TUGAS RESUME

DESAIN EKSPERIMEN

Dr. Sadi, S.T., M.T

Disusun oleh :

Nama : Yosi Prayoga

NIM : 122150046

Kelas : A

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”

YOGYAKARTA

2017
 Penyalahgunaan Anova Untuk Faktorial 2k Eksperimen
Banyak program komputer yang menggunakan anova sebagai alat analisis
bentuk 2k. Namun, untuk analisis rancangan tertentu penggunaan anova dapat saja
membingungkan dan tidak masuk akal. Perhatikan analisis 2 level dengan faktor k
dalam replikasi dimana N = n x 2k. Dalan pendekatan ANOVA 2k-1 derajat
kebebasan dipartisi menjadi individu “sums of square” untuk efek, sama dengan N
(effect) 2/4, masing-masing dibagi dengan df = 1, dan berubah menjadi rasio-F.
Eksperimen menginginkan besarnya efect dan rasio t = effect/SE(effect).
Nilai-nilai p tidak boleh digunakan secara mekanis untuk keputusan ya-
atau-tidak pada efek apa yang nyata. Informasi tentang ukuran efek dan
kemungkinan kesalahannya harus diizinkan untuk berinteraksi dengan
pengetahuan pokok eksperimen. Metode grafis memberikan sarana berharga
untuk memungkinkan informasi dalam data dan di dalam pikiran para eksperimen
berinteraksi dengan benar.

 MENGAMATI DATA
Pengujian Benang Wol

Pada tabel dibawah ini merupakan 23 factorial design dengan tiga factor yaitu
length of specimen (A), amplitude of load cycle (B), dan load (C).Dalam
eksperimen sepotong benang dengan panjang (A) yang diberikan terus-menerus
diregangkan dalam jumlah tertentu (B) di bawah beban yang diberikan (C) sampai
patah. Responsenya adalah y = log Y, dimana Y adalah jumlah kesalahan.Akan
lebih mudah untuk merujuk pada kuantitas y sebagai daya tarik serat

Tabel 1. Factors dan levels

2
 Tabel dibawah ini merupakan hasil perulangan dengan factors dan levels
pada tabel 1

Tabel 2. Perulangan Eksperimen

Perkiraan efek utama dan interaksi untuk eksperimen benang sebagai

berikut:

Tabel 3. Perkiraan efek utama dan interaksi untuk eksperimen benang

Jika sekarang dapat dilihat perkiraan efek yang ditunjukkan pada Tabel
5.7, dapat dilihat bahwa semua interaksi dapat diabaikan dalam kaitannya dengan
efek utama, pada kesimpulan mengenai rentang faktor yang sedang mempelajari
perubahan spesimen dari 250 lo 350 mm meningkatkan daya dukung (sekitar 8

3
unit). meningkatkan amplitudo dari 8 sampai 10 mm mengurangi daya dukung
(sekitar sekitar -6 unit). dan meningkatkan beban dari 40 sampai 50 unit dan
mengurangi daya dukung (sekitar -3,5 unit).

 Berhubungan Dengan Lebih Dari Satu Respons : Percobaan

Makanan Hewan
Bila sejumlah tanggapan berbeda y1, Y2 · ... diukur dalam setiap
eksperimenlari, percobaan faktorial memiliki nilai lebih besar karena mereka juga
penyidik untuk mempertimbangkan secara bersamaan bagaimana beberapa faktor
mempengaruhi masing-masingdari sejumlah tanggapan. Sebagai ilustrasi, kami
menggunakan beberapa data dari sebuah percobaan menarik karena Pratt and Tort
(1999).
Pabrikan makanan hewan telah menerima keluhan bahwa paket
makanan pelet yang diterima oleh pelanggannya mengandung jumlah yang tidak
memuaskan daribubuk.Menunjukkan jumlah bubuk pada produk yang diterima
oleh pelanggan oleh y1. Untuk batch produk yang diproduksi secara rutin, nilai y1
tidak diketahui Tapi y2, jumlah bubuk yang dihasilkan di semut, bisa
diukurmudah. Dengan asumsi Y2 adalah indikator pengganti yang baik untuk Y1,
kontroldari pabrik telah diusahakan dengan menjaga Y2 serendah mungkin.
Sayangnya, kontrol dengan cara ini terbukti tidak efektif.
Tabel 5.8 menunjukkan data dari bagian eksperimen untuk mempelajari
pengaruh perubahankondisi manufaktur. Sebanyak hanya delapan pabrik berjalan
di 23percobaan faktorial dengan faktor suhu (A), arus (B), dan zona(C) masing-
masing bervariasi pada dua tingkat.
Dalam masing-masing run, empat tanggapan diukur: bubuk pada produk
y1, bubuk ditanaman Y2, ukuran hasil Y3, dan energi yang dikonsumsi y4. Nilai
untuk bubuk dalam produk y1 seperti yang telah diterima oleh pelanggan
diperoleh olehmengambil sampel yang representatif dari delapan kelompok
eksperimen dan subjekmereka untuk jenis yang sama dari kemasan, gemetar, dan
penanganan yang mereka akanterima sebelum mencapai pelanggan. Nilai yang

