Bab Iv PDF

perpustakaan.uns.ac.id digilib.uns.ac.
id
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
Bab ini berisi pengumpulan data hasil eksperimen dan pengolahannya. Data
yang dikumpulkan meliputi hasil nilai hambat panas, kekuatan bending dan densitas
dari komposit papan partikel yang dieksperimenkan. Pengolahan data yang
dilakukan bertujuan untuk mendapatkan rancangan setting level optimal dari faktor-
faktor yang berpengaruh terhadap nilai hambat panas, kekuatan bending dan
densitas. Penjelasan secara lebih lengkap mengenai pengumpulan dan pengolahan
data akan dijelaskan pada tahapan-tahapan berikut.
4.1 Pengumpulan Data

Pengumpulan data berisi semua data yang diperoleh dari seluruh proses yang
dilakukan dalam penelitian.
4.1.1 Spesimen Uji Thermal Conductivity
Pembuatan spesimen untuk uji thermal conductivity dilakukan berdasarkan
aturan dalam ASTM E-1225 dengan diameter 4 cm.
Gambar 4.1 Spesimen Uji Thermal Conductivity mesh 20, mesh 30, mesh 40 dan
mesh 50 (dari kiri ke kanan)
Pembuatan spesimen pada awalnya dicetak dengan ukuran 19,6 x 5,1 x 0,4cm
dan berkadar air kurang dari 10%, selanjutnya dilakukan pembentukan spesimen
uji Thermal Conductivity dengan menggunakan mesin gerinda. Pengujian uji
thermal conductivity dilakukan di UPT Laboratorium Pusat MIPA Sub Fisika
Universitas Sebelas Maret menggunakan mesin Thermal Conductivity seperti pada
Gambar 4.2 berikut ini.
commit to user
IV-1
perpustakaan.uns.ac.id digilib.uns.ac.id
Gambar 4.2 Mesin Thermal Conductivity
4.1.2 Data Hasil Eksperimen

Data hasil eksperimen adalah hasil pengukuran nilai konduktivitas panas
spesimen komposit. Data penelitian disusun pada tabel lampiran L2.1 sampai tabel
L2.16. Pada setiap tabel, baris pertama menunjukkan besarnya ukuran partikel.
Untuk baris kedua menunjukkan besarnya presentase tepung ketan sebagai perekat,
baris ketiga menunjukkan kepadatan, baris keempat menunjukkan jenis
perendaman yang dilakukan kepada ampas tebu dan pada baris kelima
menunjukkan pada replikasi atau pengulangan keberapa. Kode t1-t12 menunjukkan
nilai perubahan temperatur pada setiap titik. Nilai temperatur yang terdapat pada
tabel tersebut bersatuan derajat celcius (0C)
4.2 Pengolahan Data Hasil Eksperimen

Pada pengolahan data yang dilakukan adalah perhitungan nilai hambat panas,
nilai kekuatan bending dan densitas komposit. Data yang telah dikumpulkan
selanjutnya akan diolah menggunakan metode Taguchi yang meliputi perhitungan
analysis of variance (ANOVA) untuk nilai rata-rata dan nilai Signal to Noise Ratio
(SNR). Setelah data diperoleh dengan metode Taguchi, dilakukan teknik optimasi
multi respon dengan PCR-TOPSIS, kemudian menentukan level optimal dan
menentukan nilai prediksi respon dan selang kepercayaan.
commit to user
IV-2
4.2.1 Perpindahan Panas Konduksi

Dari tabel lampiran L2.1 sampai tabel L2.16 dapat diperoleh nilai laju
perpindahan kalor konduksi tembaga (q) dengan menggunakan persamaan 2.1,
yaitu:
∆𝑻
q=kA 𝑳
Keterangan:
q = Laju perpindahan kalor konduksi (watt).
k = Konduktivitas (W/m°C).
A = Luas penampang ( m2 ).
ΔT = Perbedaan temperatur (°C).
L = Tebal (m)
*Nilai konduktivitas tembaga (cu) 379 W/m°C
Contoh perhitungan laju perpindahan panas tembaga berdasarkan pada tabel

lampiran L2.1 dengan mesh 20, presentase tepung ketan 5%, kepadatan 3:4,
perlakuan perendaman menggunakan larutan boraks dan sampel ke 1:
𝒕𝟏 −𝒕𝟒
q=kA
𝑳
379 𝑥 0,001256 𝑥 1
qcu =
0,09
= 5,289 watt
Kemudian dilakukan perhitungan nilai konduktivitas spesimen ampas tebu

