Laporan Praktikum Rancangan Acak Kelompok Faktorial

(RAKF)

Nama : Dina Kamila

Nim : 2105101050061

No Komputer : 27

Definisi Umum

Percobaan Faktorial dengan rancangan dasar Rancangan Acak Kelompok (RAK) adalah percobaan dimana faktor yang dicobakan lebih dari satu faktor dan menggunakan RAK sebagai rancangan percobaannya. Rancangan ini dipilih apabila satuan percobaan yang digunakan tidak seragam, sehingga perlu pengelompokan, sedangkan pada RAL-Faktorial, satuan percobaan relatif seragam sehingga tidak perlu adanya pengelompokkan. Pada prinsipnya percobaan RAK Faktorial sama dengan percobaan RAKL tunggal yang telah dibahas sebelumnya namun dalam percobaan ini terdiri dari dua faktor atau lebih (Mulyanatanah, 2017).

Metode rancangan acak kelompok faktorial merupakan metode yang sering digunakan pada percobaan dengan data yang tidak seragam. Metode rancangan acak kelompok faktorial sering digunakan pada berbagai bidang penelitian seperti penelitian yang berhubungan dengan sistem budidaya hewan atau tumbuhan. Metode yang satu ini seringkali dibandingkan dengan metode RALF karena namanya yang serupa. Perbedaan dari kedua metode ini terletak pada jenis data yang diolah.

Salah satu model linier dalam rancangan percobaan adalah model linier Rancangan Acak Kelompok Lengkap (RAKL). RAKL yang memiliki dua faktor disebut sebagai percobaan faktorial. Suatu percobaan percobaan faktorial bila perlakuannya terdiri dari kombinasi lengkap antar level (antar taraf) dari dua faktor atau lebih dan masing-masing faktor terdiri dari dua taraf atau lebih. Rancangan Acak Kelompok Lengkap (RAKL) dua faktor merupakan rancangan percobaan faktorial yang menggunakan rancangan dasar RAKL yang terdiri dari dua faktor. Model linier aditif secara umum dari RAKL dua faktor dapat dibedakan menjadi tiga yaitu model tetap, model acak dan model campuran (Karsanti, 2014).

Model Linier Rancangan Faktorial Dalam RAK

Model linier aditif untuk rancangan faktorial dua faktor dengan rancangan lingkungannya rancangan acak kelompok adalah sebagai berikut (Setiawan, 2023):

Yijk = μ + αi + βj + (αβ)ij + ρk + εijk

dengan i =1,2…,r; j = 1,2,…,a; k = 1,2,…,b

Yijk = pengamatan pada satuan percobaan ke-i yang memperoleh kombinasi perlakuan taraf ke-j dari faktor A dan taraf ke-k dari faktor B

μ = mean populasi

ρk = pengaruh taraf ke-k dari faktor Kelompok

αi = pengaruh taraf ke-i dari faktor A

βj = pengaruh taraf ke-j dari faktor B

(αβ)ij = pengaruh taraf ke-i dari faktor A dan taraf ke-j dari faktor

εijk = pengaruh acak dari satuan percobaan ke-k yang memperoleh kombinasi perlakuan ij. εijk ~ N(0,σ2).

Dengan menggunakan model matematika ini, maka hasil analisa menggunakan metode rancangan acak kelompok faktorial bisa diketahui dengan lebih akurat. Seiring dengan perkembangan teknologi, proses penghitungan analisa menggunakan metode RAKF ini juga bisa dilakukan dengan menggunakan beberapa langkah analisis data seperti analisis secara manual maupun analisis menggunakan bantuan software microsoft excel.

Kedua langkah analisis ini pada dasarnya memberikan hasil yang serupa. Perbedaan mencolok pada kedua analisis ini biasanya muncul dari durasi penghitungan yang terjadi. Menghitung data menggunakan langkah analisis manual tentu akan cenderung lebih lama dari analisis menggunakan microsoft excel (Analisis Data, 2022).

Kelebihan dari RAKF antara lain :

dapat menghemat waktu dan biaya
dapat diketahui interaksi 2 faktor dan besar pengaruh utama
Analisis statistiknya masih bersifat sederhana, sama seperti pada rancangan acak lengkap faktorial.
Jika tujuan pengelompokan terpenuhi, rancangan acak kelompok faktorial memberikan presisi dan efisiensi yang lebih tinggi dibanding rancangan acak lengkap faktorial.
Jika ada satu atau dua data yang hilang, analisis statistic masih dapat dilanjutkan dengan teknik data hilang.

Kekuranngan dari RAKF antara lain:

makin banyak faktor yang di teliti, perlakuan kombinasi meningkat
analisis perhitungan lebih sukar
Rancangan acak kelompok faktorial juga memiliki kelemahan yaitu bila perlakuannya banyak maka luas kelompok percobaannya juga bertambah besar, sehingga ragam dalam kelompok menjadi besar, ragam galat menjadi besar dan uji F menjadi kurang peka (sugiarto, 1994). Jika tujuan pengelompokan tidak terpenuhi, presisi dan efisiensi penggunaan rancangan acak kelompok factorial lebih rendah dari rancangan acak lengkap faktorial karena berkurangnya derajat bebas untuk galat percobaan.