4
diperoleh untuk y1 dan serbuk ditanaman y2, hasil produk yang dihasilkan y3, dan
energi listrik yang dikonsumsi y4ditunjukkan pada Tabel 5.8.

Tabel 5.8 Desain Faktorial 23untuk Studi Pengaruh Suhu, Aliran, dan
Zona Kompresi pada Empat Respons

tanpa kehilangan terlalu banyak hasil y3 atau membutuhkan terlalu banyak energi
listrik Y4 · data diplot pada kubus faktorial. ditunjukkan pada Gambar 5.7b-e.

 Desain 24 Faktor: Proses Pembangunan Studi Kasus

Lebih banyak faktor yang perlu diselidiki daripada yang dapat dengan
mudah diakomodasi dalam waktu dan ketersediaan anggaran, namun akan sering
didapati bahwa biasanya kita akan dapat memisahkan efek asli dari kebisingan
tanpa penerapan. Oleh karena itu, dalam studi pilot, daripada menggunakan 16
putaran untuk menghasilkan 23 faktorial yang direplikasi, biasanya lebih baik
untuk memperkenalkan faktor keempat dan menjalankan desain 24 yang tidak
direplikasikan.
Sebagai ilustrasi, percobaan pengembangan proses ditunjukkan di mana
empat faktor dipelajari dalam rancangan faktorial: jumlah muatan katalis l, suhu
2, tekanan 3, dan konsentrasi salah satu reaktan 4. Tabel 5.10 a menunjukkan
disain, urutan acak di mana tempat berjalan dibuat, dan respon y (konversi persen)
pada masing-masing dari 16 kondisi reaksi. Tabel 5.10 b menampilkan koefisien

5
kontras yang menentukan perkiraan pada Tabel 5.11 dari empat efek utama, enam
interaksi dua faktor, empat interaksi tiga faktor dan satu interaksi empat faktor.
Latihan 5.11. Tambahkan sembilan unit ke pengamatan 2, 3. 6, 7, 9, 12,
13, 16 pada Tabel 5.10 a. Hitung ulang efeknya. Jelaskan apa yang Anda amati.
Jawaban: Delapan putaran ini adalah yang sesuai dengan tanda plus di kolom 124.
Dengan demikian, 124 efek interaksi meningkat sebesar 9 unit, namun karena
ortogonalitas, tidak ada satu pun pasangan lain yang terpengaruh. Bagaimanapun,
bagaimanapun, interaksi 124 sekarang dipilih sebagai penyimpangan dari garis.
Tabel 5.10 a. Data yang diperoleh dalam Studi Pengembangan Proses yang
diatur dalam Standar pemesanan (Yates).

6
7
 Menilai Efek Faktor Menggunakan Rujukan Internal
Sebuah titik dari 15 efek yang dihitung ditunjukkan pada Gambar 5.10.
Tidak ada perkiraan langsung varians kesalahan eksperimental yang tersedia dari
eksperimen yang dijalankan 16 ini karena tidak ada ulangan, namun asumsi yang
masuk akal mungkin karena interaksi dengan orde tertinggi sebagian besar
merupakan gangguan mutlak dan karena itu dapat memberikan rujukan untuk efek
yang tersisa.
Perkiraan efek interaksi 123, 124, 134, 234 dan 1234 yang membentuk
himpunan referensi ini diidentifikasi oleh lingkaran terbuka pada Gambar 5.10.
Mempekerjakan kelima taksiran ini, perkiraan gabungan V (y + - y_) adalah
diperoleh dari

