasar Perancangan
Percobaan (lanjutan)
Pengacakan: setiap unit
percobaan memiliki peluang yang
sama untuk diberikan suatu
perlakuan.
Menghindari galat sistematik
Meningkatkan validitas kesimpulan
(pemenuhan asumsi kebebasan)
Caranya: lotere, tabel bilangan acak,
komputer
Prinsip Dasar Perancangan
Percobaan (lanjutan)
Ulangan: Penerapan perlakuan
yang sama terhadap beberapa unit
percobaan.
Untuk menduga galat percobaan
Untuk menduga standard error rataan
perlakuan
Untuk meningkatkan presisi
kesimpulan
Berapa jumlah ulangan ?
Minimal 3
Minimal db-galat 15
2
2
2 /
) ( 2
|
.
|

\
|
+ >
o
o
| o
Z Z r
Prinsip Dasar Perancangan
Percobaan (lanjutan)
Local Control: pengendalian
kondisi-kondisi lingkungan yang
berpotensi mempengaruhi respon
dari perlakuan.
Strategi yang dapat dilakukan :
1. Jika terkait dengan keheterogenan
satuan percobaan strateginya:
pengelompokan
2. Mengontrol pengaruh-pengaruh
lingkungan (selain perlakuan)
sehingga pengaruhnya sekecil &
Klasifikasi Rancangan
Rancangan Lingkungan :
Berkaitan dengan bagaimana perlakuan-
perlakuan tersebut ditempatkan pada unit-
unit percobaan (RAL, RAK, RBSL, Lattice)
Rancangan Perlakuan :
Berkaitan dengan bagaimana perlakuan-
perlakuan tersebut dibentuk (Faktorial, Split
plot, Split blok)
Rancangan Pengukuran :
berkaitan dengan bagaimana respon percobaan
diukur dari unit-unit percobaan yang diteliti
Tahapan Analisis
Analisis Deskriptif / Eksploratif
Pemeriksaan Asumsi
Kenormalan
Kehomogenan ragam
Keaditifan
Analisis Ragam
Uji lanjutan
Perlakuan kualitatif: BNT, TUKEY, DMRT, Dunnett
Perlakuan kuantitatif: Kontras polynomial ortogonal, Kurva Respon
(Response Surface)
Khusus Uji multilokasi
Analisis Ragam Gabungan (Composite Analysis of Variance)
Analisis Kestabilan
AMMI (additive main effect an multiplication interactions)
RANCANGAN SPLIT PLOT
Apa itu rancangan split plot?
Rancangan petak terpisah bentuk khusus dari rancangan
faktorial, dimana kombinasi perlakuan diacak secara
bertahap.
Beberapa pertimbangan penerapan RPT, yaitu:
1) Perbedaan kepentingan pengaruh
2) Pengembangan dari percobaan yang telah berjalan
3) Kendala teknis pengacakan dilapangan
Rancangan ini dapat diaplikasikan pada berbagai rancangan
lingkungan (RAL, RAK, dan RBSL).
Penentuan main plot faktor dan sub plot
faktor berdasarkan:
1. Derajat ketepatan / presisi
Faktor yang dikehendaki berpresisi
tinggi ditempatkan sebagai
subplot
Faktor yang boleh berpresisi
