V. RANCANGAN FAKTORIAL TERPAUT
5. 1. SPLIT PLOT DESIGN (Rancangan Petak Terpisah) Rancangan Split-plot khususnya cocok/baik untuk percobaan dua faktor yang mempunyai banyaknya perlakuan lebih banyak dari yang dapat diakomodasi dengan RAK-faktorial. Dalam suatu rancangan split-plot, salah satu dari faktornya ditempatkan pada main plot, faktor ini disebut faktor main plot (=main plot factor)= main factor =faktor utama. Plot dibagi kedalam beberapa sub plot, kedalam mana faktor kedua yang disebut faktor-sub plot (=sub plot factor) ditempatkan. Dengan rancangan split-plot, ketelitian pengukuran terhadap efek main plot dikorbankan untuk memperbaiki ketelitian efek faktor sub plot. Pengukuran efek utama dari faktor sub plot dan interaksinya dengan faktor main plot lebih teliti dibanding dengan RAK faktorial. Sebaliknya pengukuran efek dari perlakuan main plot adalah kurang teliti dibanding terhadap RAK faktorial. Dengan split-plot, ukuran plot dan ketelitian pengukuran efek terhadap kedua faktor tersebut adalah tidak sama, oleh karenanya penentuan faktor tertentu apakah sebagai faktor main plot atau faktor sub plot adalah sangat penting. Untuk menentukan suatu faktor sebagai faktor main plot atau faktor sub plot, perlu diperhatikan beberapa pedoman sebagai berikut: 1.
Derajat ketelitian. Suatu faktor yang lebih dipentingkan derajat ketelitiannya ditempatkan pada sub plot (diperlakukan sebagai faktor sub plot).
2.
Pengukuran relatif dari efek-efek utama. Suatu faktor yang efek utamanya diharapkan lebih besar dan lebih mudah diukur atau yang sudah diperkirakan efeknya sebelum percobaan yang dilakukan ditempatkan pada main plot. Sedangkan faktor yang belum diketahui efeknya atau yang diperkirakan mempunyai efek utama lebih kecil ditempatkan pada sub plot. Hal ini dimaksudkan untuk menambah kesempatan dalam pengukuran perbedaan antar level faktor yang efeknya lebih kecil.
3.
Praktek pengelolaannya. Suatu faktor perlakuan yang dalam prakteknya sukar sekali dipelakukan dalam plot-plot yang kecil, maka ditempatkan pada main plot; sedang faktor lain yang dapat dengan mudah dan praktis diperlakukan dalam plot-plot kecil, maka ditempatkan dalam sub plot, sebagai faktor sub plot. Juga faktor yang memerlukan bahan percobaan yang lebih banyak dianggap sebagai faktor main plot,
Rancangan Faktorial Terpaut
70
sedang faktor lain yang cukup memerlukan bahan-bahan yang lebih sedikit, dianggap sebagai faktor sub plot. 5. 1. 1. Tata Letak Percobaan (Lay Out) Rancangan split-plot terdiri beberapa blok sesuai dengan banyaknya ulangan. Tiap blok ulangan terdiri dari beberapa main plot sesuai dengan banyaknya level faktor main plot. Selanjutnya setiap main plot dibagi bagi kedalam beberapa sub plot sesuai dengan level faktor sub plot. Teladan:
Faktor A = faktor main plot, terdiri atas: a0, a1, a2 Faktor B = faktor sub plot, terdiri atas: b0, b1, b2 maka tata letaknya untuk satu blok ulangan adalah sebagai berikut: A1
A2
A0
B0
B2
B2
B1
B0
B1
B2
B1
B0
Ulangan I Dst. Baik faktor main plot maupun faktor sub plot harus ditempatkan kedalam plotnya masing-masing secara random. Perandoman faktor main plot maupun faktor sub plot ini ditentukan sesuai dengan rancangan percobaan yang digunakan. Demikian juga dengan analisis statistiknya, tergantung pada rancangan yang dipakai. Untuk itu dibedakan menjadi: 1.
Faktor main plot dan faktor sub plot disusun secara RAK
2.
Faktor main plot disusun dalam RBS dan faktor sub plot secara RAK
3.
Faktor main plot disusun secara RAK dan faktor sub plot disusun secara RBS.
Rancangan Faktorial Terpaut
71
5. 1. 2. Rancangan Slit plot, dengan faktor utama (faktor main plot) dan faktor sub plot disusun secara RAK. Tata letak percobaan A3
A1
A2
A0
A1
A0
A3
A2
A2
A3
A0
A1
B0
B2
B2
B1
B1
B0
b0
B2
B2
B2
B0
B1
B2
B0
B1
B2
B2
B2
B1
B1
B1
B0
B2
B0
B1
B1
B0
B0
B0
B1
B2
B0
B0
B1
B1
B2
Ulangan I
Ulangan II
Ulangan III
Model
Linier:
Yijk = μ + ρ k + α i + δ ik + β j + (αβ ) ij + ε ijk Dimana:
Yijk
= Nilai pengamatan/observasi pada ulanganke-k yang mendapat faktor main plot
μ
ke-i dan faktor sub plot B ke-j. = nilai rata-rata pengamatan pada populasi.
ρk
= pengaruh ulangan ke-k.
αi
= pengaruh faktor main plot A pada level ke-i.
βj
= pengaruh faktor sub plot B pada level ke-j
δ ik
= komponen (pengaruh faktor) random dari error yang berhubungan dengan faktor main plot ke-i dalam ulangan ke-k.
(αβ )ij = pengaruh interaksi faktor main plot A ke-i dan faktor sub plot B ke-j.
ε ijk
= Komponen (pengaruh faktor) random dari error yang berhubungan dengan sub plot ke-ij dalam ulangan ke-k. i= 1, 2, ….,a j= 1, 2, ….,b k= 1, 2, ….,r
Rancangan Faktorial Terpaut
72
Analisis Varians Sumber Keragaman (SK) Main Plot Ulangan Faktor A Error (a) Sub Plot Faktor B AxB Error (b) Total
Derajat Bebas (DB)
Jumlah Kuadrat (JK)
Kuadrat Tengah (KT)
F-hitung
r-1 a-1 (a-1)(r-1)
JKU JKA JKEa
KTU KTA KTEa
KTU/KTEa KTA/KTEa -
b-1 (a-1)(b-1) a(b-1) (r-1) (abc – 1)
JKB JKAB JKEb JKT
KTB KTAB KTEb -
KTB/KTEb KTAB/KTEb -
F-tabel 5% 1%
Efisiensi Rancangan Split Plot terhadap RAK a. Dengan sub plot sebagai blok:
RE =
( a − 1)( KTE a ) + a (b − 1)( KTE b ) ( ab − 1) KTE b
b. Dengan main plot sebagai blok:
RE =
( a − 1)( KTE a ) + a (b − 1)( KTE b ) ( ab − 1) KTE a
5. 1. 3. Rancangan Split-plot, dengan faktor main plot disusun secara RBS dan faktor sub plot secara RAK Tata letak percobaan. Faktor main plot:
A= a0, a1, a2, a3.
Faktor sub plot:
B= b0, b1, b2.
Ulangan
= banyaknya level faktor main plot. A1
A3
A0
A2
A2
A0
A1
A3
B0
B1
B1
B2
B2
B1
b0
B1
B2
B0
B2
B0
B1
B2
B1
B0
B1
B2
B0
B1
B0
B0
B2
B2
Ualngan I
Rancangan Faktorial Terpaut
Ulangan II
73
A0
A2
A3
A1
A3
A1
A2
A0
B0
B1
B2
B1
B2
B0
B1
B1
B1
B0
B1
B2
B0
B2
B0
B2
B2
B2
B0
B0
B1
B1
B2
B0
Ulangan III
Ulangan IV
Model Linier:
Yijk l = μ + ρ k + K l + α i + δ ik l + β i + (αβ ) ij + ε ijk l i= 1, 2, ….,a k= 1, 2, ….,a
l
j= 1, 2, ….,b = 1, 2, ….a
Semua keterangan sama seperti yang pertama, kecuali:
ρk
= pengaruh baris ke-k
Κl
= pengaruh kolom ke- l
δ ik l
= komponen random dari error yang berhubungan dengan faktor main plot ke-i,
ε ijk l
dalam baris ke-k dan kolom ke- l = komponen random dari error yang berhubungan dengan sub plot ke-ij dalam baris ke-k dan kolom ke- l .
