Seorang insinyur pabrik yang berpengalaman hampir tidak terkejut saat

menemukan produk itu atau

kinerja proses Y tergantung pada beberapa parameter yang mempengaruhi P, Q,
R, S, dll. Ketergantungan ini, secara umum, bisa sangat rumit. Hasil dari,
studi empiris untuk menentukannya bisa menjadi besar dan bahkan sulit untuk
dilakukan
menjalankan. Untungnya, seperti yang ditunjukkan oleh Taguchi, dalam banyak
situasi praktis ini
studi dapat dibatasi pada dependensi main-ejfect (Bagian 3.5). Dalam ini
kasus dependensi aditif dan dapat diwakili dengan memuaskan oleh apa
seseorang menyebut model efek-efek aditif (atau faktor utama). Model aditif
memiliki bentuk
y = M + Pi + Qj + rk + si + e (4.1.1)

di mana f i adalah nilai rata-rata y di wilayah eksperimen, piy q j, dll.

adalah
efek individu atau utama dari faktor-faktor yang mempengaruhi P, Q, dll, dan
£ adalah kesalahan
istilah.

Istilah "efek utama" menunjukkan efek pada respons y yang dapat dilakukan
melacak ke satu proses atau parameter desain (DP), seperti P. Dalam model
aditif
seperti yang diberikan oleh Persamaan. (4.1.1), orang mengasumsikan bahwa
efek interaksi
tidak hadir. Dalam model ini, pt merupakan bagian dari deviasi y (atau
efeknya
pada y) disebabkan oleh pengaturan faktor P pada perlakuan Pit qj yang
disebabkan oleh faktor Q pada
Qj, dan rk yang disebabkan pengaturan R di Rk adalah rk, dan seterusnya.
Istilah £ mewakili
kesalahan gabungan yang dihasilkan dari pendekatan tambahan (yaitu,
penghilangan
interaksi) dan pengulangan terbatas dari eksperimen yang dijalankan dengan
eksperimen
faktor P ditetapkan pada Pv Q di Qj, R di Rh dan S pada £ /. Eksperimen
berulang biasanya menunjukkan
beberapa variabilitas, yang mencerminkan pengaruh faktor-faktor yang tidak
dimiliki oleh penyelidik
kontrol.
Asumsi tambahan juga mengimplikasikan bahwa efek individual dari
faktor Py Qt R, dll. pada kinerja Y dapat dipisahkan. Dengan asumsi ini
efek dari setiap faktor dapat linear, kuadrat, atau urutan yang lebih tinggi,
tetapi aditif
model mengasumsikan bahwa tidak ada efek produk silang (interaksi) di antara
faktor individu. (Ingat contoh interaksi efek yang terlihat antara
waktu paparan dan waktu pengembangan dalam contoh litografi, Tabel 3.1.)
Saya f kami berasumsi bahwa efek masing-masing (a dan /}) dari dua faktor
yang mempengaruhi
A dan B pada variabel respon Y bersifat aditif, kemudian kita katakan dengan
efektif
bahwa model
Yij( = l^ij + £ij) = j i + ctj + j3j + eg (4.1.2)
mewakili efek total dari faktor A dan B di Y. Perhatikan lagi bahwa ini
representasi mengasumsikan bahwa tidak ada interaksi antara faktor A dan B,
yaitu,
efek faktor A tidak tergantung pada level-of factor B dan sebaliknya.
Interaksi membuat efek dari faktor individu non-aditif. Saya f sama sekali
waktu n} j berbeda dari (jli + a, + / 3;), di mana a, dan fy adalah individu
(atau utama) efek dari faktor masing-masing, kemudian satu mengatakan bahwa
aditif (atau keterpisahan) efek faktor utama tidak berlaku, dan efeknya
berinteraksi.Itu model proses kimia yang ditunjukkan di bawah ini memberikan
contoh interaksi di antara dua faktor proses:
Utilization (%) = K (mixing HP/1000 g) L (superficial velocity)M

Untuk proses ini, efek pada variabel respon "Pemanfaatan (%)" adalah
multiplikatif
bukan aditif. Di sini, efek "pencampuran HP / 1000 g" tergantung pada level
dari faktor proses kedua, "superfisial kecepatan", dan sebaliknya. Efek ini
mungkin
dimodelkan oleh
…… (4.1.3)