rendah sebagai main plot.
Contoh:
Pengujian galur padi hasil seleksi
dengan pemupukan 3 level galur
lebih penting sebagai sub plot.
Sebaliknya agronom akan
mementingkan level pemupukan
sehingga pupuk sebagai sub plot.
2. Ukuran relatif efek main plot.
Jika perlakuan A diperkirakan jauh lebih
besar dari perlakuan B A digunakan
sebagai main plot.
3. Kemudahan / kepraktisan
Penggenangan dan varietas
Penggenangan sebagai main plot
SPLIT PLOT RAL
Ilustrasi
Percobaan dua faktor (Nitrogen: N0,N1,N2; dan
Varietas: V1,V2,V3) dimana nitrogen ditempatkan
sebagai petak utama dan varietas sebagai anak
petak.
(Apa pertimbangannya ???)
Setiap perlakuan diulang 3 kali dan unit-unit
percobaan diasumsikan homogen.
Dengan demikian rancangan yang digunakan adalah
rancangan petak terpisah RAL.
Bagan Percobaaan: SPLIT PLOT RAL
N0 N1 N0 N2 N1 N1 N2 N0 N2
V1 V2 V2 V1 V2 V1 V3 V2 V1
V2 V3 V1 V2 V3 V3 V2 V1 V2
V3 V1 V3 V3 V1 V2 V1 V3 V3
Petak
Utama
Anak
petak
Model Linier:Split plot RAL
dimana: Y
ijk
nilai pengamatan pada faktor A taraf ke-i
faktor B taraf ke-j dan ulangan ke k, (, o
i
, |
j
)
merupakan komponen aditif dari rataan, pengaruh
utama faktor A dan pengaruh utama faktor B, (o|
ij
)
merupakan komponen interaksi dari faktor A dan
faktor B sedangkan o
ik
komponen acak dari petak
utama yang menyebar normal(0, o
o
2
) dan c
ijk
merupakan pengaruh acak dari anak petak juga
menyebar normal (0, o
2
).
( )
ijk ij j ik i ijk
Y c o| | o o + + + + + =
Hipotesis
Pengaruh Petak utama (faktor A):
H
0
: o
1
= = o
a
=0
H
1
: paling sedikit ada satu i dimana o
i
= 0
Pengaruh anak petak (faktor B):
H
0
: |
1
= = |
b
=0
H
1
: paling sedikit ada satu j dimana |
j
= 0
Pengaruh sederhana (interaksi) faktor A dengan faktor B:
H
0
: (o|)
11
=(o|)
12
= = (o|)
ab
=0
H
1
: paling sedikit ada sepasang (i,j) dimana (o|)
ij
= 0
Struktur Tabel Sidik Ragam
(Db) (JK) (KT)
A a-1 JKA KTA
Galat (a) a(r-1)
JKG
a
KTG
a
B b-1 JKB KTB
AB (a-1)(b-1) JKAB KTAB
Galat (b) a(b-1)(r-1)
JKG
b
KTG
b
Sumber
keragaman
Derajat bebas Jumlah kuadrat
Kuadrat
tengah
Bagaimana cara mengambil keputusan menolak H0 atau
tidak ?
Langkah-langkah perhitungan
1. Dari tabel pengamatan data asal, hitung:
FK = Faktor koreksi
JKT = Jumlah kuadrat total
2. Rekap data berdasarkan taraf faktor pada petak utama dengan
ulangan, kemudian hitung:
JKST = Jumlah kuadrat sub total
JKA = Jumlah kuadrat faktor A
JKG
a
= Jumlah kuadrat galat petak utama = JKST JKA
abr
Y
FK
2
...
=
( )