5. 1. 4. Analisis Varians Sumber Keragaman (SK) Baris
Derajat Bebas (DB) a-1
Jumlah Kuadrat (JK) JKR
Kuadrat Tengah (KT) KTR
KTR/KTEa
Kolom
a-1
JKK
KTK
KTK/KTEa
Faktor A
a-1
JKA
KTA
KTA/KTEa
Error (a)
(a-1)(a-2)
JKEa
KTEa
-
Faktor B
b-1
JKB
KTB
KTB/KTEb
AxB
(a-1)(b-1)
JKAB
KTAB
KTAB/KTEb
Error (b)
a(b-1) (r-1)
JKEb
KTEb
-
Total
a2b-1
JKT
-
Rancangan Faktorial Terpaut
F-hitung
F-tabel 5% 1%
74
Efisiensi Rancangan Split-plot dengan main plot RBS terhadap Split plot dengan main plot RAK:
RE =
{KTK + (a − 1) KTEa }(a − 1) (ab − 1)( KTE a ){a + a(b − 1) KTEb }
RE =
Split plot RBS Split plot RAK
Nilai E (KT) Untuk Rancangan Split-plot dengan RAK *) SK Ulangan
DB (r-1)
A
(a-1)
Error (a)
(r-1)(a-1)
B
(b-1)
E (KT) Model Fixed
σ ε2 + b σ γ2 + ab σ ρ2
σ ε + bσ γ + rb∑ 2
2
(a-1)(b-1)
σ ε + ra ∑ σ ε + r∑ 2
β 2j
(αβ ) ij2
(b − 1) (a − 1)(b − 1)
σ ε2
Error (b)
a(b-1)(r-1)
**) SK Ulangan
DB (r-1)
A
(a-1)
Error (a)
(r-1)(a-1)
B
(b-1)
AxB
(a-1)(b-1)
2 σ ε2 + rσ αβ
Error (b)
a(b-1)(r-1)
σ ε2
E (KT) Model Random
σ ε2 + b σ γ2 + ab σ ρ2 2 σ ε2 + bσ γ2 + rσ αβ + rbσ α2
σ ε2 + b σ γ2 2 σ ε2 + rσ αβ + ra σ β2
KT E( a ) + KT
Rancangan Faktorial Terpaut
(a − 1)
σ ε2 + b σ γ2 2
AxB
α i2
AB
− KT E
75
Untuk E(KT) Model Mixed caranya mencari sama seperti pada percobaan faktorial. Table 3. 7. Grain Yield Data of Four Rice Varietas Grown With Six Levels of Nitrogen iin a Split Plot Design with three replications Variety
Grain Yield, kg/ha (Y) Rep. I
Rep. II
Rep. III
N0 (0 kg N/ha) V1 (IR8) V2 (IR5) V3 (C4-63) V4 (Peta)
4.430 3.944 3.464 4.126
4.478 5.314 2.944 4.482 N1 (60 kg N/ha)
V1 V2 V3 V4
5.418 6.502 4.768 5.192
5.166 6.432 5.858 5.586 6.004 .56 4.604 4.652 N2 (90 kg N/ha)
V1 V2 V3 V4
6.076 6.008 6.244 4.546
6.420 6.127 5.724 5.744 N3 (120 kg N/ha)
6.704 6.642 6.014 4.146
V1 V2 V3 V4
6.462 7.139 5.792 2.774
7.056 6.982 5.880 5.036 N4 (150 kg N/ha)
6.680 6.564 6.370 3.638
V1 V2 V3 V4
7.290 7.682 7.080 1.414
7.848 6.594 6.662 1.960 N5 (180 kg N/ha)
7.552 6.576 6.320 2.766
V1 V2 V3 V4
8.452 6.228 5.594 2.248
8.832 7.387 7.122 1.380
8.818 6.006 5.480 2.014
Rancangan Faktorial Terpaut
3.850 3.660 3.142 4.836
76
Table 3. 8. The Replication x Nitrogen Table of Yield Totals Computed from data in Table 3.7 Yield Total (RA) Nitrogen kg/ha
Rep. I
Rep. II
Rep. III
N0
15.964
17.218
15.488
Nitrogen Total (A) 48.670
N1
21.880
21.632
22.226
65.738
N2
22.874
24.015
23.506
70.395
N3
22.167
24.954
23.252
70.373
N4
23.466
23.064
23.214
69.744
N4
22.522
24.721
22.318
69.561
Rep. Total (R)
128.873
135.604
130.004 394.481
Grand Total (G)
Table 3. 9. The Nitrogen x Variety Table of Yield totals computed from Data in Table 3.7 Grain Yield t/ha
Nitrogen V1
V2
V3
V4
N0
12.758
12.918
9.50
13.444
N1
17.016
17.946
16.328
14.448
N2
19.200
18.777
17.982
14.436
N3
20.198
20.685
18.042
11.448
N4
22.390
20.852
20.062
6.140
N5
26.102
19.621
18.196
5.42
Variety total (B)
117.964
110.799
100.160
65.558
Teladan: Suatu percobaan dua faktor, dirancang dengan split-plot design. Faktor main plotnya adalah dosis pemupukan nitrogen (terdiri atas 6 level) dan faktor sub plotnya adalah varietas (terdiri atas 4 level). (lihat tabel 3.7), keduanya disusun secara RAK. Prosedur perhitungan Jumlah kuadratnya:
G2 (394481)2 FK = = = 2161323047 r ab 3.6. 4
Rancangan Faktorial Terpaut
77
[
]
JK Total = ∑ Y 2 − FK = ( 4430) 2 + ... + (2041) 2 − FK = 204747916
∑R JK Ulangan =
2
a .b
− FK
∑A JKA ( Nitrogen ) =
(128873)2 + ... + (130004)2 = − FK = 1082577 6.4
2
− FK
r .b
( 46870 ) 2 + ... + ( 69561 ) 2 = − FK = 30429200 3. 4
∑ ( RA ) JK Error ( a ) = b
2
− FK − JK Ulangan − JKA
(15964) 2 + ... + (22318) 2 = − FK − JK Ulangan − JKA = 1419678 4
∑B JKB (Varietas ) = r .a
2
− FK
(117964) 2 + ... + (65558) 2 = − FK = 89888101 3. 6
∑ ( AB ) JK AB ( Ntrogen × Varietas ) = r
=
2
− FK − JKA − JKB
(12758) 2 + ... + (5642) 2 − FK − JKA − JKB = 69343487 3
JK Error (b) = JK Total – JK Ulangan – JKA – JK Error(a) – JKB – JKAB = 12584873 Untuk perhitungan Kuadrat Tengah sama seperti pada umumnya, yaitu: KT = JK/DB Hasil analisis varians dari data pada tabel 3.7 dapat dilihat pada tabel 3.10
Rancangan Faktorial Terpaut
78
Table 2.6 Analysis of Variance (RCB) of Grain Yield Data in Table 2.5a Source of Variation Replication
Degree of Freedom 2
Sum of Square 1.082.577
Computed Fb
Tabular F 5% 1%
Nitrogen (A)
5
30.429.200
6.085.840
42.87**
3.33 5.64
Error (a)
10
1.419.678
141.968
Variety (B)
3
89.888.101
29.962.700
85.71**
2.86 4.38
AxB
15
69.343.487
4.622.899
13.22**
1.96 2.58
Error(b)
36
12.584.873
349.580
Total
71
204.747.916
Mean Square
541.228
a
cv (a) = 6.9%cv (b) = 10.8% ** = significant at 1% level
a
Galat baku beda rata-rata perlakuan untuk empat macam pengujian pasangan (pair comparison) Pengujian pasangan (pair comparison) antara: 1. Dua rata-rata faktor main plot (dirataratakan dari seluruh faktor sub plot)
Nilai
Sd =
2 Ea rb
2.
Dua rata-rata faktor sub plot (dirataratakan dari faktor main plot)
2 Eb ra
3.
Dua rata-rata faktor sub plot pada faktor main plot yang sama
2 Eb r
4.
Dua rata-rata faktor main plot pada faktor sub plot yang sama atau berlainan
2 [( b − 1) E b + E a ] rb
Untuk rumus
Sd
yang #4, t-hitung harus dibandingkan dengan t-tabel yang dikoreksi,
yaitu:
t '=
( b − 1) E b . t b + E a . t a ( b − 1) E b + E a
dimana ta dan tb adalah nilai t-tabel dengan n= derajad bebas Ea dan Eb. Rancangan Faktorial Terpaut
79
Untuk perhitungan nilai
Sd
guna menguji beda antar-perlakuan (lihat: Gomez &
Gomez hal. 199-202 atau Totowarsa, et al. jilid 2 hal 50). Nilai S x untuk multiple range test:
Sd
SX =
2
5. 1. 5. Pendugaan Data Hilang
X = b r Mo To Po
rM 0 + bT 0 − P0 (b − 1)( r − 1)
; dimana
= level faktor sub plot = banyaknya ulangan = Total nilai-nilai pengamatan pada main plot yang berdata hilang, pada ulangan tertentu saja/yang bersangkutan. = Total nilai pengamatan kombinasi perlakuan yang berdata hilang (pada semua ulangan). = Total nilai pengamatan faktor main plot yang berdata hilang (mencakup semua ulangan).
Galat baku beda rata-rata perlakuan S d dalam split-plot dengan data hilang Pengujian pasangan (pair comparison) antara:
1.
Dua rata-rata faktor main plot (dirata-ratakan dari seluruh faktor sub plot)
2.
Dua rata-rata faktor sub plot (dirataratakan dari faktor main plot)
Sd =
Nilai
2 (Ea + Eb ) rb 2 E b ( 1 + fb
a
)
r a 3.
Dua rat-rata faktor sub plot pada level faktor main plot yang sama
2 E b (1 + fb
a)
r 4.
Dua rata-rata faktor main plot pada faktor sub plot yang sama atau bebeda
Rancangan Faktorial Terpaut
[
{
2 ( E a + E b ( b − 1) + f b 2 rb
}]
80
; dimana untuk 1 data hilang, nilai f =
1, maka nilai f:
f=
1 dan untuk data hilang lebih dari 2(r − 1)(b − 1)
k ; dimana 2(r − d)(b − k + c −1)
k= banyaknya data hilang d= banyaknya data hilang terbanyak dalam kombinasi perlakuan yang sama a= level faktor main plot b= level faktor sub plot r= banyaknya ulangan. Teladan: lihat data untuk split plot (tabel 3.7). Perlakuan N2V1 pada ulangan II, diasumsikan hilang (N2V1 pada ulangan II= 6420 kg/ha). Dari rumus: X = Mo
rMo + bTo − Po , maka: b= 4 ; r=3; ( b − 1)( r − 1)
= Total N2 (main plot factor) dalam ulangan II (6127 + 5724 + 5744 = 17595)
To
= Total N2V2 yang ada (yaitu pada ulangan I dan II) (6076 + 6704 = 12780)
Po
= Total N2 yang ada (yaitu pada semua ulangan) (6076 + 6704 + 6008 + 6127 + …+ 4146 = 63975)
jadi X =
3(17595 ) + 4(12780 ) − 6975 = 6655 kg / ha ( 4 − 1)(3 − 1)
Kemudian nilai N2V1 = X= 6655 kg/ha ini dimasukkan dalam data, untuk selanjutnya dipergunakan dalam menyusun analisis varians dari keseluruhan data tersebut. Koreksi dilakukan dengan mengurangi DB total dan DB error (b), masing-masing dengan 1 untuk setiap banyaknya data hilang. Hasil analisis varians setelah nilai di duga data hilang dimasukkan adalah sebagai berikut:
Rancangan Faktorial Terpaut
81
Sumber Keragaman (SK) Ulangan
Derajat Bebas (DB) 2
Jumlah Kuadrat (JK) 1164605
Kuadrat Tengah (KT) 582302
Nitrogen (N)
5
30615088
6123018
43.38**
Error (a)
10
1411480
141148
-
Varietas (V)
3
90395489
30131830
83.98**
2.87
4.40
NxV
15
69100768
4606718
12.84**
1.96
2.60
Error (b)
35
12557261
358779
-
Total
70
205244690
F-tabel 5% 1%
F-hitung
3.33 -
5.64 -
-
-
-
Untuk membandingkan dua rata-rata perlakuan dimana salah satu dati perlakuan yang dibandingkan mempunyai data hilang, maka nilai sesuai (yaitu nilai
Sd
Sd
dihitung dengan rumus yang
untuk data hilang)
Teladan: untuk membandingkan rata-rata N2 dengan salah satu dari perlakuan N yang lain dalam level varietas yang sama atau berlainan maka nilai
Sd
adalah sebagai
berikut:
Sd =
⎧ ⎡ ⎤⎫ b2 2 ⎨ E a + E b ⎢ (b − 1) + ⎥⎬ − − 2 ( r 1 )( b 1 ) ⎣ ⎦⎭ ⎩ r .b
Sd =
⎧ ⎡ 16 ⎤ ⎫ 2 ⎨141148 + 358779 ⎢( 4 − 1) + ⎬ 2 ( 2 )(3) ⎥⎦ ⎭ ⎣ ⎩ 3. 4 = 531.64 kg/ha
Sedang untuk membandingkan rata-rata V1 dengan rata-rata salah satu varietas yang lain pada level Nitrogen yang sama, maka nilai
Sd :
Sd =
⎡ ⎤ b 2 Eb ⎢1 + ⎥ ⎣ 2 a ( r − 1)(b − 1) ⎦ r
Sd =
⎡ ⎤ 4 2(358779 ) ⎢1 + ⎥ ⎣ 2(6)( 2)(3) ⎦ = 502 .47 kg / ha 3
Rancangan Faktorial Terpaut
82
5. 2.