Kadang-kadang seseorang dapat mengkonversi perkalian (atau beberapa non-

aditif lainnya)
model menjadi model aditif dengan secara matematis mengubah respon Y
ke log [F], atau 1IY, atau - / F, dll. Konversi seperti itu sangat membantu
dalam perencanaan dan
menjalankan eksperimen multi-faktor menggunakan OA. (Kita akan lihat di
bagian selanjutnya
OAs yang memberikan banyak efisiensi dan ekonomi untuk eksperimen statistik.)
The
Kehadiran aditivitas juga menyederhanakan analisis data eksperimen. Itu
transformasi yang akan mengubah model proses kimia di atas (yang
melibatkan interaksi faktor "pencampuran HP per 1000 g" dan "kecepatan
superfisial")
adalah pengambilan logaritma di kedua sisi. Ini memberilog (% utilization) = log (K) + L log (HP per 1000
g)
+ M log (superficial velocity)

Persamaan model (4.1.3) kemudian menjadi aditif, dan ditulis secara ekuivalen
sebagai
…… (4.1.4)
Untuk mengingatkan pembaca, karena istilah interaksi tidak ada di dalamnya,
sering
menyebut model aditif sebagai model efek utama.

4.2 MENGAPA MENCAPAI ADDITIVITY SANGAT PENTING?

Dalam prosedur desain yang kuat Taguchi, seseorang berusaha untuk membatasi
ke utama
efek model atau, dengan kata lain, aditif efek. Ini memungkinkan penggunaan
beberapa desain faktorial parsial khusus dan aritmatika sederhana, seperti
yang kita lihat di bawah ini,
dalam mencapai pengaturan optimal untuk setiap produk atau desain proses
parameter. Aditif efek juga menyebabkan penurunan besar dalam jumlah
eksperimen yang perlu dijalankan. Manfaat additivitas ini dapat
divisualisasikan sebagai
berikut:
Misalkan seorang perancang ingin menyelidiki apakah empat desain potensial
faktor, P, Q, R, dan S, memiliki pengaruh terhadap kinerja Y. Juga anggap itu
perancang memiliki pilihan pengaturan masing-masing faktor pada salah satu
dari tiga yang berbeda tingkat perawatan. Efek dari masing-masing faktor ini
aditif, lalu
kinerja
Y
dapat dimodelkan oleh
(4.2.1)
Karena model ini tidak mengandung istilah interaksi, itu adalah aditif atau
faktor utama
model. Sekarang, karena masing-masing dari empat faktor (P, Q, R, dan S)
dapat ditetapkan pada tiga
tingkat perawatan yang berbeda, akan ada 34 atau 81 cara menggabungkan yang
berbeda ini
perawatan. Mungkin kemudian muncul bahwa untuk menyelidiki efek dari empat
faktor,
seseorang harus menjalankan masing-masing dari 81 percobaan ini. Kami
sekarang menunjukkan bahwa saya f
Aditivitas efek utama hadir, maka hanya sebagian kecil (ditunjukkan pada
Tabel 4.1)
dari kemungkinan 81 percobaan perlu dijalankan untuk mengevaluasi efek dari
empat
faktor desain. Bagian ini disebut percobaan matriks ortogonal.

Tabel 4.1 berisi contoh matriks perawatan ortogonal. Catatan

dua aspek khusus dari sembilan percobaan yang ditunjukkan pada Tabel 4.1:
1. Jumlah total eksperimen yang akan dijalankan di atas sama dengan 3 x 3
atau 9 -
hanya sebagian kecil dari 81. Angka 9 mencerminkan jumlah total kombinasi
mungkin dari tiga tingkat dari dua faktor di antara P, Q, R, dan S.
Perhatikan juga itu
tidak ada eksperimen di sini adalah pengulangan dari eksperimen lainnya.
(Sebuah pertanyaan, bagaimanapun,
tetap: Akankah sembilan percobaan ini mencukupi?)
2. Kombinasi perawatan dari empat faktor di salah satu dari sembilan
eksperimen tidak sembarangan. Satu membangun kombinasi ini dengan hati - hati
- dalam
untuk memungkinkan estimasi cepat dari efek utama masing-masing faktor, i f
efek seperti itu ada,
dari pengamatan
Kami sekarang menunjukkan bagaimana seseorang dapat dengan cepat
memperkirakan efek faktor P, Q, R,
dan S dari pengamatan {yr-}. Dalam model aditif (4.1.1), fj, mewakili
nilai rata-rata keseluruhan y ^ n wilayah eksperimen di mana satu bervariasi
faktor-faktor
P, Q, R,
dan S. Selanjutnya,
p h p
2
dan
p $
adalah penyimpangan dari
y
 dari
Ji
disebabkan
oleh pengaturan faktor (perawatan) Ph P2 dan P3, masing-masing. Kemudian,
karena masing-masing faktor
memiliki efek (positif atau negatif) sendiri pada y dan satu mengasumsikan
efek faktor
menjadi aditif dan karenanya dapat dipisahkan dari keseluruhan rata-rata p
dan dari satu sama lain, satu
harus punya