= =
= = =
FK Y Y Y JKT
ijk
a
i
b
j
r
k
ijk
2
1 1 1
2
...
( )

= =
= = =
FK b Y Y Y JKST
k i
a
i
b
j
r
k
k i
/
2
.
1 1 1
2
... .
( )

= =
= = =
FK
br
Y
Y Y JKA
i
a
i
b
j
r
k
i
2
..
1 1 1
2
... ..
3. Rekap data berdasarkan struktur perlakuan (AxB), kemudian
hitunglah:
JKB = Jumlah kuadrat faktor B
JKAB = Jumlah kuadrat interaksi faktor A dan B
dimana:
JKG
b
= Jumlah kuadrat galat
( )

= =
= = =
FK
ar
Y
Y Y JKB
j
a
i
b
j
r
k
j
2
. .
1 1 1
2
... . .
( ) ( )
JKB JKA JKP JKAB
JKB JKA Y Y Y Y Y Y JKAB
a
i
b
j
r
k
ij
a
i
b
j
r
k
j i ij
=
= + =

= = = = = = 1 1 1
2
... .
1 1 1
2
... . . .. .
( )

= =
= = =
FK
r
Y
Y Y JKP
ij
a
i
b
j
r
k
ij
2
.
1 1 1
2
... .
a b
JKG JKP JKT JKG =
SPLIT PLOT RAK
Perhatikan kembali ilustrasi pada split-plot RAL.
Bagaimana jika kondisi lingkungan tidak
homogen ?
Kendalikan dengan sistem blocking
Jika sumber keragaman berasal dari satu arah,
rancangan lingkungan yang digunakan adalah
rancangan acak kelompok (RAK)
Pengacakan perlakuan dilakukan sebagai berikut:
pilihlah secara acak kelompok kemudian acaklah
taraf-taraf Nitrogen pada kelompok terpilih dan
pada tahap akhir acaklah varietas pada masing-
masing taraf nitrogen
Bagan percobaan: Split plot RAK
Blok I
V1 V3 V3
V2 V1 V2
V3 V2 V1
N1 N0 N2
Blok II
V3 V2 V3
V1 V3 V2
V2 V1 V1
N2 N1 N0
Blok III
V1 V1 V3
V3 V2 V1
V2 V3 V2
N2 N0 N1
Petak
Utama
Anak
petak
Model Linier:Split plot RAK
dimana: Y
ijk
nilai pengamatan pada faktor A taraf ke-i faktor B
taraf ke-j dan ulangan ke k, (, o
i
, |
j
, K
k
) merupakan komponen
aditif dari rataan, pengaruh utama faktor A, faktor B , dan
kelompok, sedangkan (o|
ij
) merupakan komponen interaksi dari
faktor A dan faktor B sedangkan o
ik
komponen acak dari petak
utama yang menyebar normal(0, o
o
2
) dan c
ijk
merupakan pengaruh
acak dari anak petak juga menyebar normal (0, o
2
).
Hipotesis yang diuji sama dengan hipotesis pada
split plot RAL. Coba ANDA sebutkan, apa saja
hipotesisnya !
( )
ijk ij j ik i k ijk
K Y c o| | o o + + + + + + =
Struktur Tabel Sidik Ragam
(Db) (JK) (KT)
Blok r-1 JKK KTK KTK/KTG
a
A a-1 JKA KTA KTA/KTG
a
Galat (a) (a-1)(r-1)
JKG
a
KTG
a
B b-1 JKB KTB KTB/KTG
b
AB (a-1)(b-1) JKAB KTAB KTAB/KTG
b
Galat (b) (a-1)(b-1)(r-1)
JKG
b
KTG
b
Sumber
keragaman
F-hitung
Derajat bebas Jumlah kuadrat
Kuadrat
tengah
Bagaimana cara mengambil keputusan menolak H0 atau
tidak ?
Langkah-langkah perhitungan
1. Dari tabel pengamatan data asal, hitung:
FK = Faktor koreksi
JKT = Jumlah kuadrat total
2. Rekap data berdasarkan taraf faktor pada petak utama dengan blok,
kemudian hitung:
JKST= Jumlah kuadrat sub total
JKA = Jumlah kuadrat faktor A
JKK = Jumlah kuadrat blok
JKG
a
= Jumlah kuadrat galat petak utama = JKST JKA - JKK
abr
Y
FK
2
...
=
( )

= =
= = =
FK Y Y Y JKT
ijk
a
i
b
j
r
k
ijk
2
1 1 1
2
...
( )

= =
= = =
FK b Y Y Y JKST
k i
a
i
b
j
r
k
k i
/
2
.
1 1 1
2
... .
( )

= =
= = =
FK
br
Y
Y Y JKA
i
a
i
b
j
r
k
i
2
..
1 1 1
2
... ..
( )

= =
= = =
FK
ab
Y
Y Y JKK
k
a
i
b
j
r
k
k
2
..
1 1 1
2
... ..
3. Rekap data berdasarkan struktur perlakuan (AxB), kemudian
hitunglah:
JKB = Jumlah kuadrat faktor B
JKAB = Jumlah kuadrat interaksi faktor A dan B
dimana:
JKG
b
= Jumlah kuadrat galat
( )

= =
= = =
FK
ar
Y
Y Y JKB
j
a
i
b
j
r
k
j
2
. .
1 1 1
2
... . .
( ) ( )
JKB JKA JKP JKAB
JKB JKA Y Y Y Y Y Y JKAB
a
i
b
j
r
k
ij
a
i
b
j
r
k
j i ij
=
= + =

= = = = = = 1 1 1
2
... .
1 1 1
2
... . . .. .
( )

= =
= = =
FK
r
Y
Y Y JKP
ij
a
i
b
j
r
k
ij
2
.
1 1 1
2
... .
a b
JKG JKP JKT JKG =
Contoh soal
Penelitian tentang metode mengajar
dan cara penghitungan. Dipilih 3
sekolah, masing-masing 3 kelas.
Metode mengajar: klasik, TV, TV +
klasik. Cara penghitungan: kalkulator,
tanpa kalkulator. Kelas dibagi 2. untuk
mengetahui pengaruhnya terhadap
penyerapan materi matematika.
Klasik TV Kl + TV Total
Klp 1 K
TK
72
78
61
63
65
67
406
Klp II K
TK
80
85
64
63
71
73
436
Klp III K
TK
75
79
58
59
64
67
402
Metode (A) 469 368 407 x