Interpretasi Data Pengembangan Proses

Melanjutkan dengan dasar bahwa efek utama faktor 1, 2, dan 4 dan
interaksi dua faktor 24 dapat dibedakan dari kebisingan yang Anda temukan:

8
 ANALISIS MENGGUNAKAN PLOT NORMAL DAN PLOT
LENTH

Dua masalah muncul dalam penilaian efek dari factorials yang tidak
terulang: (a) kadang-kadang bermakna interaksi orde tinggi terjadi dan (b) perlu
untuk memungkinkan seleksi. (Anggota terbesar dari kelompok manapun adalah
dengan definisi besar - tapi metodenya sangat besar?) ~ Karena Cuthbert Daniel *
(1959) di mana efek diplotkan pada kertas probabilitas normal (dibahas di Bab 2)
dapat memberikan cara yang efektif untuk mengatasi kedua kesulitan tersebut.

9
Saat ini plot semacam itu biasanya diproduksi di layar komputer. Misalkan data
dari 24 percobaan pengembangan proses telah terjadi hanya sebagai hasil variasi
acak tentang mean dan perubahan faktor faktor tidak berpengaruh nyata terhadap
respon. Kemudian m = 15 efek yang mewakili 15 kontras antara pasangan rata-
rata akan memiliki distribusi normal kira-kira pada nol dan akan plot pada skala
probabilitas normal sebagai garis lurus. Untuk melihat apakah mereka
melakukannya, Anda dapat memesan dan merencanakan 15 efek yang diperoleh
dari eksperimen pengembangan proses yang ditunjukkan pada Gambar 5.13 (Jika
Anda ingin melakukannya secara manual, penskalaan yang sesuai untuk sumbu P
(%) berasal dari Tabel di akhir buku untuk m = 15.) Seperti yang ditunjukkan
pada Gambar 5.13, 11 dari perkiraan tersebut cukup sesuai dengan Iin lurus yang
disebut di sini "garis kesalahan" karena perkiraan ini serupa dengan yang
dihasilkan oleh kebisingan saja. Namun ~ efek 1, 2. 4, dan 24 · jatuh dari garis
dan tidak mudah dijelaskan sebagai kejadian kebetulan. Jadi, untuk contoh ini,
kesimpulan yang diambil dari plot normal sangat mungkin tercapai sebelumnya.
Beberapa peneliti lebih suka menggunakan plot setengah normal, yaitu. untuk plot
pada skala yang sesuai nilai absolut dari efek. Alat diagnostik ini, yang awalnya
diusulkan oleh Daniel (1959), berguna untuk mendeteksi pengacakan yang tidak
tepat,

10
nilai buruk, dan ketergantungan varians pada mean. Kemudian Daniel (1976)
mencatat bahwa plot semacam itu, karena mereka membatalkan penyimpangan
dalam data, tidak memiliki sensivitas terhadap sinyal lainnya. Banyak program
komputer sekarang menghasilkan kedua plot. Diskusi lengkap dan berharga
tentang bagaimana plot normal dapat digunakan untuk memeriksa asumsi
diberikan oleh Daniel (1976).

Analisis Lenth sebagai Alternatif untuk Plot Normal

Prosedur altematif untuk plot normal atau setengah nom1 dari efek yang
diperkirakan adalah karena Lenth (1989). Median m dari nilai absolut dari efek k
ditentukan pertama. (Nilai absolut dari efek juga muncul pada plot normal balf.)
Estimasi kesalahan standar efek. disebut kesalahan standar pseudo, kemudian
diberikan oleh jadi = 1,5 m. Setiap perkiraan efek melebihi 2.5so sekarang
dikecualikan dan ~ jika diperlukan, m dan dihitung ulang. Sebuah "margin of
error" ME (perkiraan interval kepercayaan 95% untuk efek) kemudian diberikan
oleh ME = to.975, d x Jadi, di mana d = k / 3. Semua perkiraan yang lebih besar
dari ME mungkin dipandang sebagai "signifikan". tapi tentu saja. Dengan begitu
banyak perkiraan yang dipertimbangkan secara bersamaan, beberapa akan salah
diidentifikasi. Lenth selanjutnya mendefinisikan "margin of error" simultan SME
= ty.d x jadi, di mana y = (1 + 0,95 1 / k) / 2. Perkiraan efek yang melebihi UKM
dinyatakan aktif sedangkan yang kurang dari AKU dinyatakan inert.
Menggunakan data dari contoh pengembangan proses (lihat Tabel 5.11). Anda
akan menemukan = 1,5 (0,50) = 0,75 dengan d = 5 untuk memberi ME = 2,57
(0,75) = 1,93 dan UKM = 5,22 (0,75) = 3,91. Jadi (lihat Gambar 5.13c seperti
sebelumnya), perkiraan efek 1, 2, 4, dan 24 diidentifikasi sebagai aktif dan semua
perkiraan lainnya dianggap sebagai noise. Tabel kesepuluh untuk t0,975 dan tyd
untuk berbagai perkiraan efek adalah sebagai berikut:

Seperti teknik lainnya, penting untuk tidak menggunakan metode ini hanya
sebagai mesin tanpa otak untuk menentukan "signifikansi" atau tidak penting.
"Diagram adalah bagian terpenting dari metode ini, dan seperti plot nom1al

11
diagram ini harus diperiksa dalam cahaya pengetahuan materi pelajaran untuk
menentukan bagaimana untuk melanjutkan.

Pemeriksaan Diagnostik

Perencana normal residu memberikan pemeriksaan diagnostik untuk model yang

terhibur. Misalnya, dalam contoh pengembangan proses. Jika diterima bahwa
semua efek yang terukur dengan pengecualian 1 = -8,0, 2 = 24,0, 4 = -5,5, dan 24
= 4,5 dapat dijelaskan oleh noise. maka prediksi respon (persen konversi) pada
simpul dari 24 desain akan diberikan oleh model pas

dimana X1, x2, dan X4 mengambil nilai -1 atau + 1 sesuai dengan kolom tanda
pada Tabel. Perhatikan bahwa koefisien yang muncul dalam persamaan ini adalah
setengah dari efek yang dihitung. Ini jadi karena efek yang dihitung perubahan
yicld dua unit sepanjang sumbu x dari x = -1 sampai x = + l

Pandangan Pertama pada Majelis Berurutan

Pada Bab 1 proses penyelidikan digambarkan sebagai iteratif, melibatkan deduksi

dan induksi. Apa yang diperoleh dengan menjalankan eksperimen bukan hanya
kemungkinan perbaikan proses yang segera; hasilnya mungkin juga menunjukkan
kemungkinan untuk kemajuan lebih jauh dan dengan demikian menunjukkan di
mana penambahan berjalan perlu dilakukan. Bila ini selesai, desain eksperimental
dibangun dalam bentuk potongan-proses yang kita sebut perakitan sekuensial.
Sebuah contoh sederhana terjadi dalam sebuah studi byHill dan Wiles (1975).
Tujuannya adalah untuk meningkatkan hasil produk kimia yang mengecewakan.
Tiga rancangan faktorial dijalankan secara berurutan dalam penyelidikan ini,
namun hanya yang pertama yang akan dijelaskan di sini. Pada fase 1 a 23 desain
faktorial dengan faktor konsentrasi (C), laju reaksi (R), dan suhu (T) dijalankan.
Tabel 5.12 menampilkan 23 desain, pengamatan yang dicatat, dan efek yang
diperkirakan. Analisis efects menunjukkan dominasi yang tidak mengenakkan
dari efek utama C. Pada tahap Il, untuk memeriksa lebih jauh pengaruh faktor C,
tujukan poin eksperimental tambahan dijalankan sepanjang sumbu konsentrasi,
seperti yang ditunjukkan pada Gambar5.14a dan Tabel 5.12. Percobaan "aksial"
dijalankan pada tingkat menengah R dan T namun lebih dari rentang C. yang lebih
luas. Gambar 5.14 menunjukkan desain rakitan yang disusun secara berurutan dan
grafik imbal hasil versus konsentrasi untuk semua 11 putaran. Kesimpulannya,
dari Nilai praktis yang bagus, _ adalah (1) bahwa di atas daerah faktor yang diuji

12
suhu T dan laju reaksi R pada dasarnya inert, yaitu, tanpa efek yang dapat
dideteksi, namun (2) mengurangi tingkat faktor C dapat menghasilkan hasil yang
jauh lebih tinggi .

Tabel 5.12

13