Aplikasi SPSS :

Data RAKF :

Analisis Data RAKF

Adapun cara untuk menganalisis data RAKF adalah sebagai berikut:

1. Jalankan software SPSS.16. saat membuka program SPSS, ada dua buah lembaran kerja yang muncul yaitu “Data View” dan “Variabel View”, untuk memulai membuat kerangka pengolahan, maka klik pada lembar “Variabel View”.

2. Baris pertama pada kolom “Name” diisi dengan “Perlakuan_K". Selanjutnya pada “Lable” diisi dengan jenis perlakuan sesuai dengan data penelitian, dalam hal ini “Kapur”. Untuk kolom “Decimals” disesuaikan dengan jumlah desimal data.

Pada kolom “Value” diisi dengan tingkatan perlakuan yang dilakukan, misalnya pada data diatas terdapat 3 perlakuan yaitu V1, V2 dan V3. Maka pada “Value” diisi dengan “1” dan pada “Label” diisi dengan tingkatan perlakuan “V1”, lalu klik Add.

3. Baris kedua pada kolom “Name” diisi dengan “Perlakuan_N". Selanjutnya pada “Lable” diisi dengan jenis perlakuan sesuai dengan data penelitian, dalam hal ini “Nitrogen”. Untuk kolom “Decimals” disesuaikan dengan jumlah desimal data.

Pada kolom “Value” diisi dengan tingkatan perlakuan yang dilakukan, misalnya pada data diatas terdapat 5 perlakuan yaitu N0, N2, N3, N4, dan N5. Maka pada “Value” diisi dengan “0” dan pada “Label” diisi dengan tingkatan perlakuan “N0”, lalu klik Add.

4. Baris ketiga pada kolom “Name” diisi dengan “Ulangan”. Untuk kolom “Decimals” disesuaikan dengan jumlah desimal data.

Pada kolom “Value” diisi dengan tingkatan ulangan yang dilakukan, misalnya pada data diatas terdapat 4 ulangan yaitu Ulangan I, Ulangan II, Ulangan III, dan Ulangan IV. Maka pada “Value” diisi dengan “1” dan pada “Lable” diisi Ulangan I. Lalu klik Add. Dan diteruskan hingga Ulangan IV.

5. Baris keempat pada kolom “Name” diisi dengan “Hasil”, selanjutnya pada “Lable” diisi dengan hasil parameter yang diuji, dalam hal ini “Hasil Gabah”. Untuk kolom “Decimals” disesuaikan dengan jumlah desimal data.

6. Selanjutnya klik “Data View” untuk mengisi data.

7. Pada baris pertama kolom “Perlakuan_V” diisi dengan “1” (perlakuan ke-1) sebanyak 20 kali, "2" (perlakuan ke-2) sebanyak 20 kali, dan “3” (perlakuan ke-3) sebanyak 20 kali dan

Pada baris kedua kolom “Perlakuan_N” diisi dengan “0” (perlakuan ke-0) sebanyak 12 kali, “1” (perlakuan ke-1) sebanyak 12 kali, “2” (perlakuan ke-2) sebanyak 12 kali, “3” (perlakuan ke-3) sebanyak 12 kali, dan “4” (perlakuan ke-4) sebanyak 12 kali.

8. Pada kolom “Ulangan” diisi dengan 1 (Ulangan ke-1), 2 (Ulangan 2), 3 (Ulangan 3), dan 4 (Ulangan 4). Lalu di ulang sebanyak 5 perlakuan.

9. Pada kolom “Hasil” diisi dengan data hasil percobaan.

10. Untuk menampilkan data “Perlakuan” dan “Ulangan”yang lebih rinci dapat dilakukan dengan meng-klik ikon “Value Lables”.

11. Selanjutnya untuk menganalisa data dilakukan dengan:

Klik menu Analyze → General Linear Model → Univariate

12. Pada "Dependent Variable" diisi dengan “Hasil” dengan cara meng-klik (import) tanda panah ditengan kedua kolom dan pada "Fixed Factor" diisi dengan “Perlakuan_V, Perlakuan_N, dan Ualngan” dengan cara yang sama.

13. Klik: Model

Klik "Custom", lalu Import “Perlakuan_V”, lalu import kembali "Perlakuan_N", dan import kembali Kedua perlakuan "Perlakuan_K dan Perlakuan_P" dalam bentuk "Interaction", serta import kembali "Ulangan". Selanjutnya klik "Continue".

14. Klik: Post Hoc

Import “Perlakuan_K, Perlakuan_P, dan Ulangan”, checklist jenis uji lanjutan yang akan digunakan sesuai dengan kebutuhan dan tujuan misalnya LSD, Tuckey dan Duncan. Lalu klik "Continue"