=1244
| |
| |
78 , 864
2 . 3
407 368 469
11 , 115
6
402 436 406
974 , 85
18
1244
2 2 2
2 2 2
2
=
+ +
=
=
+ +
=
= =
FK SS
FK SS
FK
A
ul
| |
| |
78 , 1053 67 ... 61 72
53 , 14 32 78 , 864 11 , 911
32
9
634 610
89 , 23 78 , 864 11 , 115 78 , 1003
78 , 1003
2
131 ... 124 150
2 2 2
*
2 2
2 2 2
= + + + =
= =
=
+
=
= =
=
+ + +
=
FC SS
SS
FC SS
SS
FC SS
total
B A
B
A error
A blok
Anova
SR df SS MS Fhit Ftab
Klp
Metode
Error A
Cara
M*C
ErrorB
2
2
4
1
2
6
115,11
864,78
23,89
32,0
14,33
3,67
57,55
432,39
5,97
32
7,17
0,61
Total 17 1053,78
Split-Plot Designs
Usually used with factorial sets when the assignment of
treatments at random can cause difficulties
large scale machinery required for one factor
but not another
irrigation
tillage
plots that receive the same treatment must
be grouped together
for a treatment such as planting date, it may be
necessary to group treatments to facilitate field
operations
in a growth chamber experiment, some treatments
must be applied to the whole chamber (light
Different size requirements
The split plot is a design which allows
the levels of one factor to be applied to
large plots while the levels of another
factor are applied to small plots
Large plots are whole plots or main plots
Smaller plots are split plots or subplots
Randomization
Levels of the whole-plot factor are
randomly assigned to the main plots,
using a different randomization for each
block (for an RBD)
Levels of the subplots are randomly
assigned within each main plot using a
separate randomization for each main
plot
Randomizaton
Block I
T3 T1 T2
V3 V4 V2
V1 V1 V4
V2 V3 V3
V4 V2 V1
Block II
T1 T3 T2
V1 V2 V3
V3 V1 V4
V2 V3 V1
V4 V4 V2
Tillage treatments are main plots
Varieties are the subplots
Experimental Errors
Because there are two sizes of plots,
there are two experimental errors - one
for each size plot
Usually the sub plot error is smaller and
has more df
Therefore the main plot factor is
estimated with less precision than the
subplot and interaction effects
Precision is an important consideration
in deciding which factor to assign to the
Advantages
Permits the efficient use of some
factors that require different sizes of
plot for their application
Permits the introduction of new
treatments into an experiment that is
already in progress
Disadvantages
Main plot factor is estimated with less
precision so larger differences are
required for significance may be
difficult to obtain adequate df for the
main plot error
Statistical analysis is more complex
because different standard errors are
required for different comparisons
Uses
In experiments where different factors
require different size plots
To introduce new factors into an
experiment that is already in progress
Data Analysis
This is a form of a factorial experiment so
the analysis is handled in much the same
manner
We will estimate and test the appropriate
main effects and interactions
Analysis proceeds as follows:
Construct tables of means
Complete an analysis of variance
Perform significance tests
Compute means and standard errors
Interpret the analysis
Split-Plot Analysis of Variance
Source df SS MS F
Total rab-1 SSTot
Block r-1 SSR MSR F
R
A a-1 SSA MSA F
A
Error(a) (r-1)(a-1) SSE
A
MSE
A
Main plot error
B b-1 SSB MSB F
B
AB (a-1)(b-1) SSAB MSAB F
AB
Error(b) a(r-1)(b-1) SSE
B
MSE
B
Subplot error
Computations
SSTot
SSR
SSA
SSE
A
SSB
SSAB
SSE
B
SSTot - SSR - SSA - SSE
A
- SSB - SSAB
Only the error terms are different from the
usual two- factor analysis
( )
2
i j k ijk
Y Y

