RANCANGAN ACAK LENGKAP (RAL)

Klasifikasi Rancangan Percobaan

Rancangan percobaan terdiri dari beberapa rancangan, yaitu.

1. Rancangan lingkungan merupakan suatu rancangan mengenai bagaimana perlakuan-perlakuan
yang dicobakan ditempatkan pada unit-unit percobaan. Yang termasuk dalam rancangan ini
adalah Rancangan Acak Lengkap (RAL), Rancangan Acak Kelompok (RAK) dan Rancangan Bujur
Sangkar Latin (RBSL), Lattice.
2. Rancangan perlakuan merupakan suatu rancangan mengenai bagaimana perlakuan-perlakuan
dibentuk. Sedangkan yang dimaksud dengan perlakuan adalah taraf dari faktor atau kombinasi
taraf dari faktor. Rancangan perlakuan ini terdiri dari faktor tunggal (rancangan berfaktor
tunggal), dan rancangan berfaktor lebih dari satu (Faktorial, Split-Plot, Split Blok). Dari
kombinasi rancangan lingkungan dan rancangan perlakuan kemudian dikenal berbagai nama-
nama rancangan, Misalkan :
 RAL (satu faktor atau lebih dari satu faktor)
 RAK (satu faktor atau lebih dari satu faktor)
3. Rancangan pengukuran adalah suatu rancangan mengenai prosedur pengukuran sifat dari
satuan percobaan yang diteliti yang kemudian dari pengukuran ini dihasilkan apa yang disebut
sebagai respon percobaan.

Latar Belakang Penggunaan RAL

Rancangan acak lengkap merupakan jenis rancangan percobaan yang paling sederhana. Adapun
yang melatarbelakangi digunakannya rancangan acak lengkap adalah sebagai berikut :
1. Satuan percobaan yang digunakan homogen atau tidak ada faktor lain yang mempengaruhi
respon di luar faktor yang dicoba atau diteliti.
2. Faktor luar yang dapat mempengaruhi percobaan dapat dikontrol. Misalnya percobaan yang
dilakukan di laboratorium.
Oleh karena hal-hal tersebut di atas, rancangan acak lengkap ini biasanya banyak ditemukan di
laboratorium atau rumah kaca.

Keuntungan Rancangan Acak Lengkap :

1. Perancangan dan pelaksanaannya mudah

2. Analis datanya sederhana
3. Fleksibel (sedikit lebih fleksibel dibanding RAK) dalam hal:
 Jumlah perlakuan
  Jumlah ulangan
 dapat dilakukan dengan ulangan yang tidak sama
4. Terdapat alternatif analisis nonparametric yang sesuai
5. Permasalahan data hilang lebih mudah ditangani (sedikit lebih mudah dibandingkan dengan
RAK)
 Data hilang tidak menimbulkan permasalahan analisis data yang serius
 Kehilangan Sensitifitasnya lebih sedikit dibandingkan dengan rancangan lain
 Derajat bebas galatnya lebih besar (maksimum). Keuntungan ini terjadi terutama apabila
derajat bebas galat sangat kecil.
6. Tidak memerlukan tingkat pemahaman yang tinggi mengenai bahan percobaan.

Kerugiannya: terkadang rancangan ini tidak efisien.

1. Tingkat ketepatan (presisi) percobaan mungkin tidak terlalu memuaskan kecuali unit percobaan
benar-benar homogen
2. Hanya sesuai untuk percobaan dengan jumlah perlakuan yang tidak terlalu banyak
3. Pengulangan percobaan yang sama mungkin tidak konsisten (lemah) apabila satuan percobaan
tidak benar-benar homogen terutama apabila jumlah ulangannya sedikit.

Kapan seharusnya kita memilih RAL

1. Apabila satuan percobaan benar-benar homogen, misal:

 percobaan di laboratorium
 Rumah Kaca
2. Apabila tidak ada pengetahuan/informasi sebelumnya tentang kehomogenan satuan percobaan.
3. Apabila jumlah perlakuan hanya sedikit, dimana derajat bebas galatnya juga akan kecil

Pengacakan Dan Denah Percobaan

Pengacakan dilakukan agar analisis data yang dilakukan menjadi sahih. Pengacakan dapat dilakukan
dengan menggunakan undian, daftar angka acak, atau menggunakan bantuan software. Misalkan
kita merancang 4 perlakuan (t, misal A, B, C, D) yang masing-masing diulang 3 kali (r) sehingga
terdapat 4x3=12 unit percobaan (tr). Ke-12 unit percobaan tersebut kita tempatkan secara acak ke
dalam 12 unit percobaan.
Pengacakan dan Penempatan Satuan Percobaan:

Untuk menempatkan perlakuan ke dalam Unit percobaan bisa dilakukan dengan menggunakan
daftar angka acak, undian atau bantuan komputer.