dengan perhitungan sebagai berikut :
𝒕𝟒 −𝒕𝟓
𝑞 = 𝑘𝑠 𝐴
𝑳
0,001256 𝑥 78,3
5,289 = 𝑘𝑠 𝑥
0,004
kspesimen = 0,215 W/m0C
Hasil perhitungan laju perpindahan panas tembaga dan konduktivitas panas

terangkum pada lampiran tabel L3.1 sampai tabel L3.16.
4.2.2 Nilai Hambat Panas (R)
Perhitungan nilai hambat panas (R) pada komposit ampas tebu adalah sebagai
berikut: commit to user
IV-3
𝑳
𝑅 = 𝑲𝑨
Keterangan :
A = luas penampang bahan (m²)
K = konduktivitas panas bahan (W/m°C)
L = tebal spesimen (m)
R = tahanan / hambatan termal (°C/W)
Contoh perhitungan nilai hambat panas spesimen ampas tebu berdasarkan

pada tabel lampiran L3.1 dengan kepadatan 6:4, mesh 50, presentase tepung ketan
5%, peerlakuan perendaman menggunakan NaOH dan sampel ke 1:
𝐿
𝑅=
𝐾𝐴
0,004
=
0,215x0,001256
= 14,804 0C/W
Menggunakan cara yang sama diperoleh nilai hambat panas komposit ampas
tebu seperti pada Tabel 4.1 berikut ini:
Tabel 4.1 Hasil Nilai Hambat Panas Spesimen Ampas Tebu
A B C D R1 R2 R3
1 1 1 1 14.804 14.823 13.458
1 2 2 2 14.369 14.312 14.237
1 3 3 3 13.183 13.080 14.312
1 4 4 4 12.856 14.161 11.785
2 1 2 3 14.709 14.747 16.428
2 2 1 4 13.235 14.464 14.369
2 3 4 1 16.323 14.539 18.032
2 4 3 2 11.754 12.891 14.237
3 1 3 4 16.428 18.505 21.175
3 2 4 3 18.458 16.470 16.554
3 3 1 2 14.426 14.445 14.426
3 4 2 1 16.386 16.491 16.617
4 1 4 2 16.449 18.458 18.387
4 2 3 1 16.365 16.365 16.386
4 3 2 4 16.092 16.176 16.260
4 4 1 3 14.274 13.802 13.310
4.2.3 Perhitungan Analisis Variansi (ANOVA) Terhadap Nilai Mean
Analisis variansi digunakan untuk membandingkan harga rata-rata sampel
berdasarkan perbandingan jumlah kuadrat dibagi derajat kebebasannya (mean
commit to untuk
square). Analisis variansi digunakan user mencari faktor-faktor yang
IV-4
mempengaruhi nilai rata-rata respon dan merupakan metode yang digunakan untuk
mencari setting level optimal yang dapat meminimalkan penyimpangan nilai rata-
rata. Langkah perhitungan analisis variansi nilai mean adalah sebagai berikut :
1. Menghitung rata-rata respon
Perhitungan nilai rata-rata untuk eksperimen 1
∑ 𝑥𝑖
ӯi =
𝑛𝑖
14,804 + 14,823 + 13,458
=
3
= 14,362
Hasil perhitungan nilai rata-rata pada eksperimen 2 hingga 16 disajikan pada
Tabel 4.2 berikut ini,
Tabel 4.2 Data Hasil Perhitungan Nilai Rata-Rata Respon
Faktor dan Level Nilai Hambat Panas
No Presentase Ukuran
Kepadatan Perendaman R-1 R-2 R-3 Rata-rata
tepung ketan partikel
1 5% mesh 20 3:4 Boraks 14.804 14.823 13.458 14.362
2 5% mesh 30 4:4 Aquades 14.369 14.312 14.237 14.306
3 5% mesh 40 5:4 Tanpa Perendaman 13.183 13.080 14.312 13.525
4 5% mesh 50 6:4 NaOH 12.856 14.161 11.785 12.934
5 7.5% mesh 20 4:4 Tanpa Perendaman 14.709 14.747 16.428 15.295
6 7.5% mesh 30 3:4 NaOH 13.235 14.464 14.369 14.022
7 7.5% mesh 40 6:4 Boraks 16.323 14.539 18.032 16.298
8 7.5% mesh 50 5:4 Aquades 11.754 12.891 14.237 12.960
9 10% mesh 20 5:4 NaOH 16.428 18.505 21.175 18.703
11 10% mesh 40 3:4 Aquades 14.426 14.445 14.426 14.432
12 10% mesh 50 4:4 Boraks 16.386 16.491 16.617 16.498
13 12.5% mesh 20 6:4 Aquades 16.449 18.458 18.387 17.764
14 12.5% mesh 30 5:4 Boraks 16.365 16.365 16.386 16.372
15 12.5% mesh 40 4:4 NaOH 16.092 16.176 16.260 16.176
16 12.5% mesh 50 3: 4 Tanpa Perendaman 14.274 13.802 13.310 13.796
2. Menghitung rata-rata total.