RANCANGAN STRIP-PLOT/SPLIT BLOCK (STRIP-PLOT DESIGN)
Rancangan strip-plot khususnya dipergunakan (sesuai) untuk percobaan dua faktor yang mana ketelitian pengurangan/perhitungan/ketepatan hasil untuk interaksi antara kedua faktor tersebut diharapkan lebih tinggi dari pada pengukuran efek utama dari kedua faktor tersebut. Hal ini dapat dipenuhi/dicapai dari kedua faktor tersebut. Hal ini dapat dipenuhi/dicapai, dengan menggunakan 3 ukuran plot: 1. Plot strip horizontal, untuk faktor yang pertama disebut faktor horizontal 2. Plot strip vertikal, untuk faktor yang kedua, disebut faktor vertikal 3. Plot interseksi, untuk interaksi antara kedua faktor diatas. Plot-plot vertikal dan plot-plot horizontal selalu tegak lurus satu dengan yang lain. Tetapi tidak terdapat hubungan antara ukuran-ukurannya, tidak seperti dalam kasus main plot dan sub plot pada rancangan split-plot. Tentu saja ukuran plot interseksi adalah yang terkecil. Jadi dalam rancangan strip plot, tingkat ketelitian sehubungan dengan efek-efek utama dari kedua faktor, dikorbankan untuk menambah/meningkatkan ketelitian efek interaksinya. 5. 2. 1. Tata Letak Percobaan (Layout)
Rancangan strip plot terdiri dari beberapa blok sesuai dengan banyaknya ulangan (r). Tiap blok ulangan terdiri dari beberapa plot horizontal sesuai dengan banyaknya level faktor horizontal, dan beberapa plot vertikal sesuai dengan banyaknya level faktor vertikal. Teladan: Faktor horizontal (A), terdiri atas 6 level: a1, …, a6 Faktor vertikal (B), terdiri atas 3 level: b1, b2, b3 maka tata letaknya untuk satu blok ulangan adalah sebagai berikut:
Rancangan Faktorial Terpaut
83
A5
A5b3
A5b1
A5b2
A3
A3b3
A3b1
A3b2
A6
A6b3
A6b1
A6b2
A1
A1b3
A1b1
A1b2
A4
A4b3
A4b1
A4b2
A2
A2b3
A2b1
A2b2
B3
B1
B2
Ulangan I Baik faktor horizontal maupun faktor vertikal harus ditempatkan kedalam plotnya masing-masing secara random. Perandoman faktor horizontal maupun faktor vertikal ini ditentukan sesuai dengan rancangan percobaan yang digunakan. Demikian pula dengan analisis variansnya, bergantung dengan rancangan yang dipakai. Dan untuk itu dapat dibedakan menjadi: 1.
Faktor horizontal maupun faktor vertikal disusun secara RAK.
2.
Faktor horizontal disusun secara RAK, dan faktor vartikal secara RBS.
3.
Faktor horizontal disusun secara RBS, dan faktor vertikal secara RAK.
5. 2. 2. Rancangan strip-plot dengan faktor horizontal dan faktor vertikal disusun secara RAK
Tata Letak Percobaan: Faktorl horizontal (A) : a0, a1, a2 Faktor vertikal (B)
Ulangan 3 kali
: b0, b1, b2, b3
A1
A2
A1
A0
A1
A2
A2
A0
A0
B3
B1
B0
B2
Ulangan I
Rancangan Faktorial Terpaut
B1
B0
B3
Ualngan II
B2
B2
B3
B1
B0
Ulangan III
84
Model Linier:
Yijk = μ + ρi + α j + γ ij + β k + θ ik + (αβ ) jk + ε ijk , i= 1, 2, ….,r j= 1, 2, ….,r k= 1, 2, ….,b dimana:
Yijk
= Nilai pengamatan/observasi pada ulanganke-i yang mendapat perlakuan faktor
μ
horizontal ke-j dan faktor vertikal ke-k. = nilai rata-rata pengamatan pada populasi.
ρi
= pengaruh ulangan ke-i.
αj
= pengaruh faktor horizontal ke-i.
γ ij
= Komponen random dari error yang berhubungan dengan faktor horizontal ke-j
βk θ ik
dalam ulangan ke-i. = pengaruh faktor vertikal ke-k = komponen (pengaruh faktor) random dari error yang berhubungan dengan faktor vertikal ke-k dalam ulangan ke-i.
(αβ ) jk = pengaruh interaksi faktor horizontal ke-j dan faktor vertikal ke-k.
ε ijk
= Komponen (pengaruh faktor) random dari error yang berhubungan dengan sub plot ke-ij dalam ulangan ke-k.
5. 2. 3. Analisis Varians Sumber Keragaman (SK) Ulangan
r-1
Jumlah Kuadrat (JK) JKU
Kuadrat Tengah (KT) KTU
KTU/KTEa
A
a-1
JKA
KTA
KTA/KTEa
Error (a)
(a-1)(r-1)
JKEa
KTEa
-
B
b-1
JKB
KTB
KTB/KTEb
Error (b)
(b-1)(r-1)
JKEb
KTEb
-
AxB
(a-1)(b-1)
JKAB
KTAB
KTAB/KTEc
JKEc
KTEc
-
JKT
-
Error (c) Total
Derajat Bebas (DB)
(a-1)(b-1)(r-1) abr-1
Rancangan Faktorial Terpaut
F-hitung
F-tabel 5% 1%
85
Teladan: Suatu percobaan dua faktor dengan rancangan strip-plot diulang 3 kali. Faktor horizontal adalah varietas tanaman padi terdiri atas 6 varietas dan faktor vertikal adalah faktor dosis pemupukan nitrogen terdiri atas 3 level. Jadi:
faktor varietas: V1, V2, V3, V4, V5, V6. Faktor nitrogen: N1, N2, N3.
Nilai E (KT) untuk rancangan strip plot dengan kedua faktor disusun secara RAK **) SK
DB
Ulangan
(r-1)
A
(a-1)
E (KT) Model Fixed
σ ε2 + b σ γ2 + ab σ ρ2 σ
2
σ 2 + bσ 2 + rb ∑ j (a ε γ Error (a)
(r-1)(a-1)
B
(b-1)
Error (b)
(r-1)(b-1)
AxB
(a-1)(b-1)
Error(c)
(a-1)(b-1)(r-1)
**) SK
1)
σ ε2 + b σ γ2 σ ε + aσ θ + ra ∑ 2
2
β k2
(b
σ ε2 + aσ θ2
σ ε2 + r ∑ (αβ ) 2jk /(a
1)( b
1)
σ ε2
DB
E (KT) Model Random
Ulangan
(r-1)
σ ε2 + b σ γ2 + ab σ ρ2
A
(a-1)
2 σ ε2 + bσ γ2 + rσ αβ + rbσ α2
Error (a)
(r-1)(a-1)
B
(b-1)
Error (b)
(r-1)(b-1)
σ ε2 + aσ θ2
AxB
(a-1)(b-1)
2 σ ε2 + rσ αβ
Error (c)
(a-1)(b-1)(r-1)
Rancangan Faktorial Terpaut
1)
σ ε2 + b σ γ2 2 σ ε2 + a σ θ2 + rσ αβ + ra σ β2
σ ε2 86
F-test A =
KTA KTE *
F-test AB =
KTAB KTEc
Dimana KTE* = F-test B =
Dimana
JKE * = JKE
JKE * DBE *
KTB KTE *
KTE * =
+ JKAB
- JKE
c
DBE* = DBEa + DB AB − DBEc
JKE * = JKE JKE * DBE *
a
b
+ JKAB - JKE
c
DBE * = DBE b + DB AB − DBE c
Table 3.11. Data on Grain Yield of Six Varieties of Rice, Broadcast Seeded and Grown with Nitrogen Rates in a Strip Plot Design with Three Replications Nitrogen Rate kg/ha
0 (N1) 60 (N2) 120 (N3) 0 60 120 0 60 120 0 60 120 0 60 120 0 60 120
Rancangan Faktorial Terpaut
Grain Yield, kg/ha (Y) Rep. I Rep. II Rep. III IR8 (V1) 2.373 3.958 4.384 4.076 6.431 4.889 7.254 6.80 8.582 IR127.80 (V2) 4.007 5.795 5.001 5.630 7.334 7.177 7.053 8.284 6.297 IR305-4-12 (V3) 2.620 4.508 5.621 4.676 6.672 7.019 7.666 7.328 8.611 IR400-2-5 (V4) 2.726 5.630 3.821 4.838 7.007 4.816 6.881 7.735 6.667 IR665-58 (V5) 4.447 3.276 4.582 5.549 5.340 6.011 6.880 5.080 6.076 Peta (V6)3.326 2.572 3.724 3.326 3.896 2.822 4.442 1.556 2.706 3.214
87
Table 3.12. The Replication Variety Table of Yield Totals Computed from data in Table 3.11.
Variety V1 V2 V3 V4 V5 V6 Rep. Total (R) Grand Total (G)
Rep. I 13.703 16.690 14.962 14.445 16.876 8.024 84.700
Yield Total (RA) Rep. II Rep. III Variety Total (A) 17.197 17.855 48.755 21.413 18.475 56.78 18.508 21.251 54.721 20.372 15.304 50.121 13.696 16.669 47.241 9.252 10.965 28.241 100.438 100.519 285.657
Table 3.13. The replication x Nitrogen Table of Yield Totals Computed from Data in Table 3.11.
Nitrogen
Rep. I
Grain Yield t/ha Rep. II Rep. III
N1 N2 N3
18.745 28.665 37.290
26.891 35.606 37.941
26.735 34.337 39.447
Nitrogen Total (B) 72.371 98.608 114.678
Table 3.14. The Variety x Nitrogen Table of Yield Totals Computed In Table 3.11 Variety V1 V2 V3 V4 V5 V6
Yield Total (AB) N1 N2 N3 10.715 15.396 22.644 14.803 20.141 21.634 12.749 18.367 23.605 12.177 16.661 21.283 12.305 16.900 18.036 9.622 11.143 7.476 72.371 98.608 114.678
Prosedur perhitungan Jumlah Kuadratnya:
G2 (285657) 2 FK = = = 1511109660 r ab 3. 6 . 3
[
]
JK Total = ∑ Y 2 − FK = (2373) 2 + ... + (3214) 2 − FK = 167005649
Rancangan Faktorial Terpaut
88
∑R JK Ulangan =
2
− FK
a .b
(84700)2 + (100438)2 + (10051)2 = 6.3
FK = 9220962
Analisis Horizontal:
∑A JKA (Varietas ) =
2
− FK
r .b
(48755)2 + ... + (28241)2 = − FK = 57100201 3. 3
∑ ( RA )
JK Error ( a ) =
=
2
− FK − JK Ulangan − JKA
b
(13703) 2 + ... + (10965) 2 − FK − JK Ulangan − JKA = 14922620 3
Analisis Vertikal:
∑B JKB( Nitrogen) =
2
r .a
− FK
(72371) 2 + ... + (114678) 2 = − FK = 50676061 3. 6
∑ ( RB ) JK Error (b ) = a
2
− FK − JK Ulangan − JKB
(18745) 2 + ... + (39447) 2 = − FK − JK Ulangan − JKB = 2974909 6 Analisis Interaksi:
JK AB ( Ntrogen × Varietas ) =
∑ ( AB ) r
2
− FK − JKA − JKB
(10715) 2 + ... + (7476) 2 = − FK − JKA − JKB = 23877980 3 JKEc = JK Total – JK Ulangan – JKA - JKEa – JKB – JKEb – JKAB = 8232916 Untuk nilai KT masing-masing sumber keragaman dihitung dari Jk masing-masing dibagi DB-nya. Hasil anovanya lengkap, pada tabel 3.15. Rancangan Faktorial Terpaut
89
Table 3.15. Analysis of variance of Data in Table 3.11 from a 3 x 6 Factorial Experiment in a Strip Plot Designa Source of Variation Replication
Degree of Tab. F Sum of Square Mean Square Computed Fb Freedom 5% 1% 2 9.220.962 4.610.481
Variety (A)
5
57.100.201
11.420.040
Error (a)
10
14.922.620
1.492.262
Nitrogen (B)
2
50.676.061
25.338.031
Error (b)
4
2.974.909
743.727
AxB
10
23.877.980
2.387.798
Error(c)
20
8.232.916
411.646
Total
53
167.005.649
7.65**
3.33 5.64
c
5.80**
2.35 3.37
a
cv (a) = 23.1% cv (c) = 12.1% ** = significant at 1% level
b c
Error (b) d.f is not edequate for valid test of significance.