Contoh pengacakan dengan cara pengundian.

1. Buat 12 gulungan kertas dimana pada setiap gulungan kertas tersebut ditulis kode perlakuan
(A1, A2, A3, …, D3, D4)
2. Lakukan pengundian (tanpa pemulihan). Kode perlakuan yang jatuh pertama kali ditempatkan di
kotak no 1, ke-2 ditempatkan di kotak no 2, dst. Misalkan kode C3 yang jatuh pertama kali, maka
kotak no 1 diganti jadi C3, kode A2 jatuh pada urutan ke-2, maka kotak no 2 diganti dengan A2.
Lakukan terus pengundian sampai kode perlakuan terakhir yang akan ditempatkan di kotak no
12.

1 2 3 4 C3 A2 3 4
5 6 7 8 5 6 7 8
9 10 11 12 9 10 11 12

Contoh pengacakan dengan menggunakan Microsoft Excel.

1. Buat tabel dengan jumlah baris sesuai dengan kombinasi perlakuan, untuk contoh kasus di atas
List Tabelnya seperti di bawah ini, di kolom ke-3 ditulis Formula “=RAND()”:

1 2

2. Sorot/blok Kolom B dan C dan lakukan pengurutan (sortasi) berdasarkan kolom ke-3 (Angka
Acak)
3. Pengacakan telah selesai. Tempatkan kode perlakuan A1 pada kotak No 1, A3 pada kotak No 2,
dst sampe kode yang terakhir, B1 pada kotak No-12. Hasilnya sebagai berikut:

Penempatan Kode perlakuan sesuai

dengan No-Urut hasil pengacakan:

1=A1 2 3 4
5 6 7 8
9 10 11 12

A1 A3 C2 C3
B2 D2 D3 C1
D1 A2 B3 B1
 A1 A3 C2 C3

B2 D2 D3 C1

D1 A2 B3 B1

Gambar 4. Denah percobaan rancangan acak lengkap dengan empat perlakuan (A, B, C, D) dan masing-
masing diulang tiga kali

Dari hasil percobaan yang dilakukan berdasarkan pengacakan dan denah percobaan di atas akan
dihasilkan data sebagai berikut :
Tabel 1. Tabulasi Data Rancangan Acak Lengkap Dengan 4 Perlakuan Dan 3 Ulangan
Perlakuan
Ulangan Total
A B C D
1 Y11 Y21 Y31 Y41
2 Y12 Y22 Y32 Y42
3 Y13 Y23 Y33 Y43
Total Y1. Y2. Y3. Y4. Y..

Model Linier dan Analisis Ragam Dalam Rancangan Acak Lengkap

Model Linier

Terdapat dua jenis model dalam rancangan percobaan, tergantung dari faktor yang diamati, yaitu
model acak apabila perlakuannya diambil secara acak dari populasi perlakuan yang ada, dan model
tetap apabila peneliti hanya berhadapan dengan perlakuan tersebut, yang mana perlakuan tersebut
ditetapkan oleh peneliti. Perbedaan antara Model Tetap dan Model Acak bisa dilihat pada Gambar
berikut. Misalnya kita ingin mengetahui hasil beberapa varietas padi. Pada Model Acak, sampel
diambil secara acak dari 10 varietas yang selanjutnya digunakan untuk menyimpulkan 100 varietas
padi tersebut, sedangkan pada Model Tetap jumlah taraf yang diamati ditentukan oleh peneliti
sehingga peneliti hanya bisa menyimpulkan pada varietas padi yang dia amati saja, tidak terhadap
keseluruhan populasi padi.
 Model Acak Model Tetap

Populasi 100 Varietas ABCDE

Padi

10 Varietas ABCDE
Sampel

Gambar 5. Perbedaan Model Acak dan Model Tetap

Secara umum model linier dari rancangan acak lengkap satu faktor dapat dibedakan menjadi dua,
yaitu model tetap jika faktor yang digunakan bersifat tetap dan model acak jika faktor yang
digunakan acak.
Bentuk umum model linier satu faktor dapat ditulis sebagai berikut :

Yij i ij

( i ) ij

i ij ;

i = 1,2,…,t ; j= 1,2,…ri ; μi = mean perlakuan ke-i

Dengan:
μ = mean populasi
τi = (μi- μ) = Pengaruh aditif dari perlakuan ke-i
εij = galat percobaan/pengaruh acak dari perlakuan ke-i ulangan ke-j dengan εij ~ N(0, σ2)
t = jumlah perlakuan dan ri adalah banyaknya ulangan dari perlakuan ke-i, untuk percobaan yang
mempunyai ulangan sama, ri = r.

