RANCANGAN PERCOBAAN DENGAN PENGAMATAN BERULANG

Rancangan percobaan dengan pengamatan berulang (repeated measures) muncul dalam berbagai bidang kehidupan. Pengamatan berulang adalah pengamatan dari suatu respon yang dilakukan lebih dari satu kali pada waktu yang berbeda selama masa penelitian. Banyak percobaan yang dilakukan baik di lapangan maupun laboratorium, pengukuran respon dari unit-unit percobaan dilakukan berulang-ulang pada waktu yang berbeda. Misalnya percobaan N yang melihat pengaruh yaitu pemupukan dosis (0, pada 100, tanaman cabe. 200, 300kg/h).

Perlakuan pemupukan

dicobakan

Pengamatan produksi dilakukan beberpa kali panen, misal 3 kali panen pertama. Percobaan pengamatan berulang memerlukan penanganan model analisis yang lain dari model rancangan dasar agar informasi yang peroleh lebih luas. Disamping perlakuan yang dicobakan tentunya juga diharapkan mampu melihat perkembangan/pertumbuhan respon selama penelitian berjalan. Analisis untuk rancangan semacam ini mengikuti pola rancangan split plot dengan perlakuan yang dicobakan dialokasikan sebagai petak utama dan waktu pengamatan dipandang sebagai faktor tambahan yang dialokasikan sebagai anak petak atau satuan yang terkecil. Rancangan pengamatan berulang digunakan pada percobaan yang responnya

diamati atau diukur beberapa kali dalam jangka waktu tertentu dan setiap subjek menerima perlakuan yang dialokasikan secara acak. Tujuan dari rancangan pengamatan berulang ini adalah untuk menyelidiki kecepatan perubahan dari satu periode waktu ke periode waktu berikutnya, atau dengan kata lain ingin diketahui pengaruh perlakuan terhadap pola pertumbuhan berdasarkan respons yang diamati. Selain itu juga ingin diketahui pengaruh interaksi antar perlakuan dan periode waktu pengamatan. Berbeda halnya dengan analisis ragam biasa, pada pengamatan berulang ini akan terdapat korelasi diantara respons yang diukur. Hal ini terjadi karena pengambilan respons diukur dari subjek yang sama dari waktu ke waktu. Jika jangka waktu pengambilan respons semakin dekat maka korelasi yang terjadi juga semakin besar. Dalam analisis ragam dengan pengamatan berulang terdapat dua bagian utama total keragaman, yaitu yang berasal dari lapis subjek dan lapis subjek waktu. Keragaman lapis subjek dibagi lagi menjadi keragaman untuk pengaruh utama dan pengaruh interaksi. Sedangkan keragaman pada

lapis subjek waktu dibagi menjadi pengaruh utama dari waktu ke waktu itu sendiri dan pengaruh interaksi antara waktu dengan faktor-faktor percobaan.

Manova untuk RAL in Time dapat dipandang sebagai manova split-plot. 3. waktu pengamatan dilakukan b kali. : komponen galat(b) terhadap respon yang memperoleh taraf ke faktor . : rata-rata dari respon ke . Sphericity dapat disamakan dengan homogenitas varians di antara subjek Anova. : pengaruh taraf ke faktor A terhadap respon ke . Sphericity adalah kondisi dimana varians dari perbedaan antara semua grup terkait kombinasi (tingkat) adalah sama. Asumsi Sphericity (mirip uji homokedastisitas). Setiap bentuk rancangan akan mempunyai analisis ragam multivariat yang bersesuaian. Variable berskala interval atau ratio (continuous). sehingga diperlukan analisis dalam bentuk multivariat. : komponen galat(a) : pengaruh waktu pengamatan ke terhadap respon ke . melainkan sebanyak p buah (p≥2). Bila dalam suatu penelitian percobaan dikaji pengaruh dari berbagai perlakuan terhadap lebih dari satu respon. respon yang diamati sebanyak p buah (p≥2). Dependent variable memiliki normally distributed. diantaranya adalah : 1. Analisis ragam multivariat ini dapat diterapkan pada rancangan faktor tunggal maupun rancangan multifaktor. 2. Pelanggaran Sphericity adalah ketika varians dari perbedaan antara semua grup terkait kombinasi tidak sama. mempunyai model linier setiap pengamatan : Dengan : : pengamatan respon ke dari satuan percobaan ke A dan waktu pengamatan ke . Suatu percobaan faktor tunggal (misalnya A) dengan a buah taraf faktor. satuan percobaan relatif homogen masing masing perlakuan diulang n kali. : pengaruh interaksi taraf ke faktor A dan waktu pengamatan ke ke . Asumsi pengamatan berulang (repeated measure). Pengukuran dilakukan lebih dari dua kali.Respon yang diamati dalam suatu percobaan kadang kadang tidak tunggal. 4. maka metode analisis yang tepat adalah analisis ragam multivariat.

dan ulang sebanyak r kali serta pengamatan dilakukan sebanyak c kali. p Sumber-sumber Keragaman : Penguraian keragaman total akan dilakukan untuk faktorial AxB dalam waktu dengan RAL. …… ……. …. …. ….Layout Data Pengamatan untuk Rancangan Faktorial Dua Faktor dengan Rancangan Dasar Rancangan Acak Lengkap dan Pengamatan Berulang Ulangan Faktor A Waktu 1 1 1 …... …... …. 1 Respon ……. a …. ….. …. …… ………..... n Respon ……... …. b …. 1 ….. faktor A terdiri dari a taraf .. p 1 ………. …. faktor B terdiri dari b taraf. b …... maka sumber-sumber keragaman yang muncul dapat dilihat pada tabel anava berikut : Sumber Keragaman Faktor A Faktor B Interaksi A*B Galat(a) Waktu W Galat(b) Interaksi A*W Interaksi B*W Derajat Bebas (Db) a-1 b-1 (a-1)(b-1) ab(r-1) c-1 c(r-1) (a-1)(c-1) (b-1)(c-1) Jumlah Kuadrat (JK) JKA JKB JKAB JKG(a) JKW JKG(b) JKAW JKBW Kuadrat Tengah (KT) KTA KTB KTAB KTG(a) KTW KTG(b) KTAW KTBW KTAW/KTG(b) KTBW/KTG(b) KTW/KTG(b) KTA/KTG(a) KTB/KTG(a) KTAB/KTG(a) F-Hitung F-Tabel .