Analsis Varians data pada tabel 3.11 dalam 3 x 6 rancangan split-plot Sumber Keragaman (SK) Ulangan
Derajat Bebas (DB) 2
Jumlah Kuadrat (JK) 9220962
Kuadrat Tengah (KT) 4610481
Varietas (A)
5
57100201
Error (a)
10
Nitrogen (B)
F-tabel 5% 1%
F-hitung
3.09ns
4.51
7.56
11420040
7.65**
3.33
5.64
14922620
1492262
-
2
50676061
25338031
54.26
3.40
5.61
AxB
10
23877980
2387798
5.11**
2.62
3.90
Error (b)
24
11207825
466993
-
Total
53
167005649
Rancangan Faktorial Terpaut
-
-
-
-
-
90
Galat baku beda rata-rata perlakuan untuk empat macam pengujian pasangan (pair comparison) Pengujian pasangan (pair comparison) antara:
Nilai
Sd =
1.
Dua rata-rata faktor horizontal (dirata-ratakan dari seluruh faktor vertikal)
2 Ea rb
2.
Dua rata-rata faktor vertikal (dirataratakan dari faktor horizontal)
2 Eb ra
3.
Dua rata-rata faktor horizontal pada faktor vertikal yang sama
2 [( b − 1 ) E c + E a rb
4.
Dua rata-rata faktor vertikal pada faktor horizontal yang sama.
2 [( a − 1) E c + E b ] ra
]
Ea= KT Error (a); Eb= KT Error (b); Ec= KT Error (c); A= banyaknya level faktor horizontal; b= banyaknya level faktor vertikal; r= banyaknya ulangan. Untuk rumus
Sd
yang #3 dan #4, nilai t-tabel yang dipakai dalam perhitungan BNT
adalah t-tabel yang dikoreksi, yaitu: •
t* = Untuk #3:
(b − 1) Ec tc + Eata (b − 1) Ec + Ea
•
t* = Untuk #4:
(a − 1) Ec t c + Eb t b (a − 1) Ec + Eb
Dimana ta, tb dan tc adalah nilai t-tabel dengan n= DB Ea, DB Ebdan DB Ec berturutturut. Nilai
Sd
untuk multiple range test:
Sx =
Sd 2
Pendugaan Data Hilang
Rumus pendugaan nilai data hilang pada rancangan Strip Plot, adalah:
Rancangan Faktorial Terpaut
91
X=
a(bTo − Po) + r (aHo + bVo − Bo) − bSo + Go (a − 1)(b − 1)(r − 1)
Dimana: a
= level faktor horizontal
b
= level faktor vertikal
r
= banyaknya ulangan
To
= total nilai pengamatan pada perlakuan yang mengandung data hilang
Po
= total nilai-nilai pengamatan pada level faktor horizontal tertentu yang mengandung data hilang
Ho
= total nilai-nilai pada pengamatan strip horizontal yang mengandung data hilang
Vo
= total nilai-nilai pengamatan strip vertikal yang mengandung data hilang
Bo
= total nila-nilai pengamatan pada ulangan yang mengandung data hilang
So
= total nila-nilai pengamatan pada level faktor vertikal tertentu yang mengandung data hilang
Go
= total seluruh nilai pengamatan (yang mengandung data hilang)
Teladan: Lihat data untuk strip-plot (tabel 3.11) Perlakuan V6N2 pada ulangan III diasumsikan hilang. (V6N2 pada ulangan III=4425 kg/ha). Dari rumus pendugaan data hilang diatas, maka: a = 6 (=level faktor horizontal, varietas) b = 3 (=level faktor vertikal, Nitrogen) r = 3 (=banyaknya ulangan) To = 671 (=total nilai pengamatan perlakuan V6N2 = 3896 + 2822) Po = 23816 (=total nilai pengamatan V6 = 2572 + 3724 + 3326 + …+ 3214) Ho = 6540 ( =total nilai pengamatan V6 dalam ulangan III = 3326 + 3214) Vo = 29912 (=total nilai pengamatan N2 dalam ulangan III = 4889 + 7177 + 7019 + 4816 + 6011) Bo = 96094 (=total nilai pengamatan pada ulangan III = 4384 + 4889 + 8592+ …+ 3326 + 3214) So = 94183 (=total nilai pengamatan N2 = 4076 + 6431 + 4889 + 5630 + …+ 2822) Go = (=total seluruh nilai pengamatan yang ada)
Rancangan Faktorial Terpaut
92
Jadi:
X =
{6[3(6718) − 23816] + 3[6(6540) + 3(29912) − 96094] − 3(94183) + 281232} (5)(2)(2)
= 3768 kg/ha. Selanjutnya nilai V6N2 = X = 3768 kg/ha ini dimasukkan dalam data, untuk selanjutnya dipergunakan dalam menyusun daftar analisis varians dari keseluruhan data tersebut. Koreksi dilakukan dengan mengurangi DB total dan DB Error (c) masing-masing dengan 1. Analisis Varians (Rancangan Strip-Plot) dari data pada tabel 3.11 dengan satu data hilang.
Sumber Keragaman (SK) Ulangan
Derajat Bebas (DB) 2
Jumlah Kuadrat (JK) 8850049
Kuadrat Tengah (KT) 4425024
Varietas (V)
5
59967970
11993594
8.15**
Error (a)
10
14709970
1470997
-
Nitrogen (N)
2
50444651
25222326
C
Error (b)
4
3072363
728091
-
AxB
10
23447863
2344786
5.52**
Error (c)
19
8072974
424893
Total
52
168565841
F-tabel 5% 1%
F-hitung
3.33
5.64
2.38
3.43
-
-
-
Table 5.16. Computations Prosedure for the Partitioning of nitrogen x Variety Interaction SS in Table 3.15 into Two Competitions, Based on the Linier and quadratic Component of Nitrogen SS. Variety V1 V2 V3 V4 V5 V6 Total
Treatment Total N1 N2 10.715 15.396 14.803 20.141 12.749 18.367 12.177 16.661 12.305 16.900 9.622 11.143 72.371 98.608
N3 22.644 21.634 23.605 21.283 18.036 7.476 114.678
Sum of Squaresa Linier Quadratic 23.716.840 366.083 7.777.093 821.335 19.642.123 8.022 13.819.873 1.058 5.474.060 664.704 767.553 1.495.297 71.197.542 3.356.499
(Catatan: Linier: -1 0 +1 dan Kuadratik: +1 -2 +1)
JK NL= [-72.371+114.678]2/{3*6*2} = 49.718.951 JK NQ= [72.371+(-2)(98.608)+114.678]2/{3*6*6} = 957.110
Rancangan Faktorial Terpaut
93
TheLinier SS =
(-N1 + N3 )2 (3)(2); and the quadratic SS = Componen Definition
1
N L × (V 6 vs. Others )
Degree of freedom 1
2
N L × [(V 2 , V5 )vs.(V1 , V3 , V 4 ) ]
1
3
N L × (V 2 vs.V5 )
1
4
N L × (V1 vs.V 3 vs.V 4 )
2
Number
(N1 - 2N2 + N3 )2
[(3)(6)]
Question to be Answered
Does the linier renponse of V6 differ from that of the others varieties ? Does the mean liniear response of V2 and V5 differ from that of V1, V3 and V4 ? Does the Liniear response of V2 differ from that of V5 ? Is there any difference in the liniear responses of V1, V3 and V4 ?
GRAFIK Tables 5.17. Analysis of Variance Partitioning of Main Effect SS and Corresponding Interactions SS (Original Analysis of Variance in Table 3.15 Æhal 90) Source of Variation Replication
Degree of Freedom 2
Sum of Square 9.220.962
Variety (V)
5
57.100.201
11.420.040
Error (a)
10
14.922.620
1.492.262
Nitrogen (N)
2
50.676.061
25.338.031
B
Mean Square
Computed Fb
4.610.481 7.65**
- Linear (NL)
(1)
49.718.951
49.718.951
B
-Quadratik (NQ)
(1)
957.110
957.110
B
Error (b)
4
2.974.909
743.727
NxV
10
23.877.980
2.387.798
5.80** 10.44**
- NL x V
(5)
21.478.591
4.295.718,2
- NQ x V
(5)
2.399.389
479.877,8 411.646
Error (c)
20
8.232.916
Total
53
167.005.649
1.17 ns
JK(NLxV)= 71.197.542 - 49.718.951 = 21.478.591 JK(NQxV)= 3.356.499 - 957.110 = 2.399.389
Rancangan Faktorial Terpaut
94
Tables 5.18. Additional Partitioning of the NL x V SS in Table 5.17, to Support t visual Observation in Figure 5.1. DF
Source of Variation NL x V NL x (V6 vs. Others)
N L × [(V 2 , V5 )vs.(V1 , V3 , V 4 ) ] N L × (V 2 vs.V5 ) N L × (V1 vs.V 3 vs.V 4 )
Error (c)
Sumber keragaman kontras V6>
< V1 V3 V4 V2 >< V5 V1 >< V3 V4 V3 >
5 (1) (1)
Sum of Square
Mean Square
Computed F-Table Fb 5% 1%
21.478.591 4.295.718 10.44** 16.917.575 16.917.575 41.10** 3.783.340 3.783.340 9.19**
2.71 4.10 4.35 8.10 4.35 8.10
(1)
100.834
100.834
<1
-
(2)
676.842
338.421
<1
-
20
8.232.916
411.646
-
N L × (V1 ) N L × (V2 ) N L × (V 3) N L × (V4 ) N L × (V5 ) N L × (V6 )
∑k
11929
6831
10856
9106
5731
-2146
1
1
1
1
1
-5
30
2 0 2 0
-3 1 0 0
2 0 -1 1
2 0 -1 -1
-3 -1 0 0
0 0 0 0
30 2 6 2
2 i
NL x (…)
Untuk mendapatkan nilai
N L × (Vi)
(lihat tabel 5.16):
N L × (V 1) = {− 1( N1V1 ) + 0( N 2V1 ) + 1( N 3V1 )} = {− 1(10715 ) + 0 (15396 ) + 1( 22644 )} = 11929
N L × (V6 ) = {− 1( N 1V6 ) + 0( N 2V6 ) + 1( N 3V6 )} = {− 1(9622 ) + 0 (11143 ) + 1( 7476 )} = − 2146
[∑ {k × N JK = i
∑k
2 i
L
]
× (Vi )}
2
×r×2 Koefisien Polynomial linier
{
= ( − 1 ) 2 + ( 0 ) 2 + (1 ) 2 JKNL(V 6 >
}
2 { 1(11929) + 1(6831) + 1(10856) + 1(9106) + 1(5731) − 5(−2146)} =
30 × 3 × 2
=
(55183) 2 = 16917574.94 180
Rancangan Faktorial Terpaut
95
5. 2. 4. Trend Comparison untuk Percobaan Faktorial
Misal: Faktor A: 4 level (a1, a2, a3, a4) Faktor B: 4 level (b1, b2, b3, b4) A dan B keduanya kuantitatif. Dan ulangan = 4, maka bagian Anovanya: Sumber Keragaman (SK) Ulangan Perlakuan A AL AQ AC B BL BQ BC AxB AL x BL AL x BQ AL x BC AQ x BL AQ x BQ AQ x BC AC x BL AC x BQ AC x BC Error Total
Derajat Bebas (DB) 3 15 3 1 1 1 3 1 1 1 9 1 1 1 1 1 1 1 1 1 45 63
Jumlah Kuadrat (JK)
Kuadrat Tengah (KT)
F-hitung
F-tabel 5% 1%
Tabel berikutnya ada di landscape.