Nilai rata-rata total adaalah rata-rata dari semua data percobaan
∑𝑦
ӯi =
𝑛
14,804 + 14,823 + 13,458 + ⋯ + 14,274 + 13,802 + 13,310
=
48
= 15,288
3. Membuat tabel respon untuk nilai rata-ratanya.
14,362+14,306+13,525+12,934
A1 =
4
commit to user
= 13,782
IV-5
Cara perhitungan yang sama untuk masing-masing faktor dan levelnya, maka
diperoleh nilai respon dari efek faktor seperti pada Tabel 4.3 berikut ini,
Tabel 4.3 Tabel Respon Hambat Panas untuk Nilai

Rata-rata Eksperimen Taguchi
A B C D
Level 1 13.782 16.531 14.153 15.882
Level 2 14.644 15.465 15.569 14.866
Level 3 16.698 15.108 15.390 14.944
Level 4 16.027 14.047 16.039 15.459
Selisih 2.916 2.484 1.886 1.017
Ranking 1 2 3 4
Berikut ini pada Gambar 4.3 merupakan response graph untuk nilai rata-rata:
Gambar 4.3 Response graph Nilai Rata-rata Hambat Panas
Berdasarkan Gambar 4.3 dapat dilihat bahwa faktor A yang mempunyai rata-
rata nilai hambat panas yang lebih tinggi adalah level 3, faktor B yang mempunyai
rata-rata hambat panas yang lebih tinggi adalah level 1, faktor C yang mempunyai
rata-rata hambat panas lebih tinggi adalah level 4, sedangkan faktor D yang
mempunyai rata-rata hambat panas lebih tinggi adalah level 1.
4. Menghitung total sum of square dengan menggunakan rumus :
𝑆𝑇 = ∑ 𝑦𝑖2
𝑆𝑇 = 14,8042 + 14,8232 + ⋯ + 13,3102

= 11390,799
commit to user
IV-6
5. Menghitung sum of square due to mean dengan menggunakan rumus :