Asumsi:

Model Tetap Model Acak

t bsi bsi
E( i ) ; i 0 ; ij ~ N(0, 2
) E ( i ) 0 ; E ( i2 ) 2
; ij ~ N(0, 2
)
i 1
Hipotesis:

Hipotesis yang Akan Diuji: Model Tetap Model Acak

H0 Semua τi = 0 στ2 = 0
H1 Tidak semua τi = 0 στ2 > 0

Analisis Ragam

Analisis ragam merupakan suatu analisis untuk memecah keragaman total menjadi beberapa
komponen pembentuknya. Penduga kuadrat terkecil bagi parameter-parameter di dalam model
rancangan acak lengkap diperoleh sebagai berikut :

Parameter Penduga
μ ˆ Y..
τi ˆi Yi. Y..
εij ˆij Yij Yi .

Untuk memahami penguraian keragaman total kedalam beberapa komponen penyusunnya,

perhatikan contoh kasus berikut:
Berikut ini adalah hasil pengujian estrogen beberapa larutan yang telah mengalami penanganan
tertentu. Berat uterin tikus dipakai sebagai ukuran keaktifan estrogen. Berat uterin dalam miligram
dari empat tikus untuk setiap kontrol dan enam larutan yang berbeda dicantumkan dalam tabel
berikut :

Ulangan kontrol P1 P2 P3 P4 P5 P6
1 89.8 84.4 64.4 75.2 88.4 56.4 65.6
ˆ =
2 93.8 116.0 79.8 62.4 90.2 83.2 79.4 Rata-rata
3 88.4 84.0 88.0 62.4 73.2 90.4 65.6 keseluruhan
4 112.6 68.6 69.4 73.8 87.8 85.6 70.2
Rataan ( Yi . ) 96.15 88.25 75.40 68.45 84.90 78.90 70.20 Y .. = 80.32
Pengaruh Perlakuan 15.83 7.93 -4.92 -11.87 4.58 -1.42 -10.12 0.00
( i Yi . Y .. )

i Yi . Y .. Jumlah Total
= Pengaruh Perlakuan: Pengaruh
= selisih antara rata-rata Perlakuan
perlakuan dan rata-
rata keseluruhan

Dari data di atas, selanjutnya kita uraikan data tersebut ke dalam Komponen-komponen Jumlah
Kuadratnya sesuai dengan model liniernya:

Yij i ij
t r t r t r t r
2 2 2
(Yij ) (Y ..) (Yi . Y ..) (Yij Yi . )2
i 1 j 1 i 1 j 1 i 1 j 1 i 1 j 1
 Pengaruh Aditif dari
Perlakuan Data Uterin Rataan keseluruhan Galat (Sisaan)
Perlakuan
Yij μ τi εij=Yij-μ-τi
kontrol 89.8 80.32 15.83 -6.35
kontrol 93.8 80.32 15.83 -2.35
kontrol 88.4 80.32 15.83 -7.75
kontrol 112.6 80.32 15.83 16.45
P1 84.4 80.32 7.93 -3.85
P1 116.0 80.32 7.93 27.75
P1 84.0 80.32 7.93 -4.25
P1 68.6 80.32 7.93 -19.65
P2 64.4 80.32 -4.92 -11.00
P2 79.8 80.32 -4.92 4.40
P2 88.0 80.32 -4.92 12.60
P2 69.4 80.32 -4.92 -6.00
P3 75.2 80.32 -11.87 6.75
P3 62.4 80.32 -11.87 -6.05
P3 62.4 80.32 -11.87 -6.05
P3 73.8 80.32 -11.87 5.35
P4 88.4 80.32 4.58 3.50
P4 90.2 80.32 4.58 5.30
P4 73.2 80.32 4.58 -11.70
P4 87.8 80.32 4.58 2.90
P5 56.4 80.32 -1.42 -22.50
P5 83.2 80.32 -1.42 4.30
P5 90.4 80.32 -1.42 11.50
P5 85.6 80.32 -1.42 6.70
P6 65.6 80.32 -10.12 -4.60
P6 79.4 80.32 -10.12 9.20
P6 65.6 80.32 -10.12 -4.60
P6 70.2 80.32 -10.12 0.00
Jumlah Kuadrat 186121.4 180642.89 2415.937 3062.57
Model Linier Yij μ τi εij
Penguraian Jumlah t r t r t r t r
Kuadrat (Yij )2 (Y ..)2 (Yi . Y ..)2 (Yij Yi . )2
i 1 j 1 i 1 j 1 i 1 j 1 i 1 j 1
JK Faktor Perlakuan Galat
koreksi/Intercept
FK JKP JKG
(Between) (Within)