Untul level perlakuan = 4, maka koefisien polynomial orthogonal untuk: Linier:
-3
-1
+1
+3
Quadratik:
+1
-1
-1
+1
Cubic:
-1
+3
-3
+1
(koefisien-koefisien diatas dilihat pada tabel koefisien polynomial orthogonal).
(∑ k T ) = (∑ k )× r 2
JK
i i 2 i
Maka:
Rancangan Faktorial Terpaut
96
(−29.137) 2 JK ( AL ) = = 2.653014903 80 × 4
(−0.541) 2 JK ( AQ × B L ) = = 0.000914628125 80 × 4 (−0.017) 2 JK ( AC × BC ) = = 0.000000180625 400 × 4 Analisis Varians Sumber Keragaman (SK) Ulangan W WL WQ WC N NL NQ NC WxN WL x NL WL x NQ WL x NC WQ x NL WQ x NQ WQ x NC WC x NL WC x NQ WC x NC Error Total
Derajat Bebas (DB) 3 3 1 1 1 3 1 1 1 9 1 1 1 1 1 1 1 1 1 45 63
Jumlah Kuadrat (JK) 0.0080792 2.9587214 2.6530149
Kuadrat Tengah (KT)
F-hitung
F-tabel 5% 1%
1.2872277 1.12606476
0.6844155
0.0009146
0.0000001 0.4265686 5.3650124
Data penyerapan Nitrogen pada tanaman padi, yang diperlakukan dengan 4 macam Water-Stress 4 dosis pemupukan N. (Dalam suatu percobaan faktorial dengan RAK).
Rancangan Faktorial Terpaut
97
Water stress (hari) 0 (W1)
10(W2)
20(W3)
30(W4)
Dosis pupuk N (kg/ha) 0 (N1) 90 (N2) 180 (N3) 270 (N4) 0 90 180 270 0 90 180 270 0 90 180 270
I 0.250 0.503 0.595 1.089 0.254 0.506 0.692 1.033 0.248 0.428 0.484 0.507 0.099 0.154 0.111 0.089
Penyerapan N, gr/pot Ulangan II III 0.321 0.373 0.493 0.534 0.836 0.739 01.297 1.007 0.373 0.349 0.613 0.588 0.754 0.548 0.757 1.034 0.234 0.267 0.397 0.493 0.453 0.457 0.498 0.477 0.103 0.093 0.142 0.133 0.102 0.098 0.142 0.138
Perlakuan
Ao A1
A2
A3
B1 B2 B3 B1 B2 B3 B1 B2 B3 B1 B2 B3
I 4.25 4.35 4.25 6.60 7.05 6.80 8.15 8.15 7.85 8.40 8.25 8.25
PH H2O Tanah Ulangan II 4.35 4.30 4.35 7.60 7.20 6.60 7.95 8.05 8.10 8.15 8.30 8.25
Total IV 0.327 0.537 0.974 0.677 0.367 0.625 0.713 0.831 0.305 0.587 0.372 0.619 0.084 0.129 0.152 0.141
1.271 2.067 3.144 4.070 1.343 2.332 2.707 3.655 1.054 1.905 1.766 2.101 0.379 0.558 0.463 0.510
Total III 4.20 4.15 4.15 7.80 7.15 6.60 8.20 8.05 7.90 8.35 8.05 8.05
12.80 12.80 12.75 22.00 21.40 20.00 24.30 24.25 23.85 24.90 24.60 24.55
A0, A1, A2, A3 adalah dosis penambahan limbah kapur, masing-masing: 0, 50, 100 dan 150 gr/4 gr tanah. B1, B2 dan B3 adalah dalam inkubasi setelah pengapuran, masing-masing: 2, 4 dan 6 minggu. Desain: RAK faktorial Bagaimana bentuk hubungan (regresi) antara pH H2O tanah dan faktor-faktor penambahan lembah kapur serta lama inkubasinya?
Rancangan Faktorial Terpaut
98
5. 3. Rancangan Spilt-Split Plot
Rancangan Split-split-plot merupakan perluasan (extension) dari rancangan splitplot, dimaksudkan untuk mengakomodasikan faktor ke tiga. Rancangan ini memang dimaksudkan untuk percobaan 3 faktor, yang mana 3 tingkatan ketelitian yang berbeda diharapkan untuk berbagai efek. Setiap tingkatan ketelitian diberikan pada efek-efek yang berhubungan dengan masing-masing faktor dari ketiga faktor tersebut. Rancangan ini memiliki 2 ciri yang penting, yaitu: 1.
Terdapat 3 rancangan ukuran plot sesuai dengan ketiga faktor, yaitu: Plot terbesar (=main plot) untuk faktor main plot; plot sedang (sub-plot) untuk faktor sub-plot, dan plot terkecil (sub-sub-plot) untuk faktor sub-sub-plot.
2.
Terdapat 3 tingkatan ketelitian, dengan faktor main-plot menerima tingkat ketelitian terendah, dan faktor sub-sub-plot menerima tingkat ketelitian tertinggi.
5. 3. 1. Tata Letak dan Perandoman
Teladan: Suatu percobaan faktorial 5 x 3 x 3 dalam rancangan split-split plot dengan ulangan r = 3. Ketiga faktor itu adalah; 1) Dosis pemupukan Nitrogen sebagai faktor main plot terdiri atas 5 level (yaitu: N1, N2, N3, N4 dan N5); 2). Praktek pengelolaan tanah sebagai faktor sub plot terdiri atas 3 level (yaitu: M1, M2, M3) dan 3) varietas padi sebagai faktor sub-sub plot terdiri atas 3 varietas (yaoitu: V1, V2, V3). (Catatan: Untuk simbol umum, digunakan: r untuk banyaknya ulangan ; A, B dan C untuk menyatakan faktor main Plot, fakotr sub plot dan faktor sub-sub plot; dan a, b, c untuk menyatakan level-level faktor A, B, dan C secara berurut-urut). Ada 3 langkah dalam perandoman dan tata letak (layout) dalam suatu rancangan splitsplit plot, yaitu:
Langkah 1: Bagilah area percobaan menjadi r ulangan dan selanjutnya bagilah setiap ulangan menjadi a bagian main plot. Kemudian tempatkan secara random a-level faktor main plot kedalam a-main plot secara terpisah dan berdiri sendiri untuk masing-masing ulangan. Untuk teladan diatas, area percobaan dibagi menjadi 3 blok ulangan dan setiap ulangan dibagi lagi menjadi 5 main plot. Kemudian kelima level faktor Nitrogen (N1, N2, N3, N4 dan N5) ditempatkan secara random pada kelima plot main plot dalam masing-masing ulangan.
Rancangan Faktorial Terpaut
99
Langkah 2: Bagilah setiap main plot menjadi b sub plot, yang mana b-level faktor sub plot ditempatkan secara random, secara terpisah dan berdiri sendiri untuk masing-masing (r)(a) main plot. Untuk teladan diatas, setiap main plot dibagi menjadi 3 sub plot, dan ke dalam mana ketiga level praktek pengelolaan (M1, M2, M3) ditempatkan secara random. Proses perandoman ini diulangi sebanyak (r)(a) = 15 kali. Langkah 3: Bagilah setiap sub plot menjadi sub-sub plot, kedalam mana c level faktor varietas (V1, V2, V3) ditempatkan secara acak. Proses perandoman ini diulang sebanyak (r)(a)(b) = 45 kali. Tata letak (layout) akhir akan tampak sebagai berikut:
N2M1V1 N2M3V3 N2M2V3
N1M2V1 N1M3V1 N1M1V2
N3M1V2 N3M2V2 N3M3V1
N2M1V3 N2M3V1 N2M2V2
N1M2V2 N1M3V2 N1M1V1
N3M1V3 N3M2V3 N3M3V3
N2M1V2 N2M3V2 N2M2V1
N1M2V3 N1M3V3 N1M1V3
N3M1V1 N3M2V1 N3M3V2
N1M3V2 N1M1V1 N1M2V1
N5M2V1 N5MV1 N5M3V1
N5M2V1 N5M1V1 N5M3V3
N1M3V1 N1M1V3 N1M2V2
N5M2V3 N5MV3 N5M3V2
N5M2V3 N5M1V3 N5M3V2
N1M3V2 N1M1V2 N1M2V3
N5M2V2 N5MV2 N5M3V3
N5M2V2 N5M1V2 N5M3V1
N5M3V1 N5M2V1 N5M1V3
N4M2V2 N4M3V3 N4M1V3
N1M2V2 N1M3V1 N1M1V3
N5M3V3 N5M2V2 N5M1V2
N4M2V1 N4M3V1 N4M1V1
N1M2V3 N1M3V2 N1M1V1
N5M3V2 N5M2V3 N5M1V1
N4M2V3 N4M3V2 N4M1V2
N1M2V1 N1M3V3 N1M1V2
N4M2V1 N4M1V1 N4M3V3
N2M3V2 N2M2V2 N2M1V1
N4M2V2 N4M3V3 N4M1V2
N4M2V2 N4M1V3 N4M3V1
N2M3V3 N2M2V3 N2M1V2
N4M2V1 N4M3V2 N4M1V3
N4M2V3 N4M1V2 N4M3V2
N2M3V1 N2M2V1 N2M1V3
N4M2V3 N4M3V1 N4M1V1
Rancangan Faktorial Terpaut
100
N3M1V3 N3M2V1 N3M3V3
N3M2V3 N3M3V3 N3M1V1
N2M3V3 N2M1V3 N2M2V2
N3M1V1 N3M2V3 N3M3V1
N3M2V2 N3M3V1 N3M1V2
N2M3V2 N2M1V1 N2M2V3
N3M1V2 N3M2V2 N3M3V2
N3M2V1 N3M3V2 N3M1V3
N2M3V1 N2M1V2 N2M2V1
Model Linier:
Yijk l = μ + ρ i + α j + θ ij + ( β k ) (αβ ) jk + π ijk + γ l + (αγ ) jl + ( βγ ) kl + (αβγ ) jk l + ε ijk l ii= 1, 2, ….,r
j= 1, 2, ….,a
k= 1, 2, ….,b
l =1, 2, …,c
dimana:
Yijkl
μ
= Nilai pengamatan/observasi pada ulangan ke-i yang mendapat perlakuan faktor main plot ke-j, faktor sub plot ke-k dan faktor sub plot ke- l . = nilai rata-rata pengamatan pada populasi.
ρi
= pengaruh ulangan ke-i.