𝑆𝑚 = 𝑛 ӯ2
𝑆𝑚 = 48 𝑥 15,2882
= 11218,201
6. Menghitung sum of squares due to the factors dengan menggunakan rumus :
Sum of squares deviasi dari target untuk faktor A, masing-masing A1, A2,
A3 dan A4 memiliki 12 percobaan.
2 2 2 2
𝑆𝐴 = (𝑛𝐴𝑖1 𝑥𝐴1 + 𝑛𝐴𝑖2 𝑥𝐴2 + 𝑛𝐴𝑖3 𝑥𝐴3 + 𝑛𝐴𝑖4 𝑥𝐴4 ) − 𝑆𝑚
= (12 𝑥 13,7822 + 12 𝑥 14,6442 + 12 𝑥 16,6982 + 12 𝑥 16,0272 ) − 11218,201
= 62,619
2 2 2 2
𝑆𝐵 = (𝑛𝐵𝑖1 𝑥𝐵1 + 𝑛𝐵𝑖2 𝑥𝐵2 + 𝑛𝐵𝑖3 𝑥𝐵3 + 𝑛𝐵𝑖4 𝑥𝐵4 ) − 𝑆𝑚
= (12 𝑥 16,5312 + 12 𝑥 15,4652 + 12 𝑥 15,1082 + 12 𝑥 14,0472 ) − 11218,201
= 37,784
2 2 2 2
𝑆𝐶 = (𝑛𝐶𝑖1 𝑥𝐶1 + 𝑛𝐶𝑖2 𝑥𝐶2 + 𝑛𝐶𝑖3 𝑥𝐶3 + 𝑛𝐶𝑖4 𝑥𝐶4 ) − 𝑆𝑚
= (12 𝑥 14,1532 + 12 𝑥 15,5692 + 12 𝑥 15,3902 + 12 𝑥 16,0392 ) − 11218,201
= 23,303
2 2 2 2
𝑆𝐷 = (𝑛𝐷𝑖1 𝑥𝐷1 + 𝑛𝐷𝑖2 𝑥𝐷2 + 𝑛𝐷𝑖3 𝑥𝐷3 + 𝑛𝐷𝑖4 𝑥𝐷4 ) − 𝑆𝑚
= (12 𝑥 15,8822 + 12 𝑥 14,8662 + 12 𝑥 14,9442 + 12 𝑥 15,4592 ) − 11218,701
= 8,148
7. Menghitung sum of squares due to error
𝑆𝑒 = 𝑆𝑇 − 𝑆𝑚 − 𝑆𝐴 − 𝑆𝐵 − 𝑆𝐶 − 𝑆𝐷
= 11390,799 − 11218,201 − 62,619 − 37,784 − 23,303 − 8,148
= 40,743
8. Menghitung the mean sum of squares.
Sebelumnya ditentukan derajat bebas sumber-sumber variansi,
Misal faktor A:
𝑣𝐴 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑙𝑒𝑣𝑒𝑙 − 1
= 4−1=3
commit to user
IV-7
Mean sum of squares adalah pembagian antara sum of squares dengan derajat
bebasnya.
𝑆𝑞𝐴 𝑆𝑞𝐵
𝑀𝑞𝐴 = 𝑀𝑞𝐵 =
𝑣𝐴 𝑣𝐵
62,619 37,784
= =
3 3
= 20,873 = 12,595
𝑆𝑞𝐶 𝑆𝑞𝐷
𝑀𝑞𝐶 = 𝑀𝑞𝐷 =
𝑣𝐶 𝑣𝐷
23,303 8,148
= =
3 3
= 7,768 = 2,716
𝑆𝑞𝑒
𝑀𝑞𝑒 =
𝑣𝑒
40,743
=
35
= 1,164
9. Menghitung F-ratio.
Nilai F-ratio merupakan pembagian antara mean sum of squares dengan
error sum of squares.
𝑀𝑞𝐴 𝑀𝑞𝐵
𝐹𝐴 = 𝐹𝐵 =
𝑀𝑞𝑒 𝑀𝑞𝑒
20,873 12,595
= =
1,164 1,164
= 17,931 = 10,819
𝑀𝑞𝐶 𝑀𝑞𝐷
𝐹𝐶 = 𝐹𝐷 =
𝑀𝑞𝑒 𝑀𝑞𝑒
7,768 2.716
= =
1,164 1,164
= 6,673 = 2,333
10. Menghitung pure sum of squares
𝑆𝐴1 = 𝑆𝑞𝐴 − (𝑣𝐴 𝑥 𝑀𝑞𝑒) 𝑆𝐵1 = 𝑆𝑞𝐵 − (𝑣𝐵 𝑥 𝑀𝑞𝑒)
= 62,619 − (3 𝑥 1,164) = 37,784 − (3 𝑥 1,164)
= 59,127 = 34,292
𝑆𝐶 1 = 𝑆𝑞𝐶 − (𝑣𝐶 𝑥 𝑀𝑞𝑒) commit to user 𝑆𝐷1 = 𝑆𝑞𝐷 − (𝑣𝐷 𝑥 𝑀𝑞𝑒)
IV-8
= 23,303 − (3 𝑥 1,164) = 8,148 − (3 𝑥 1,164)

= 19,811 = 4,656
11. Menghitung percent contribution.
𝑆𝐴1 𝑆𝐵1
𝜌𝐴 = 𝑥 100% 𝜌𝐵 = 𝑥 100%
𝑆𝑡 𝑆𝑡
59,127 34,292
= 𝑥 100% = 𝑥 100%
172,598 172,598
= 34,26 % = 19,87 %
𝑆𝐶 1 𝑆𝐷 1
𝜌𝐶 = 𝑥 100% 𝜌𝐷 = 𝑥 100%
𝑆𝑡 𝑆𝑡
19,811 4,656
= 𝑥 100% = 𝑥 100%
172,598 172,598
= 11,48 % = 2,70 %
12. Membuat rekapitulasi tabel analisis variansi hasil perhitungan yang disajikan
pada Tabel 4.4 berikut ini,
Tabel 4.4 Analisis Variansi Mean Sebelum Pooling
Source Sq df Mq F-ratio F-tabel Sq' rho%
A 62.619 3 20.873 17.931 2.874 59.127 34.26%
B 37.784 3 12.595 10.819 2.874 34.292 19.87%
C 23.303 3 7.768 6.673 2.874 19.811 11.48%
D 8.148 3 2.716 2.333 2.874 4.656 2.70%
e 40.743 35 1.164 1 54.712 32%
St 172.598 47 3.672 172.598 100%
Sm 11218.201 1
ST 11390.799 48
Berdasarkan Tabel 4.4, diketahui bahwa faktor A, B dan C memiliki