Yij i ij

Yij i ij

Model JK :
t r t r t r t r
(Yij )2 (Y ..)2 (Yi . Y ..)2 (Yij Yi . )2
i 1 j 1 i 1 j 1 i 1 j 1 i 1 j 1
t r t r t r
(Yij Y ..)2 (Yi . Y ..)2 (Yij Yi . )2
i 1 j 1 i 1 j 1 i 1 j 1

(186121.40) - (180642.89) (2415.94) (3062.57)

(5478.51) (2415.94) (3062.57)
JKT JKP JKG
Dengan demikian untuk percobaan yang menggunakan t perlakuan dan r ulangan keragaman
totalnya dapat diuraikan menjadi:

Jumlah Ulangan Sama Jumlah Ulangan Tidak Sama

ri ri
Y .. 2 t
2
t
2 Y ..2
FK JKT (Yij Y ..) Yij t
rt i 1 j 1 i 1 j 1
ri
t r
2
t r
2 Y ..2 i 1
JKT (Yij Y ..) Yij
i 1 j 1 i 1 j 1 rt t ri
2
t
Yi . 2 Y ..2
JKP (Yi . Y ..) t
Yij2 FK i 1 j 1 i 1 ri
ri
i,j
i 1
t r
2
t
Yi .2 Y ..2 t ri t ri
JKP (Yi . Y ..) JKG (Yij Yi . ) 2
e ij 2
i 1 j 1 i 1 r rt i 1 j 1 i 1 j 1
t 2
Yi . JKT JKP
FK
i 1 r
t r t r
JKG (Yij Yi . )2 eij 2
i 1 j 1 i 1 j 1

JKT JKP
Atau :
JKT JKP JKG

Tabel analisis ragam untuk model tetap dan model acak diberikan sebagai berikut:
Tabel 2. Tabel Analisis Ragam Rancangan Acak Lengkap dengan Model Tetap dan Model Acak Untuk
Jumlah Ulangan yang sama
Sumber Jumlah Kuadrat E(KT)
Derajat
keragaman kuadrat tengah Fhitung
bebas (db) Model tetap Model acak
(SK) (JK) (KT)
Perlakuan t-1 JKP KTP KTP r t 2 2
2 2 r
[ ] i
KTG (t 1) i 1
Galat t(r-1) JKG KTG 2 2

Total tr-1 JKT

Tabel 3. Tabel Analisis Ragam Rancangan Acak Lengkap dengan Model Tetap dan Model Acak Untuk
Jumlah Ulangan yang berbeda
Sumber Derajat bebas Jumlah Kuadrat E(KT)
Fhitung
keragaman (SK) (db) kuadrat (JK) tengah (KT) Model tetap Model acak
Perlakuan t-1 JKP KTP KTP 2 2 2
ra
KTG t
2
t t
ri i ( ri i ) 2 / ri
i 1 i 1 i 1

(t 1)
2 2
Galat t JKG KTG σ σ
(ri 1)
i 1
 Sumber Derajat bebas Jumlah Kuadrat E(KT)
Fhitung
keragaman (SK) (db) kuadrat (JK) tengah (KT) Model tetap Model acak
Total t JKT
ri 1
i 1
dengan:
t

t
ri 2
2 i 1 1
ra ri t
i 1 t 1
ri
i 1

KTP
Fhitung = menyebar menurut sebaran F dengan derajat bebas pembilang (db 1) sama dengan
KTG
derajat bebas perlakuan dan derajat bebas penyebut (db2) sama dengan derajat bebas galat. Nilai F
tabel dapat dilihat pada tabel nilai F. Apabila nilai Fhitung > nilai F tabel pada db1 dan db2 serta taraf
nyata (α) tertentu maka hipotesis nol ditolak dan sebaliknya.
Indeks keterandalan suatu percobaan dapat dilihat dari nilai koefisien keragaman (KK) yang
menunjukkan derajat ketepatan dari suatu percobaan.

KTG
KK 100%
Y ..
Semakin besar KK menunjukkan keterandalan percobaan semakin rendah. Tidak ada patokan
berapa sebaiknya nilai KK, hal ini tergantung juga pada bidang yang digeluti, tetapi percobaan yang
cukup terandal diusahakan nilai KK tidak melebihi 20%, namun nilai yang sangat kecil ada
kecenderungan bahwa ada manipulasi terhadap data percobaan.

Galat Baku

Untuk membandingkan nilai tengah perlakuan, perlu ditentukan terlebih dahulu galat baku dari RAL.
Galat baku dihitung dengan formula berikut:.

2KT (Galat)
SY
r