αj
= pengaruh faktor main plot ke-j.
θ ij
= Komponen random dari error yang berhubungan dengan faktor main plot ke-j
βk
dalam ulangan ke-i. = pengaruh faktor sub plot ke-k
(αβ ) jk = pengaruh interaksi faktor main plot ke-j dan faktor sub plot ke-k.
π ijk
γl
= Komponen random dari error yang berhubungan dengan interaksi faktor main plot ke-j dan faktor sub plot ke-k dalam ulangan ke-i. = Pengaruh faktor sub-sub plot ke- l
(αγ ) jl
= Pengaruh interaksi antara faktor main plot ke-j dan faktor sub-sub plot ke- l
(αγ ) kl = Pengaruh interaksi antara faktor sub plot ke-k dan faktor sub-sub plot ke- l
(αβγ ) jkl = Pengaruh interaksi antara faktor main
plot ke-j; faktor sub plot ke-k dan
faktor sub-sub plot ke- l Pengaruh interaksi antara faktor main plot ke-j dan faktor sub-sub plot ke- l
Rancangan Faktorial Terpaut
101
ε ijk l
= Komponen (pengaruh faktor) random dari error yang berhubungan dengan
interaksi antara ketiga faktor ke-jk l dalam ulangan ke-i. 5. 3. 2. Analisis Varians Sumber Keragaman
Derajad Bebas
Analisis main plot Ulangan Faktor main plot (A)
r-1=2 a-1=4
Error (a)
(r-1)(a-1)=8
Jumlah Kuadrat Kuadrat tengah
F-hitung
Analisis sub plot
Faktor sub plot (B) AxB
(b-1)=2 (a-1)(b-1)=8
Error (b)
a(r-1)(b-1)=20
Analisis sub-sub plot Faktor sub-sub plot (c)
(c-1)=2
AxC
(a-1)(c-1)=8
BxC
(b-1)(c-1)=4
AxBxC
(a-1)(b-1)(c-1)=16
Error (c) Total
ab(r-1)(c-1)=60 rabc-1=134
Rancangan Faktorial Terpaut
102
Table 4.4. Grain yields of Three Rice Varieties Grown under Three Management Practices and Five Nitrogen Levels; in a Split-split plot design with Nitrogen as Main Plot, Management Practice as Sub plot, and Variety as Sub-sub plot Factors, with Three Replications.
Management
V1 Rep. II
Rep. III
Rep. I
M1(Minimum) 3.320 M2(Optimum) 3.766 M3(Intensive) 4.660
3.860 4.311 5.915
4.507 4.875 5.400
6.101 5.096 6.573
M1 M2 M3
3.188 3.625 5.232
4.752 4.809 5.170
4.756 5.295 6.046
5.595 6.357 7.016
M1 M2 M3
5.468 5.759 6.215
5.788 6.130 7.106
4.422 5.308 6.318
5.442 6.398 6.953
M1 M2 M3
4.246 5.255 6.829
4.842 5.742 5.869
4.863 5.345 6.011
6.209 6.992 7.565
M1 M2 M3
3.132 5.389 5.217
4.375 4.315 5.389
4678 5.896 7.309
6.860 6.857 7.254
Rep. I
Rancangan Faktorial Terpaut
Grain Yield V2 Rep. II Rep. III N1(0 kg/ha) 5.122 4.815 4.873 4.166 5.495 4.225 N2 (50 kg/ha) 6.780 5.309 5.925 5.163 7.442 4.478 N3 (80 kg/ha) 5.988 6.509 6.533 6.569 6.914 7.991 N4 (110 kg/ha) 6.768 5.779 7.856 6.164 7.626 7.362 N5 (140 kg/ha) 6.894 6.573 6.974 7.224 7.812 8.950
Rep. I
V3 Rep. II
Rep. III
5.355 7.442 7.018
5.536 6.462 3.020
5.244 5.584 7.642
6.706 8.592 8.480
6.546 7.646 9.942
7.092 7.212 8.714
8.452 8.662 9.112
6.698 8.526 9.140
8.650 8.514 9.320
8.042 9.080 9.660
7.414 9.016 8.966
6.902 7.778 9.128
9.314 9.22 10.360
8.508 9.680 9.896
8.032 9.294 9.712
103
( 884 . 846 ) 2 FK = 3×3×3 Table 4.5. The Replication x Nitrogen Table of Yield Computed from Data in Table 4.4 Yield total (RA) Nitrogen Nitrogen Total (A) Rep. I Rep. II Rep. III N1 49.331 49.598 46.458 145.87 N2 54.791 59.012 54.146 167.949 N3 62.461 62.823 63.601 188.885 N4 63.878 64.099 59.332 187.309 N5 63.607 63.843 67.866 195.316 Rep. Total (R) 294.068 299.75 291.403 Grand Total (G) 884.846 Table 4.6. The Nitrogen x Management Table of Yield Totals Computed from Data in Table 4.4 Yield total (AB) Nitrogen M1 M2 M3 N1 43.864 46.575 54.948 N2 50.803 54.24 62.520 N3 57.417 62.399 9.069 N4 55.065 63.228 69.016 N5 58.366 64.051 71899 Management Total 265.517 291877 327.452 Table 4.7. The Replication x Nitrogen x Management Table of Yield Totals Computed from Data in Table 4.4 Yield Total (RAB) Management Rep. I Rep. II Rep. III N1 ( kg/ha) M1 14.776 14.522 14.566 M2 16.304 15.646 14.625 M3 18.251 19.430 17.267 N2 (50 kg/ha) M1 15.489 18.078 17.238 M2 18.574 18.380 17.670 M3 20.28 22.554 19.238 N3 (80 kg/ha) M1 19.362 18.474 19.581 M2 20.819 21.189 20.391 M3 22.280 23.160 23.629 N4 (110 kg/ha) M1 18.497 19.024 17.544 M2 21.327 22.614 19.287 M3 24.054 22.461 22.501 N5 (140 kg/ha) M1 19.306 19.777 19.283 M2 21.470 20.969 22.6212 M3 2.831 23.097 25.971
Rancangan Faktorial Terpaut
104
Table 4.8. The Nitrogen x Variety Table of Yield Totals Computed from Data in Table 4.4 Yield total (AC) Nitrogen V1 V2 V3 40.618 46.466 58.303 N1 42.873 54.146 70.930 N2 52.514 59.297 77.074 N3 49.002 62.321 75.986 N4 45.700 65.596 84.020 N5 230.707 287.826 366.313 Variety Total (C) Table 4.9. The Management x Variety Table of Yield totals Computed from Data in Table 4.4 Yield total (BC) Management V1 V2 V3 66.201 90.825 108.451 M1 75.820 93.345 122.712 M2 88.686 103.656 135.110 M3 Table 4.10. The Nitrogen x Management x Variety Table of Yield Totals Computed from Data in Table 4.4 Yield Total (ABC) Management V1 V2 V3 N1 ( kg/ha) 11.691 16.038 16.135 M1 12.952 14.135 19.488 M2 15.975 16.293 22.680 M3 N2 (50 kg/ha) 12.696 17.765 20.344 M1 13.729 17.445 23.450 M2 16.448 18.936 27.136 M3 N3 (80 kg/ha) 15.578 17.939 23.800 M1 17.197 19.500 25.702 M2 19.639 21.858 27.572 M3 N4 (110 kg/ha) 13.951 18.756 22.358 M1 16.342 21.012 25.874 M2 18.709 22.553 27.754 M3 N5 (140 kg/ha) 12.185 20.327 25.84 M1 15.600 21.253 28.198 M2 17.915 24.016 29.968 M3
Rancangan Faktorial Terpaut
105
Table 4.11. Analysis of Variance a (Split-split-plot Design) of Grain Yield Data in Table 4.4 Source of Degree of Sum of Mean Computed F-Table b Variation Freedom Square Square F 5% 1% Main-Plot analysis Replication 2 0.732 0.3660 Nitrogen (A) 4 61.641 15.4102 27.70** 3.84 7.01 Error (a) 8 4.451 0.5564 Sub plot Analysis Management (B) AxB Error (b)
2 8 20
42.936 1.103 5.236
21.4680 82.00** 3.49 5.85 0.1379 <1 0.2618
Sub-sub analysis Variety (C) AxC BxC AxBxC Error (c) Total
2 8 4 16 60 134
206.013 14.144 3.852 3.699 29.733 373.540
1030065 207.84** 3.15 4.98 1.7680 3.57** 2.10 2.82 0.9630 1.94ns 2.52 3.65 0.2312 <1 0.4956
plot
Prosedur Perhitungan Jumlah Kuadratnya
G2 (884.846) 2 = = 5799.648 FK = r a b c (3)(5)(3)(3) JK Total
=
[
∑Y
− FK
2
]
= (3.320)2 + ... + (9.712)2 − FK = 373.540 JK Ulangan =
∑R
2
abc
= JKA(Nitrogen) =
− FK
(249.068) 2 + (299.375) 2 + (291.403) 2 − FK = 0.732 (5)(3)(3)
∑
A2
rbc
− FK
(145.387) 2 + ... + (195.361) 2 = − FK = 61.641 (3)(3)(3) JK Error (a) =
∑ ( RA)2 − FK − JK Ulangan − JKA bc
=
(49.331)2 + ... + (67.866) 2 − FK − JK Ulangan − JKA = 4.451 (3)(3)
Rancangan Faktorial Terpaut
106
∑B
=
JKB (Pengelolaan)
rac
2
− FK
( 265 .517 ) 2 + ( 291 .877 ) 2 + (327 .452 ) 2 = − FK = 42.936 (3)(5)(3) JKAB =
=
∑ ( AB ) 2 − FK − JKA − JKB rc
(43.864) 2 + ... + (71.899) 2 − FK − JKA − JKB = 1.103 (3)(3)
∑ ( RAB ) JK Error (b) =
2
rc
− FK − JK Ulangan − JK Error ( a ) − JKB − JKAB
(14.776)2 + ... + (25.971)2 = − FK − JKU − JKE(a) − JKB − JKAB = 5.236 3
SALAH
∑C JKC (Varietas) =
2
r ab
− FK
(230.707)2 + (287.826)2 + (366.313)2 = − FK = 206.013 (3)(5)(3)
JKAC
∑ ( AC) =
2
− FK − JKA − JKC
r cb
( 40.618) 2 + ... + (84.020 ) 2 = − FK − JKA − JKC = 14.144 (3)(3)
∑ ( BC ) JKBC =
2
ra
− FK − JKB − JKC
( 66 .201) 2 + ... + (135 .1110 ) 2 = − FK − JKB − JKC = 3 .852 (3)( 5)
∑ ( ABC ) JKABC = r
=
2
− FK − JKA − JKB − JKC − JKAB − JKAC − JKBC
(11.691)2 + ... + (29.968)2 − FK − JKA− JKB− JKC− JKAB− JKAC− JKBC= 3.699 3
Rancangan Faktorial Terpaut
107
JK Error (c)
= JKTotal− JKU − JKA− JKE(a) − JKB− −JKAB− JKE(b) − JKC − JKAC− JKBC− JKABC = 29.733 Untuk menghitung nilai KT masing-masing sumber variasi diperoleh dengan membagi nilai Jk masing-masing sumber variasi dengan DB-nya. Galat baku beda rata-rata perlakuan untuk 12 macam perbadingan pasangan dalam rancangan Split-split plot Pengujian pasangan (pair comparison) antara:
Nilai
Sd =
1.