pengaruh terhadap nilai hambat panas. Jika nilai F ratio lebih besar dari nilai F tabel
maka faktor tersebut berpengaruh signifikan terhadap variabel respon, namun
faktor D tidak memberikan pengaruh yang signifikan terhadap nilai hambat panas
karena nilai F ratio lebih kecil dari nilai F tabel.
13. Pooling terhadap faktor tidak signifikan.
Pooling up perhitungan analisis variansi dilakukan untuk memaksimasi
jumlah faktor yang diidentifikasi berpengaruh terhadap respon. Pengujian
dilakukan dengan tingkat kepercayaan 95%. Ada dua tahap pooling up yang
dilakukan, yaitu:
- Melakukan pooling sumber-sumber dengan Mq perlakuan yang lebih kecil
commit to user
dari Mq error
IV-9
- Melakukan pooling sumber-sumber dengan nilai F hitung yang lebih kecil

dari nilai F tabel pada tingkat kepercayaan 95%
Hasil pooled disajikan pada Tabel 4.5 berikut ini,
Tabel 4.5 Analisis Variansi Mean Setelah Pooling
Source pool Sq df Mq F-ratio Sq' rho%
A 62.619 3 20.873 16.223 58.760 34.0%
B 37.784 3 12.595 9.789 33.924 19.7%
C 23.303 3 7.768 6.037 19.443 11.27%
D Y 8.148 3 2.716 - - -
e Y 40.743 35 1.164 - - -
pooled e 48.891 38 1.287 1 60.471 35.0%
St 172.598 47 3.672 172.598 100%
Sm 11218.201 1
ST 11390.799 48
4.2.4 Perhitungan Analisis Variansi Terhadap Nilai SNR
Analysis of signal to noise ratio digunakan untuk mengetahui tingkat
sensitivitas dari karakteristik kualitas yang diukur terhadap faktor gangguan.
Perhitungan untuk mencari faktor yang berpengaruh pada variasi karakteristik
kualitas, dilakukan dengan transformasi data ke rasio signal to noise, analisis
variansi data transformasi dan polling up hasil analisis variansi data transformasi.
Signal to Noise Ratio yang dipilih adalah larger the better karena jenis karakteristik
kualitas untuk nilai hambat panas semakin besar semakin baik. Langkah-langkah
dalam perhitungan analisis variansi untuk SNR larger the better, sebagai berikut:
1. Menghitung nilai SNR
𝑛
1 1
𝑆𝑁𝐿𝑇𝐵 = −10 𝐿𝑜𝑔 [ ∑ ( 2 )]
𝑛 𝑦𝑖
𝑖=1
dengan;
n : jumlah pengulangan eksperimen
yi : data pengamatan ke-i (I = 1,2,3,…n)
Perhitungan SNR untuk hasil eksperimen 1.
1 1 1 1
𝑆𝑁1 = −10 𝐿𝑜𝑔 [ ( + + )]
3 14,8042 14,8232 13,4582
= 32,695
Hasil perhitungan SNR disajikan pada Tabel 4.6 berikut ini.
commit to user
IV-10
Tabel 4.6 Perhitungan Signal to Noise Ratio