Oleh karena itu, untuk menemukan efek pengaturan P pada P3 pada Y, cukup
hitung a
rata-rata aritmatika tertentu {y,}, sebagai berikut: Pertama, perhatikan apa
yang terjadi ketika satu
menambahkan tiga pengamatan (y7, y8> dan y9); di mana pengobatan P sama
dengan P ^
lalu rata-rata mereka.

Tidak sulit untuk melihat bahwa persamaan ini sama

/ j, + [perkiraan pengaruh pengaturan P = P3]
+ kesalahan rata-rata dalam satu percobaan percobaan
Pengurangan ini menggarisbawahi poin penting. Saya f satu rencana dan
melakukan
percobaan menggunakan matriks khusus pada Tabel 4.1 sebagai panduan,
seseorang mampu
memperkirakan efek faktor dengan melakukan hanya aritmatik rata-rata
sederhana tertentu
pada {y,}. Peringatannya adalah bahwa orang dapat menggunakan analisis
sederhana seperti itu hanya ketika aditif
serta keterpisahan memegang, dan ketika seseorang menjalankan eksperimen
menggunakan perawatan
kombinasi yang direncanakan sesuai dengan "matriks perawatan ortogonal"
(Tabel 4.1). Matriks khusus yang ditunjukkan pada Tabel 4.1 disebut L9
orthogonal
matriks atau OA L9. Juga perhatikan bahwa besarnya istilah kesalahan rata-
rata
(£ 7 + £ 8 + £ 9) / 3 dalam Persamaan. (4.2.6) di atas. Saya f rata-rata
varians untuk kesalahan, dalam
percobaan tunggal adalah (<7e) 2, maka kesalahan rata-rata (£ 7 + £ 8 + £ 9)
/ 3 akan memiliki
varians (1/3) (ct ^) 2, lihat Bagian 2.3. Jadi, selain menyederhanakan
aritmatika,
skema percobaan ortogonal (Tabel 4.1) mengurangi varians dalam memperkirakan
pengaruh faktor P atas varian kesalahan dalam satu eksperimen oleh a
faktor 3.

Demikian pula, dengan memilih pengamatan tertentu lainnya dari {yi}> kita
akan
mampu memperkirakan efek masing-masing dari tiga faktor lainnya Q, R, dan S.
I f
asumsi aditivitas tidak valid, namun, maka istilah kesalahan {£, -} tidak
akan berlaku
independen satu sama lain dan tidak akan menjadi variabel acak dengan mean
nol
dan (ae) 2 varians.
Sebagai alternatif matriks ortogonal untuk perencanaan eksperimental
studi, orang dapat mempertimbangkan desain statistik faktorial lengkap.

4.2.1 Desain Faktorial Lengkap

Pendekatan umum untuk mengungkap secara empiris efek dari faktor P, Q, R,
dan S akan mengharuskan menjalankan semua kombinasi yang mungkin dari tiga
level untuk
masing-masing dari empat faktor, atau menjalankan 34 atau 81 eksperimen
total. Ini akan menjadi penuh
desain eksperimental faktorial (lihat contoh pada Gambar 6.3). Ketika aditif
asumsi memegang, bagaimanapun, pengaturan dengan matriks L9 (yang hanya
menggunakan
sembilan percobaan) akan cukup untuk memperkirakan efek faktor utama. Ini
adalah
jelas pengurangan besar (dari 81 percobaan menjadi 9) dalam total eksperimen
upaya.