Dua rata-rata faktor main plot (dirata-ratakan dari seluruh faktor sub plot dan sub-sub plot)
2 Ea r bc
2.
Dua rata-rata faktor sub plot (dirataratakan dari seluruh faktor main plot dan sub-sub plot)
2 Eb r ac
3.
Dua rata-rata faktor sub plot (dirataratakan dari seluruh faktor sub-sub plot) pada level faktor main plot yang sama atau berbeda Dua rata-rata faktor sub-sub plot (dirata-ratakan dari seluruh faktor main plot dan sub plot)
2 Eb rc
Dua rata-rata faktor sub-sub plot pada level faktor main plot yang sama (dirata-ratakan dari seluruh faktor sub plot) Dua rata-rata faktor sub-sub plot pada level faktor sub plot yang sama (dirata-rata dari seluruh faktor main plot) Dua rata-rata faktor sub plot pada kombinasi faktor main plot dan sub plot yang sama
2 Ec rb
4.
5.
6.
7.
8.
9.
Dua rata-rata faktor main plot (dirata-ratakan dari seluruh faktor sub-sub plot) pada level faktor sub plot yang sama atau berbeda Dua rata-rata faktor sub plot (dirataratakan dari seluruh faktor main plot) pada level faktor sub-sub plot yang sama atau berbeda
Rancangan Faktorial Terpaut
2 Ec r ab
2 Ec r a 2 Ec r 2 [( b − 1 ) E b + E a rbc
]
2 [( c − 1) E c + E b ] r ac
108
Pengujian pasangan (pair comparison) antara:
Nilai
Sd =
10 .
Dua rata-rata faktor sub plot kombinasi faktor main plot dan subsub plot yang sama
2 [( c − 1) E c + E b ] rc
11 .
Dua rata-rata faktor main plot (dirata-ratakan dari seluruh faktor sub plot) pada level faktor sub-sub plot yang sama atau berlainan Dua rata-rata faktor main plot pada kombinasi faktor sub plot dan subsub plot yang sama
2 [( c − 1) E c + E a ] r bc
12 .
Untuk rumus
Sd
2 [b ( c − 1) E c + ( b − 1) E b + E a ] r bc
yang #8 sampai dengan #12, t-hitung yang dipakai dalam
perhitungan BNT adalah t-tabel yang dikoreksi, yaitu:
t* = * Untuk #8:
(b − 1) E b . t b + E a . t a (b − 1) E b + E a
t* =
( c − 1) E c . t c + E b . t b ( c − 1) E c + E b
* Untuk #10:
t =
( c − 1) E c . t c + E b . t b ( c − 1) E c + E b
* Untuk #11:
t* =
( c − 1) E c . t c + E a . t a ( c − 1) E c + E a
* Untuk #12:
t* =
b ( c − 1) E c . t c + ( b − 1) E b . t b + E a . t a b ( c − 1) E c + ( b − 1) E b + E a
* Untuk #9:
dimana: a, b, c adalah banyaknya level faktor main plot, faktor sub plot dan faktor subsub plot. Ea= Kuadrat tengah error (a) Eb= Kuadrat tengah error (b) Ec= Kuadrat tengah error (c) ta, tb dan tc berurut-urut adalah nilai pada t-tabel dengan n= DB error (a), DB (b) dan DB Error (c)
Rancangan Faktorial Terpaut
109
Untuk menghitung galat baku guna keperluan multiple range test, maka:
SX =
Sd 2
Pendugaan Data Hilang Data hilang pada rancangan split-split plot diduga dengan: X =
rMo + cTo − Po (c − 1)(r − 1)
Dimana:
c= level faktor sub-sub plot r= banyaknya ulangan Mo= Total nilai pengamatan pada sub plot tertentu yang mengandung data hilang To= Total nilai pengamatan pada perlakuan yang mengandung data hilang Po= Total nilai pengamatan dari semua sub plot yang mengandung set perlakuan yang sama dengan perlakuan yang berdata hilang.
Teladan: Untuk ilustrasi dipakai data pada tabel 4.4 dengan asumsi perlakuan N4M4V1 pada ulangan ke-III hilang. Maka nilai parameter-parameter pada rumus duga data hilang adalah: C= 3 (=level faktor sub-sub plot, varietas) R= 3 (=banyaknya ulangan) Mo= 13.942 (=Total nilai pengamatan sub plot N4M2 dalam ulangan III=6.164 + 7778) To= 10.997 (= Total pengamatan perlakuan N4M2V1= 5.255 + 5.742) Po= 57.883 (=Total nilai pengamatan semua sub plot yang mengandung N4M2= 5.255 + 5.742 + 6.992 + … + 7.778) Maka, nilai duga data hilang:
X =
3(13.942) + 3(10.997 ) − 57.883 = 4.243 ton / ha ( 2)( 2)
Selanjutnya nilai N4M2V1=X=4.234 ton/ha ini dimasukkan dalam data asalnya, untuk dipergunakan dalam menghitung Analisis Varians. Koreksi dilakukan dengan mengurangi DB total dan DB error (c) dengan 1, hasilnya adalah sebagai berikut:
Rancangan Faktorial Terpaut
110
Sumber Keragaman Ulangan Nitrogen (N) Error (a) Pengelolaan (M) NxM Error (b) Varietas (V) NxV MxV NxMxV Error (c) Total
Derajad Bebas 2 4 8 2 8 20 2 8 4 16 59 133
Rancangan Faktorial Terpaut
Jumlah Kuadrat 0.925 60.826 5.116 43.106 0.829 5.978 209.204 14.362 3.897 4.026 29.183 377.453
Kuadrat tengah 0.4627 15.2065 0.6395 21.5530 0.1036 0.2989 104.6020 1.7952 0.9742 0.2516 0.4946 -
F-hitung
F-tabel 5% 1%
23.78**
3.84 7.01
72.11** <1
3.49 5.85
211.49** 3.63** 1.97ns <1
3.15 4.99 2.10 2.83 2.52 3.66
111
5. 4. ANALISIS DATA MULTIOBSERVASI
Bila suatu karakter dari satu unit/satuan percobaan yang sama diukur lebih dari satu, maka data tersebut disebut data multiobservasi. Ada dua macam data multiobservasi: (1)
Data dari plot sampel, dimana diamati/diukur sebanyak s satuan sampel dari setiap plot. Misal dalam pengukuran tinggi tanaman padi, diamati dan diukur sebanyak 10 rumpun per plot.
(2)
data dari pengukuran/pengamatan yang dibuat selama selang beberapa waktu, dimana suatu karakter yang sama diamati/diukur pada stadium pertumbuhan tanaman yang berbeda. Misal, pengukuran tinggi tanaman, jumlah anakan, dan produksi berat kering yang diamati setiap 20 hari.
Analisis varians standar yang membutuhkan hanya satu pengamatan per karakter per satuan percobaan, tidak dapat secara langsung diaplikasikan untuk data multiobservasi. Hal tersebut dapat diaplikasikan hanya pada nilai rata-rata dari semua sampel dari satu plot, atau terhadap rata-rata pengukuran yanf dibuat selama beberapa waktu untuksetiap plot.
5. 4. 1. DATA DARI PLOT SAMPEL
Untuk data dari plot sampel, suatu sumber variasi tambahan dapat diukur, yaitu yang disebabkan oleh variasi sampel, yang umumnya dikenal sebaga Error Sampel/Galat Sampel (Sampling Error). Galat sampel/error sampel diharapkan lebih kecil dari pada
error percobaan. Hal ini berarti bahwa variasi antara unit percobaan akan lebih besar dari pada variasi antara individu di dalam unit percobaan.
Model Linier Additif (1) Untuk RAL: Yijk = μ + τ i + ε ij + δ ijk
Æ
i = 1, …, t j = 1, …, r k = 1, …, s
(2) Untuk RAK: Yijk = μ + τ i + β j + ε ij + δ ijk
Æ
i = 1, …, t j = 1, …, r k = 1, …, s
Rancangan Faktorial Terpaut
112
(3)
Untuk Split-Plot RAK: Yijkl = μ + ρ i + α j + π ij + β k + (αβ ) jk + ε ijk + δ ijkl
Keterangan: kecuali untuk δijkl , semua lambang mempunyai arti yang sama seperti
δ ijkl
yang terdahulu. = pengaruh penyamplingan ke-l, pada perlakuan faktor A ke-j, dan faktor B ke-k,
serta pada ulangan ke-i. Nilai Harapan Kuadrat Tengah, E(KT) untuk RAK dengan sampel
SUMBER KERAGAMAN ULANGAN
NILAI E(KT) MODEL TETAP MODEL RANDOM 2
2
2
2
2
2
2
σ s + s σ ε + st ∑ β j /(r - 1) 2
PERLAKUAN
σ s + s σ ε + sr ∑ τ i /(t - 1)
ERROR
σ s + s σε
ERROR SAMPEL
σs
2
2
2
2
2
2
2
2
σ s + s σ ε + st σ β
σ s + s σ ε + sr στ σ s + s σε
2
σs
2
DAFTAR ANALISIS VARIANS 5. 4. 1. 1. Untuk RAL Sumber Keragaman (SK) Perlakuan
Derajat Bebas (DB) (t-1)
Jumlah Kuadrat (JK) JKP
Kuadrat Tengah (KT) KTP
KTP/KTEa
F-hitung
Error
t (r-1)
JKE
KTE
-
Error sampel
rt (s-1)
JKEs
KTEs
-
rts-1
JKT
-
Derajat Bebas (DB) (r-1)
Jumlah Kuadrat (JK) JKU
Kuadrat Tengah (KT) KTU
KTU/KTEa
(t-1)
JKP
KTP
KTP/KTE
(r-1)(t-1)
JKE
KTE
-
rt (s-1)
JKEs
KTEs
-
rts-1
JKT
-
Total
F-tabel 5% 1%
5. 4. 1. 2. Untuk RAK Sumber Keragaman (SK) Ulangan
Perlakuan Error Error sampel Total
Rancangan Faktorial Terpaut
F-hitung
F-tabel 5% 1%
113
5. 4. 1. 3. Untuk Split-plot RAK Analisis Varians Sumber Keragaman (SK) Ulangan
Derajat Bebas (DB) r-1
Jumlah Kuadrat (JK) JKU
Kuadrat Tengah (KT) KTU
KTU/KTEa
A
a-1
JKA
KTA
KTA/KTEa
Error (a)
(r-1)(a-2)
JKEa
KTEa
-
B
(b-1)
JKB
KTB
KTB/KTEb
Error (b)
a(b-1)(r-1)
JKEb
KTEb
-
AxB
(a-1)(b-1)
JKAB
KTAB
KTAB/KTEc
Error sampel
abr (s-1)
JKEs
KTEs
-
Total
abrs-1
JKT
-
F-hitung
F-tabel 5% 1%
Teladan: Suatu percobaan yang menguji 9 macam bentuk urea padi varietas IR 792-67-
3, dilakukan dengan RAK dalam 4 ulangan dan 4 sampel (S1, S2, S3 dan S4). Dan data jumlah anakan (#/4 rumpun) terdapat pada tabel 6.4.