Faktor dan Level Nilai Hambat Panas
Kepadatan Perendaman R-1 R-2 R-3 SNR
1 5% mesh 20 3:4 Boraks 14.804 14.823 13.458 32.695
2 5% mesh 30 4:4 Aquades 14.369 14.312 14.237 32.653
4 5% mesh 50 6:4 NaOH 12.856 14.161 11.785 31.802
6 7.5% mesh 30 3:4 NaOH 13.235 14.464 14.369 32.486
7 7.5% mesh 40 6:4 Boraks 16.323 14.539 18.032 33.818
8 7.5% mesh 50 5:4 Aquades 11.754 12.891 14.237 31.821
9 10% mesh 20 5:4 NaOH 16.428 18.505 21.175 35.027
11 10% mesh 40 3:4 Aquades 14.426 14.445 14.426 32.729
12 10% mesh 50 4:4 Boraks 16.386 16.491 16.617 33.891
13 12.5% mesh 20 6:4 Aquades 16.449 18.458 18.387 34.545
14 12.5% mesh 30 5:4 Boraks 16.365 16.365 16.386 33.824
15 12.5% mesh 40 4:4 NaOH 16.092 16.176 16.260 33.720
2. Menghitung nilai rata-rata signal to noise ratio setiap level faktor. Contoh
perhitungan untuk faktor A level 1:
32,695 + 32,653 + 32,173 + 31,802
𝑠𝑛𝐴1 = = 32,331
4
Hasil perhitungan nilai rata-rata SNR setiap level disajikan pada Tabel 4.7.
Tabel 4.7 Tabel respon untuk SNR Hambat Panas Eksperimen Taguchi
A B C D
Level 1 32.331 33.878 32.563 33.557
Level 2 32.843 33.302 33.377 32.937
Level 3 33.973 33.110 33.211 33.001
Level 4 33.608 32.464 33.603 33.259
Selisih 1.643 1.414 1.040 0.620
Ranking 1 2 3 4
Berikut ini pada Gambar 4.4 merupakan response graph untuk nilai SNR:
Gambar 4.4 Response graph untuk SNR eksperimen Taguchi

commit to user
IV-11
Berdasarkan Gambar 4.4 dapat dilihat bahwa faktor A yang mempunyai SNR
yang lebih tinggi adalah level 3, faktor B yang mempunyai SNR yang lebih tinggi
adalah level 1, faktor C yang mempunyai SNR lebih tinggi adalah level 4,
sedangkan faktor D yang mempunyai SNR lebih tinggi adalah level 1. SNR yang
lebih tinggi menunjukkan bahwa nilai variansinya minimum, sehingga noise yang
dihasilkan lebih kecil.
3. Menghitung nilai total sum of square.
Perhitungan total sum of square dengan menggunakan rumus,
𝑆𝑇 = ∑ 𝑠𝑛𝑖2
𝑆𝑇 = 32,6952 + 32,6532 + ⋯ + 32,3412

𝑆𝑇 = 17638,278
4. Menghitung sum of square due to mean dengan menggunakan rumus,
𝑆𝑚 = 𝑛. 𝑠𝑛2
32,695 + 32,653 + 32,173 + ⋯ + 32,341 2
𝑆𝑚 = 16 𝑥 ( )
16
= 17623,58
5. Menghitung the sum of squares due to the factors.
Contoh perhitungan untuk faktor A adalah sebagai berikut :
2 2 2 2
𝑆𝑠𝑛𝐴 = (𝑛𝐴𝑖1 𝑥𝑠𝑛𝐴1 + 𝑛𝐴𝑖2 𝑥𝑠𝑛𝐴2 + 𝑛𝐴𝑖3 𝑥𝑠𝑛𝐴3 + 𝑛𝐴𝑖4 𝑥𝑠𝑛𝐴4 ) − 𝑆𝑚
= (4 𝑥 32,3312 + 4 𝑥 32,8432 + 4 𝑥 33,9732 + 4 𝑥 33,6082 ) − 17623,582