4.3 VERIFIKASI TAMBAHAN

Seseorang mungkin tidak tahu sebelumnya apakah aditif dari efek utama
bertahan dalam
investigasi yang diberikan. Aditivitas menyiratkan bahwa model efek utama
(4.1.1) adalah sebuah
representasi yang memadai tentang bagaimana respon y tergantung pada faktor
P, Q> R dan S. One
pendekatan praktis yang direkomendasikan oleh Taguchi untuk memverifikasi ini
adalah dengan menjalankan verifikasi
bereksperimen dengan perawatan yang ditetapkan pada nilai-nilai yang dikenal
(biasanya optimal) dan
mengamati hasilnya. Dengan melakukan percobaan verifikasi, seseorang
membandingkan
nilai yang diamati dari variabel respon dan respon yang diprediksi
berdasarkan pada
model efek utama, dan dengan demikian memverifikasi i f model aditif memadai.
Dekat
kesepakatan dari respon yang diamati dan diprediksi menunjukkan bahwa aditif
Asumsi adalah salah satu yang masuk akal.

Setelah penyidik memiliki kecekatan, ia dapat menggunakan model itu

memprediksi efek dari faktor independen pada respon Y untuk setiap perawatan
kombinasi Piy Qj, Rh dan S /, dll. dalam ruang pengaruh. Saya f verifikasi
gagal, eksperimen harus diperluas untuk menyertakan dua faktor atau lebih
tinggi
memesan interaksi - menggunakan ortogonal yang lebih besar atau beberapa
eksperimen lainnya
Desain.

4.4 RESPONSE TABLE: A TOOL YANG MEMBANTU MENCARI UTAMA

PENGARUH CEPAT
Sebuah prosedur manual tersedia yang dengan cepat menyelesaikan perhitungan
efek dari observasi eksperimental yang dirancang secara ortogonal. Metode ini
menggunakan format tabular khusus, yang dikenal sebagai Tabel Tanggapan [15],
untuk merekam
dan memanipulasi data yang diamati. Kami menggambarkan metode ini dengan 3-
faktor
contoh desain di mana penyidik hanya menggunakan dua perlakuan untuk masing-
masing faktor.
Dalam contoh desain yang ditunjukkan pada Tabel 4.2, penyelidikan hanya
membutuhkan
delapan percobaan, dipandu oleh Lg OA of Appendix B (diberikan pada akhir
buku).
(Dalam Bab
6 dan 8 metode untuk memilih OA yang tepat untuk diberikan
masalah dibahas.)
Ingat bahwa efek dari beberapa faktor A pada respon y adalah rata-rata
perubahan
dalam respons yang dihasilkan ketika pengaturan faktor A pergi dari itu
tingkat rendah (secara simbolis diwakili oleh "-1") ke level tingginya ("1")
- Misalkan
sekarang faktor A, B, dan C menghasilkan respons {y,} dalam eksperimen
dijalankan dengan perlakuan berbeda A, B, dan C seperti yang ditunjukkan pada
Tabel 4.2. Untuk
setiap percobaan (diwakili oleh baris dalam tabel) simbol "1" dan "-1"
tunjukkan kombinasi perlakuan tertentu yang digunakan dalam eksperimen
tersebut.

Metode tabel respons

mengasumsikan aditif efek faktor pada
awal. Oleh karena itu, untuk memperkirakan efek, misalnya, faktor A pada
respon
yi
yi
ys
Y, pertama-tama akan menambahkan keempat tanggapan pada perlakuan “1”,
“tinggi”
pengaturan faktor A. Seperti yang ditunjukkan pada Bagian 4.2, karena
ortogonalitas, penjumlahan semacam itu
(yang menghasilkan y $ + y $ + yi + y8) membatalkan efek faktor B dan C, dan
hanya mengakumulasi efek pengaturan A pada "1" (dan noise). Karena itu,
dengan membagi
jumlah ini dengan 4, satu dapat menemukan nilai rata-rata 7, respon, pada
pengobatan untuk
A = "1".
Biarkan Abarx mewakili rata-rata \ ys + y $ + yi + y%] / 4. Demikian juga,
biarkan Abar2
mewakili nilai rata-rata respon Y yang dihitung untuk pengobatan "rendah", "-
1".
Pengaruh faktor A pada Y adalah (Abarx - Abar2), yang sama dengan