X1 : pengukuran sebelum training X2 : pengukuran 3 bulan setelah training X3 : pengukuran 1 tahun setelah traning Skala : ratio (jumlah kendaraan yang dijual) No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 X1 13 12 12 11 13 14 12 14 15 16 15 13 16 14 11 14 X2 15 17 16 16 15 16 14 16 19 18 17 15 18 16 15 16 X3 14 15 14 14 13 14 12 14 17 16 15 13 16 14 13 14 . Contoh Kasus : Seorang manager ingin mengetahui tingkat penjualan sales-salesnya sebelum dilakukan pelatihan.Interaksi A*B*W Total (a-1)(b-1)(c-1) abcr-1 JKABW JKT KTABW KTABW/KTG(b) H0 ditolak jika Fhitung > Ftabel yang bersesuaian. Bila ada H0 yang ditolak selanjutnya dilakukan uji lanjut diantaranya menggunakan uji wilayah berganda Duncan. dan uji beda nyata terkecil. Data dikumpulkan dari 20 orang pegawai dari divisi penjualan. 3 bulan setelah pelatihan. dan 1 tahun setelah pelatihan.

Masukkan data diatas. 5. 6. klik Analyse-General Linier Model-Repeated Measures. . Masukkan hasil transformasi ke box kanan. 3. lalu klik ADD.17 18 19 20 15 14 13 12 16 15 15 16 14 13 13 14 Langkah Penyelesaian menggunakan software SPSS : 1. Angka 3 berarti. Klik Define. yang ingin diuji adalah data pengamatan pada 3 kali pengukuran. 4. Klik Plots. Masukkan SALES pada Box Measure Name. 2. Klik ADD. Ketik JUAL pada kotak : Within Subjectdan masukkan 3 pada Number of Level. lalu masukkan “JUAL” factor dari “factors:” ke “Horizontal Axis”.

Tandai “Descriptive statistics” dan “Estimates of effect size” checkboxes di “Display” area. 9. 10. Tandai “Compare main effects” checkbox dan Pilih “Bonferroni” dari menu dropdown 11. Klik Continue-OK. Masukkan factor “METHOD” dari “Factor(s) and Factor Interactions:” box ke “Display Means for:” box. Klik Continue. 8. Klik ADD. 12. .7.

HASIL DAN PEMBAHASAN Hipotesis yang digunakan dalam kasus ini adalah sebagai berikut: H0 : ρ1 = ρ2 = ρ3 (Tidak ada pengaruh yang berbeda dari perulangan waktu pelatihan terhadap jumlah produk yang dijual). Deviation) dari data pada setiap level di setiap faktornya. variable yang diukur (respon) diklasifikasikan pada subject factor (jual).3. Berdasarkan tabel tersebut. . Terdapat 3 variabel dependen pada kasus ini. H1 : Minimal ada satu ρk yang tidak sama (Terdapat pengaruh yang berbeda dari perulangan waktu pelatihan terhadap jumlah produk yang dijual) dengan k = 1. Tabel tersebut merupakan tabel yang menunjukkan ukuran pemusatan (mean) dan ukuran penyebaran (Std.2. Total pengamatan pada kasus ini adalah 20 unit percobaan.

Wilks’ Lambda. Nilai Chi-Square hitung (42. Artinya. perulangan waktu pelatihan dalam kasus ini memberikan pengaruh yang signifikan terhadap jumlah kendaraan yang dijual.000) < taraf nyata (0. serta nilai significan (0.000) lebih kecil dari taraf nyata α (0.988.  Nilai Pillai’s Trace dari variable ini sangat besar yaitu sebesar 0. .05) maka H 0 diterima.05) maka H 0 ditolak pada hipotesis 2. Pengambilan keputusan juga dapat dilakukan dengan membandingkan nilai signifikan (0. semakin besar nilai Pillai’s Trace suatu factor maka semakin besar pengaruh factor tersebut dalam suatu model. perulangan waktu pelatihan dalam kasus ini memberikan pengaruh yang berbeda terhadap jumlah kendaraan yang dijual. Perulangan waktu dalam kasus ini memberikan pengaruh yang besar dalam model.991. Hotelling’s Trace dan Roy’s Largest Root. Tabel di atas menunjukkan pengujian perulangan (dalam hal ini perulangan waktu) menggunakan Mauchy’s W Test yang ditransformasi pada statistic uji Chi-Square. Artinya.308) lebih besar dari nilai kritis dengan db (2) yaitu sebesar 5.Tabel di atas menunjukkan pengujian multivariate menggunakan uji Pillai’s Trace.

 Pada Sphericity Assummed.05) maka H0 diterima.028) < taraf nyata α (0. nilai signifikan (0. Artinya. .Tabel di atas menunjukkan pengujian univariate menggunakan statistik uji F. perulangan waktu pelatihan dalam kasus ini memberikan pengaruh yang berbeda terhadap jumlah kendaraan yang dijual.

Sign up to vote on this title
UsefulNot useful