= 6,588
6. Menghitung the sum of squares due to the error
𝑆𝑒 = 𝑆𝑇 − 𝑆𝑚 − 𝑆𝑠𝑛𝐴 − 𝑆𝑠𝑛𝐵 − 𝑆𝑠𝑛𝐶 − 𝑆𝑠𝑛𝐷
= 17638,278 − 17623,582 − 6,588 − 4,080 − 2,397 − 0,957
= 0,675
7. Menghitung the mean sum of squares
𝑆𝑞𝑠𝑛𝐴
𝑀𝑞𝑠𝑛𝐴 =
𝑣𝐴
6,588
=
3
= 2,196 commit to user
IV-12
8. Menghitung F-ratio
𝑀𝑞𝐴
𝐹𝐴 =
𝑀𝑞𝑒
2,196
=
0,225
= 9,764
9. Menghitung pure sum of squares.
𝑆𝑠𝑛𝐴1 = 𝑆𝑞. 𝑠𝑛𝐴 − (𝑣𝐴 𝑥 𝑀𝑞𝑒)
= 6,588 − (3 𝑥 0,225)
= 5,913
10. Menghitung percent contribution
𝑆𝐴1
𝜌𝐴 = 𝑥 100%
𝑆𝑡
5,913
= 𝑥 100%
14,697
= 40,23 %
11. Membuat rekapitulasi tabel analysis of variance (SNR) sebelum pooling up
seperti pada Tabel 4.8.
Tabel 4.8 Analisis Variansi SNR Sebelum Pooling
Source Sq df Mq F-ratio Sq' rho%
A 6.588 3 2.196 9.764 5.913 40.23%
B 4.080 3 1.360 6.047 3.405 23.17%
C 2.397 3 0.799 3.553 1.723 11.72%
D 0.957 3 0.319 1.418 0.282 1.92%
e 0.675 3 0.225 3.374 23%
St 14.697 15 0.980 14.697 100%
Sm 17623.582 1
ST 17638.278 16
Dengan memperhatikan hasil di atas, maka perlu dilakukan pooling. Faktor
dengan nilai F-ratio atau mean square terkecil di-pooling ke dalam error. Pada
eksperimen ini faktor-faktor yang di-pooling ke dalam error adalah D karena nilai
commit to user
IV-13
Mq yang terkecil dan percent contribution (% rho) yang rendah, sehingga faktor
tersebut tidak mempunyai pengaruh terhadap variasi karakteristik kualitas.
12. Pooling terhadap faktor tidak signifikan
Selanjutnya dilakukan pooling terhadap faktor yang mempunyai nilai F-ratio
atau mean square terkecil. Faktor-faktor yang akan di-pooling ke dalam error
adalah faktor D. Hasil dari pooling yang dilakukan disajikan pada Tabel 4.9.
Tabel 4.9 Analisis Variansi SNR Setelah Pooling
A 6.588 3 2.196 8.076 5.772 39.27%
B 4.080 3 1.360 5.002 3.264 22.21%
C 2.397 3 0.799 2.939 1.582 10.76%
D 0.957 3 0.319 - - -
pooled e 1.631 6 0.272 1 4.079 27.75%
St 14.697 15 0.980 14.697 100%
Sm 17623.582 1
ST 17638.278 16
4.2.5 Menentukan Setting Level Optimal Hambat Panas
Dalam upaya mengoptimalkan karakteristik kulitas, sangat penting untuk
menggunakan dua tahap proses optimasi yaitu mengurangi variansi dan mengatur
target sesuai dengan spesifikasi yang diinginkan. Berikut adalah Tabel 4.10 yang
menyatakan perbandingan pengaruh faktor.
Tabel 4.10 Perbandingan Pengaruh Faktor
Faktor ӯ σ Pengaruh Level Terpilih
A 1 1 Rata-rata dan variansi 3 (A3)
B 2 2 Rata-rata dan variansi 1 (B1)
C 3 3 Rata-rata dan variansi 4 (C4)
D X X Tidak berpengaruh 1 (D1)
Berdasarkan dari Tabel 4.10, dihasilkan kombinasi level faktor yang optimal
yaitu A3, B1, dan C4. Penentuan setting level terbaik diprioritaskan pada level-level
faktor yang mempunyai pengaruh yang besar dalam mengurangi variansi
karakteristik kualitas. Sehingga setting level terbaiknya disajikan pada Tabel 4.11.
Tabel 4.11 Level Optimal dalam Eksperimen
Kode Faktor dalam Eksperimen Level Optimal Nilai
A Presentase tepung ketan 3 10%
B Ukuran partikel 1 mesh 20
C Kepadatan 4 6:4
D Perendaman 1 Boraks
commit to user
IV-14
Setelah diperoleh setting level optimal maka dilakukan eksperimen

konfirmasi dengan menggunakan 3 sampel. Hasil data eksperimen konfirmasi
ditampilkan pada Tabel 4.12 berikut ini,
Tabel 4.12 Hasil Eksperimen Konfirmasi
MESH 20
Persen Perekat 10%
Kepadatan 6:4
Perendaman Boraks
Sampel Ke 1 2 3
Qcu 4.231 4.231 4.231
Kspesimen 0.167 0.168 0.170
R 19.072 18.907 18.788
Average R 18.922
Pada spesimen dengan hambat panas terbaik berdasarkan metode Taguchi

dilakukan pengujian bending dan diperoleh hasil yang disajikan pada Tabel 4.13
Tabel 4.13 Hasil Pengujian Bending
Lebar Tebal Area Max Force Bending Strength
Pengulangan Rata-rata
mm mm mm2 N Mpa
1 51 6 306 47.947 5.876
2 51 6 306 45.443 5.569
3 51 6 306 45.476 5.573 5.55
4 51 6 306 35.669 4.471
5 51 6 306 51.194 6.274
Selanjutnya dilakukan perhitungan densitas pada komposit ampas tebu –

tepung ketan pada spesimen hambat panas terbaik berdasar metode Taguchi dan
didapatkan hasil densitas sebesar 0,687 gram/cm3.
4.3 Uji Bending (Uji Ketahanan Lentur)