Tabel respon memungkinkan perhitungan di atas diselesaikan dengan cepat, oleh

tangan. Seperti yang dapat diamati, tata letak tabel respons (Tabel 4.3)
cukup
mudah. Untuk kebanyakan OAS, meja seperti itu dapat dibangun [15],
Perhatikan bahwa tabel respons yang ditunjukkan (Tabel 4.3) termasuk "Orde
Acak"
kolom. Kolom ini adalah pengingat bagi penyidik bahwa dia harus mengacak
uji coba eksperimental untuk meminimalkan bias dalam hasil yang mungkin
berkembang
uji coba dijalankan dalam beberapa urutan sistematis, seperti Trial 1 hingga
Percobaan 8 secara berurutan [11].
Bias semacam itu disebabkan oleh faktor-faktor yang tidak terkontrol.
Misalnya, suhu lingkungan
dapat meningkat seiring percobaan dijalankan, atau bahwa Operator X
menjalankan beberapa pengalaman pertama
ments, diikuti oleh yang kemudian oleh Operator Y.
Tabel 4.4 menunjukkan perhitungan tangan yang dilakukan pada tabel tanggapan.
Itu
perhitungan yang ditampilkan adalah untuk investigasi pengoptimalan proses
yang dilakukan dengan
tiga faktor desain proses F, S, dan T, dan respons yang disebut Yield. Meja
menunjukkan perawatan yang digunakan. Baris bawah tabel respons menunjukkan
utama
efek dihitung.
Metode perhitungan terkenal lainnya adalah karena Yates [111.

4.5 EVALUASI GRAPHIC DARI EFEK UTAMA

Metode Taguchi sering menggunakan teknik grafik (lihat Gambar 4.1) untuk
menyampaikan dengan cepat
besaran relatif dari efek faktor yang berbeda [2]. Teknik ini menghasilkan
dalam tampilan visual dari efek relatif dari masing-masing faktor desain
individual.
Teknik ini memplot nilai-nilai numerik dari efek faktor pada Y (vertikal)
sumbu, visual menyoroti besarnya relatif dari efek untuk cepat
pemahaman. Diimplementasikan dengan mudah dengan perangkat lunak spreadsheet
dengan grafik, seperti itu
plot dengan cepat mengidentifikasi pengaturan optimal untuk setiap faktor
yang diteliti.

Secara umum, optimisasi dalam eksperimen Taguchi bertujuan

memaksimalkan "rasio signal-to-noise". Di Bab 5, kita akan menunjukkan
bagaimana memaksimalkannya
signal-to-noise (rasio 5 / AO secara langsung meminimalkan variabilitas
karena noise. Selain ketahanan, optimisasi Taguchi juga berusaha untuk
menyesuaikan kinerja akhir dengan target yang diinginkan Satu kadang-kadang
dapat mencapai kedua tujuan ini dengan cepat dengan bantuan grafik
menampilkan.

Gambar 4.1 menunjukkan bahwa untuk memaksimalkan hasil, seseorang harus

menetapkan faktor F pada perlakuan B dan faktor S pada 60 rpm. Faktor T
menampilkan sedikit efek pada hasil, sehingga dapat ditetapkan pada 70 atau
82. Kami menekankan bahwa pendekatan sederhana ini hanya berlaku jika tidak
ada interaksi yang hadir!

Karena orang mengasumsikan aditif efek untuk faktor kontrol di sebagian besar
Taguchi
eksperimen, seseorang juga dapat memprediksi nilai kinerja yang dioptimalkan
dari eksperimen ini. Dalam contoh di atas, orang akan menemukan maksimumnya
hasil prediksi dengan menambahkan efek faktor F pada perlakuan B dan faktor S
pada 60, dengan faktor T ditetapkan pada 82. Pengaturan ini akan
memaksimalkan hasil. Maksimum yang diproyeksikan
hasil adalah, sederhananya,

Ketika seseorang telah memperoleh kinerja optimal yang diproyeksikan seperti

di atas, seseorang harus menjalankan percobaan verifikasi. Ini harus
dilakukan dengan menetapkan faktor F pada B, faktor S pada 60 rpm dan faktor
T pada 82, untuk mengkonfirmasi bahwa hasil aktual memang dekat dengan
proyeksi ini. (Seperti yang disebutkan dalam Bagian 4.2, percobaan verifikasi
saja menempatkan asumsi aditivitas untuk menguji, dan karenanya penerimaan
model faktor utama sebagai dasar untuk optimalisasi kinerja.)