G2 (7723) 2 = = 414199.51 FK = trs (9)(4)(4) = ∑ Y 2 − FK = (30 ) 2 + (23 ) + ... + ( 49 ) 2 − FK = 25323 .49
JK Total
[
Rancangan Faktorial Terpaut
]
114
Table 6.4. Tiller Count (no./4hills) of Rice Variety IR729-67-3, Tested under Nine fertilizer Treatment in a RCB Experiment with Four Replications and Four Sampling Units (S1, S2, S3 and S4). Treatment number 1 2 3 4 5 6 7 8 9
S1 30 48 52 45 52 62 58 63 70
Rep. I S2 S3 23 27 46 33 47 61 51 73 62 56 63 56 46 63 56 59 72 72
S4 22 42 46 55 52 43 55 49 49
S1 22 57 49 65 50 52 47 47 55
Rep. II S2 S3 26 25 60 38 41 43 62 79 72 51 48 54 50 70 53 60 44 42
S4 32 50 70 54 51 56 53 68 52
S1 34 67 52 75 56 74 56 47 69
Rep. III S2 S3 26 30 64 63 48 54 56 75 39 49 58 48 48 73 58 65 55 56
S4 24 58 56 75 59 51 52 78 59
S1 40 40 50 58 53 63 66 63 53
Rep. IV S2 S3 42 37 57 36 61 58 41 47 53 40 59 46 76 72 70 80 52 44
S4 26 60 74 58 72 52 74 68 49
(GT ) 2 FK = 9 .4 .4 Table 6.5. The Replication x Treatment Table of Totals Computed from Data in Table 6.4. Treatment Number 1 2 3 4 5 6 7 8 9 Rep. Total (R) Grand Total (G)
Rep. I 102 169 206 224 222 224 222 227 263 1.859
Tiller Count Total (RT) Rep. II Rep. III 105 114 205 252 203 210 260 281 224 203 210 231 220 248 228 248 193 239 1.848 2.026
Rep. IV 145 193 243 204 218 220 288 281 198 1.990
Tretment Total (T) 466 819 862 969 867 885 978 984 893
7.723
Table 6.6. Analysis of Variance (RBC with Data 6.4a Source of Degree of Sum of Variation Freedom Square Replication 3 682.74 Treatment 8 12.489.55 Experimental error 24 3.882.95 Sampling error 108 8.268.25 Total 143 25.323.49 a cv= 23.6% b **= significant at 1% level
∑R JK Ulangan = ts
from Plot Sampling) of Data in Table Mean Square 227.58 1.561.19 161.79 76.56
Computed Fb
9.65**
Tabular F 5% 1%
2.36 3.36
2
− FK
Rancangan Faktorial Terpaut
115
=
∑T JKP =
(1859) 2 + ... + (1990) 2 − FK = 682.74 (9)(4)
2
rs
− FK
(466) 2 + ... + (893) 2 = − FK = 12489.55 (4)(4)
∑ RT JKE =
2
− FK − JKU − JKP
s
(102) 2 + (105) 2 + ... + (198) 2 = − FK − JKU − JKP = 3882.95 (4) JKEs = JK Total – JKU – JKP – JKE = 25323.49 – 682.74 – 12489.55 – 3882.95 = 8268.25 Untuk Perhitungan KT dari masing-masing sumber keragaman diperoleh dengan membagi JK dari setiap sumber keragaman dengan derajat bebasnya. Dan untuk memperoleh nilai F-hitung Ulangan dan perlakuan, yaitu dengan membagi KT masingmasing dengan KTE. Selanjutnya nilai
Sd
dua rata-rata perlakuan diperoleh dari:
2 ( KTE ) r .s
Sd = Sedangkan untuk nilai
Sx =
Sx
untuk multiple range test:
KTE r .s
5. 4. 2. DATA PENGAMATAN BEBERAPA WAKTU
Bila suatu karakter atau parameter dalam suatu percobaan diamati dalam beberapa waktu, umumnya minat peneliti adalah mengamati kecepatan perubahan, atau kecepatan pertumbuhan dari suatu periode ke periode yang lain. Sebagai teladan, jika seorang peneliti mengamati berat kering tanaman padi pada berbagai stadium pertumbuhannya, maka minat peneliti umumnya pada efek perlakuan terhadap pola pertumbuhan didasarkan pada berat kering pada setiap stadium
Rancangan Faktorial Terpaut
116
pertumbuhan. Dengan kata lain, adalah sangat penting untuk menerangkan efek interaksi antara perlakuan dengan stadia pertumbuhan atau pengamatan; tetapi hal ini tidak dapat dilakukan jika analisis varians dilakukan secara terpisah. Untuk masing-masing stadia pertumbuhan atau pengamatan. Oleh karena suatu pendekatan dilakukan dengan menggabungkan data seluruh stadia pengamatan dan didapatkan suatu analisis varians. Analisis varians semacam ini dapat diperoleh dengan menganggap “waktu pengamatan” (=Tome observation) sebagai faktor perlakuan tambahan dalam percobaan tersebut, dan perlakuannya sebagai sub plot atau unit percobaan terkecil. Jadi, format dari analisis varians gabungan untuk pengamatan berdasar waktu yang dilakukan dengan suatu RAK adalah sama dengan rancangan Spit-plot dengan perlakuan sebagai faktor main plot dan waktu pengamatan sebagai faktor sub plot. Format Analisis varians gabungan untuk pengamatan waktu dari suatu RAK: Sumber Keragaman Ulangan Perlakuan (T) Error (a) Waktu (P) TxP Error (b) Total
Derajad Bebas (r-1) (t-1) (r-1) (t-1) (p-1) (t-1)(p-1) t (r-1)(p-1) (rtp-1)
Jumlah Kuadrat
Kuadrat tengah
F-hitung
Sedangkan format dari analisis varians gabungan untuk pengamatan berdasarkan waktu yang dilakukan dengan suatu rancangan split-plot, adalah sama dengan rancangan splitsplit-plot, dan formatnya dalah sebagai berikut:
Sumber Keragaman
Ulangan Faktor main plot (A) Error (a) Faktor sub plot (B) AxB Error (b) Waktu (C) AxC BxC AxBxC Error (c) Total
Rancangan Faktorial Terpaut
Derajad Bebas
Jumlah Kuadrat
Kuadrat tengah
F-hitung
r-1 a-1 (r-1)(a-1) (b-1) (a-1)(b-1) a(r-1)(b-1) (p-1) (a-1)(p-1) (b-1)(p-1) (a-1)(b-1)(p-1) ab(r-1)(p-1) (rabp-1)
117
Tabel 6.14. Data Kandungan N tanah, pada percobaan dan perlakuan pemupukan dalam suatu RAK dengan 4 ulangan, dan diamati pada stadium pertumbuhan padi No. Perlakuan
Ulangan I P1 P2 P3 1 3.26 1.88 1.40 2 3.84 2.36 1.53 3 3.50 2.20 1.33 4 3.43 2.32 1.61 5 3.43 1.98 1.11 6 3.68 2.01 1.26 7 2.97 2.66 1.87 8 3.11 2.53 1.76 Keterangan: P1 = 15 hari pembentukan malai.
Kandungan N tanah (%) Ulangan II Ulangan III Ulangan IV P1 P2 P3 P1 P2 P3 P1 P2 P3 2.98 1.74 1.24 2.78 1.76 1.44 2.77 2.00 1.25 3.74 2.14 1.21 3.09 1.75 1.28 3.36 1.57 1.17 3.49 2.28 1.54 3.03 2.48 1.46 3.36 2.47 1.41 3.45 2.33 1.33 .81 2.16 1.40 3.32 1.99 1.12 3.24 1.70 1.25 3.45 1.78 1.39 3.09 1.74 1.20 3.24 2.33 1.44 2.84 2.22 1.12 2.91 2.00 1.24 2.90 2.74 1.81 2.92 2.67 1.31 2.42 2.98 1.56 3.04 2.22 1.28 3.20 2.61 1.23 2.81 .222 1.29 setelah tanam; P2 = 40 hari setelah tanam dan P3= saat
Tabel 6.15. Tiga Analisis varians dalam RAK, masing-masing untuk setiap stadium pengamatan, dari data pada tabel 6.14 Sumber Keragaman Ulangan Perlakuan Error Total
Derajad Bebas 3 7 21 31
P1 0.302412 0.211634** 0.039843
Kuadrat tengah P2 P3 0.019654 0.061458 0.415005** 0.063686ns 0.039356 0.026011
Tabel 6.16. Analisi varians gabungan (RAK) dari data pada tabel 6.14 Sumber Keragaman
Ulangan Perlakuan (T) Error (a) Stad. Pertumbuhan (P) TxP Error (b) Total
Derajad Bebas 3 7 21 2
14 48 95
Jumlah Kuadrat F-tabel F-hitung Kuadrat Tengah 5% 1% 0.845742 0.281914 1.265833 0.180833 4.49**2.49 3.65 0.769492 0.036642 52.042858 26.021429 715.88**3.19 5.08
3.566442 1.744767 60.235134
0.254746 0.03649 -
-
7.011.90 2.48 -
Teladan: Suatu percobaan dengan RAK yang menguji efisiensi perlakuan delapan pemupukan dalam 4 ulangan. Data kandungan N tanah diamati pada 3 stadium pertumbuhna tanaman padi. (Keterangan: t= banyaknya perlakuan, r= banyaknya ulangan dan p= banyaknya periode pengamatan data dari setiap plot).
Rancangan Faktorial Terpaut
118
Langkah 1: Hitung analisis varians untuk masing-masing stadium pengamatan P, sesuai dengan prosedur analisis varians standard dari rancangan yang dipakai, dalam hal ini adalah RAK. Hasilnya adalah pada tabel 6.15. Langkah 2: Lakukan uji homogenitas atas varians error (p KTE) yaitu dengan uji Chisquare: Hitung nilai X2 dengan:
X
=
2
( 2 . 3026 )( f )( P log S p2 − = ( p + 1) 1+ 3 pf
∑ log S
2 i
)
( 2.3026 )( 21)[3 log 0.03507 − ( −4.38948 )] = 1.15 (3 + 1) 1+ 3.3.21
dimana:
f= derajad bebas error pada anova RAK standar
S p2 = nilai KTE gabungan =
KTE ( P1 ) + KTE ( P2 ) + KTE ( P3 ) 3
S i2 = KTE pada setiap periode pengamatan. Kemudian nilai X2 ini dibandingkan dengan X2 tabel dengan DB (p-1)=2. Dalam hal ini
X 52%(2) = 5.99. Î
X2 hitung <
X 52%(2)
Î
homogen.
Langkah 3: * Jika varians error ternyata heterogen, lakukan transformasi data yang sesuai, sehingga varians error menjadi homogen baru selanjutnya dapat dilakukan perhitungan analisis varians gabungan. * Jika varians error ternyata homogen, lakukan perhitungan analisis varians gabungan berdasar pada data dari seluruh stadium pengamatan P. Berhubung rancangan dasar dari percobaan diatas adalah RAK, maka analisis varians gabungan (yang mencakup semua periode/stadium pengamatan P) adalah sama dengan rancangan split-plot, dengan perlakuan pemupukan sebagai faktor main plot, dan stadium pertumbuhan sebagai faktor sub-plot. Dan hasil analisis varians gabungannya adalah pada Tabel 6.16. Semua pengujian selanjutnya setelah anova gabungan adalah sama seperti split-plot, dalam hal ini termasuk perhitungan
Rancangan Faktorial Terpaut
S d maupun S x -nya. 119