( )
2
..k
k
ab Y Y

( )
2
i..
i
rb Y Y

( )
2
. j.
j
ra Y Y

( )
2
ij.
i j
r Y Y SSA SSB

( )
2
i.k
i k
b Y Y SSA SSR

F Ratios
F ratios are computed somewhat
differently because there are two errors
F
R
=MSR/MSE
A
tests the effectiveness of blocking
F
A
=MSA/MSE
A
tests the sig. of the A main effect
F
B
=MSB/MSE
B
tests the sig. of the B main effect
F
AB
=MSAB/MSE
B
tests the sig. of the AB
interaction
Standard Errors of Treatment Means
Factor A Means MSE
A
/rb
Factor B Means MSE
B
/ra
Treatment AB Means MSE
B
/r
SE of Differences
Differences between 2 A means
2MSE
A
/rb with (r-1)(a-1) df
Differences between 2 B means
2MSE
B
/ra with a(r-1)(b-1) df
Differences between B means at same level of A
2MSE
B
/r with a(r-1)(b-1) df e.g. Y
A1B1
-Y
A1B2
Difference between A means at same or different level of B
e.g. Y
A1B1
-Y
A2B1
or Y
A1B1
- Y
A2B2
2[(b-1)MSE
B
+ MSE
A
]/rb
with [(b-1)MSE
B
+MSE
A
]
2
df
[(b-1)MSE
B
]
2
+ MSE
A
2
a(r-1)(b-1) (a-1)(r-1)
Interpretation
Much the same as a two-factor factorial:
First test the AB interaction
If it is significant, the main effects have no
meaning even if they test significant
Summarize in a two-way table of AB means
If AB interaction is not significant
Look at the significance of the main effects
Summarize in one-way tables of means for
factors with significant main effects
For example:
A wheat breeder wanted to determine
the effect of planting date on the yield
of four varieties of winter wheat
Two factors:
Planting date (Oct 15, Nov 1, Nov 15)
Variety (V1, V2, V3, V4)
Because of the machinery involved,
planting dates were assigned to the
main plots
Comparison with conventional RBD
With a split-plot, there is better precision for sub-plots than
for main plots, but neither has as many error df as with a
conventional factorial
There may be some gain in precision for subplots and
interactions from having all levels of the subplots in close
proximity to each other
Source df
Total 35
Block 2
Date 2
Error (a) 4
Variety 3
Var x Date 6
Error (b) 18

Split plot
Source df
Total 35
Block 2
Date 2
Variety 3
Var x Date 6
Error 22

Conventional
Raw Data
I II III
D1 D2 D3 D1 D2 D3 D1 D2 D3
Variety 1 25 30 17 31 32 20 28 28 19
Variety 2 19 24 20 14 20 16 16 24 20
Variety 3 22 19 12 20 18 17 17 16 15
Variety 4 11 15 8 14 13 13 14 19 8
Construct two-way tables
Date I II III Mean
1 19.25 19.75 18.75 19.25
2 22.00 20.75 21.75 21.50
3 14.25 16.50 15.50 15.42
Mean18.50 19.00 18.67 18.72
Date V1 V2 V3 V4 Mean
1 28.00 16.33 19.67 13.00 19.25
2 30.00 22.67 17.67 15.67 21.50
3 18.67 18.67 14.67 9.67 15.42
Mean25.56 19.22 17.33 12.78 18.72
Block x Date
Means
Variety x Date
Means
ANOVA
Source df SS MS F
Total 35 1267.22
Block 2 1.55 .78 .22
Date 2 227.05 113.53 32.16**
Error (a) 4 14.12 3.53
Variety 3 757.89 252.63 37.82**
Var x Date 6 146.28 24.38 3.65*
Error (b) 18 120.33 6.68
Report and Summarization
Standard errors: Date=0.542; Variety=0.862; Variety x
Date=1.492
Variety
Date 1 2 3 4 Mean
Oct 15 28.00 16.33 19.67 13.00 19.25
Nov 1 30.00 22.67 17.67 15.67 21.50
Nov 15 18.67 18.67 14.67 9.67 15.42
Mean 25.55 19.22 17.33 12.78 18.72
Interpretation
Differences among varieties depended on planting date
Even so, variety differences and date differences were
highly significant
Except for variety 3, each variety produced its maximum
yield when planted on November 1.
On the average, the highest yield at every planting date
was achieved by variety 1
Variety 4 produced the lowest yield for each planting date
Visualizing Interactions
5
10
15
20
25
30
M
e
a
n

Y
i
e
l
d

(
k
g
/
p
l
o
t
)
1 2 3
Planting Date
V1
V2
V3
V4
Variations
Split-plot arrangement of treatments
could be used in a CRD or Latin Square,
as well as in an RBD
Could extend the same principles to
accommodate another factor in a split-
split plot (3-way factorial)
Could add another factor without an
additional split (3-way factorial, split-
plot arrangement of treatments)
MATERI KULIAH SETELAH UTS
PENDAHULUAN
ONEWAY ANOVA
TWOWAY ANOVA
MULTIPLE COMPARATION
FACTORIAL EXP.
RANC. PETAK TERBAGI/SPLIT PLOT
KORELASI DAN REGRESI (PAR&NONPAR)
ANALISIS PERAGAM (ANCOVA)
PENANGANAN DATA BERMASALAH