Pengujian bending merupakan langkah pengujian selanjutnya untuk spesimen
yang telah melalui uji thermal conductivity. Ukuran spesimen untuk uji bending
berdasarkan ASTM D-1037. Spesimen uji bending dibuat sesuai 16 perlakuan
eksperimen yang sebelumnya telah ditentukan. Gambar spesimen uji bending
disajikan pada Gambar 4.5 berikut ini.
commit to user
IV-15
Gambar 4.5 Spesimen uji ketahanan lentur (bending)

Spesimen yang telah dicetak dan di-press diuji dengan mesin uji bending di
Laboratorium Material Teknik Mesin UNS. Pengujian bending komposit dilakukan
dengan menggunakan alat uji bending tipe Universal Testing Machine (UTM)
dengan metode three point bending.
Spesimen uji bending diletakkan diatas mesin bending dengan tiga titik
tumpu. Satu dari atas dan dua dari bawah spesimen. Pada pengujian bending, bagian
atas spesimen akan mengalami tekanan dan bagian bawah akan mengalami
tegangan tarik. Jarak antara dua penumpu dihitung berdasarkan ketentuan SNI
papan serat, yaitu 15 cm. Spesimen yang diuji sebanyak 16 spesimen dengan tiga
kali replikasi. Gambar proses uji bending disajikan pada Gambar 4.6 berikut ini
(a) Sebelum spesimen patah (b) Setelah spesimen patah

Gambar 4.6 Proses Pengujian bending
Pada saat pengujian satuan yang digunakan dalam pembebanan adalah
Newton. Contoh perhitungan untuk mendapatkan nilai MOR sebagai berikut :
3𝐵𝑆
𝑀𝑂𝑅 =
2𝐿𝑇 2
3 𝑥 51,194 𝑥 150
𝑀𝑂𝑅 = = 6,274 𝑀𝑝𝑎
2 𝑥 51 𝑥 62
commit to user
IV-16
Data hasil eksperimen dalam satuan MPa yang merupakan nilai kekuatan
lentur atau Modulus of Rupture (MOR). Gambar 4.7 merupakan contoh grafik
kekuatan beban maksimal yang mampu diterima oleh spesimen bending.
Gambar 4.7 Grafik Hasil Pengujian Bending

Menggunakan cara yang sama diperoleh nilai kekuatan bending komposit
ampas tebu seperti pada Tabel 4.14 berikut ini:
Tabel 4.14 Hasil Nilai Uji Bending Spesimen Ampas Tebu

A B C D R1 R2 R3
1 1 1 1 3.364 2.984 3.047
1 2 2 2 3.451 3.367 3.498
1 3 3 3 3.646 3.559 3.537
1 4 4 4 3.593 3.638 3.708
2 1 2 3 3.928 3.721 3.695
2 2 1 4 4.371 4.196 4.256
2 3 4 1 4.796 4.845 4.882
2 4 3 2 4.586 4.695 4.574
3 1 3 4 4.838 4.753 5.015
3 2 4 3 6.158 6.074 6.178
3 3 1 2 4.415 4.455 4.457
3 4 2 1 5.578 5.597 5.704
4 1 4 2 5.671 5.799 5.863
4 2 3 1 6.342 6.274 6.329
4 3 2 4 6.263 6.188 6.147
4 4 1 3 5.479 5.369 5.455

square). Analisis variansi digunakan untuk mencari faktor-faktor yang
commit to user
IV-17
mencari setting level optimal yang meminimalkan penyimpangan nilai rata-rata.
Tabel 4.15 berikut ini,
Tabel 4.15 Data Hasil Perhitungan Nilai Rata-Rata Respon Bending
Faktor dan Level Nilai Bending
1 5% mesh 20 3:4 Boraks 3.364 2.984 3.047 3.132
2 5% mesh 30 4:4 Aquades 3.451 3.367 3.498 3.438
4 5% mesh 50 6:4 NaOH 3.593 3.638 3.708 3.646
6 7.5% mesh 30 3:4 NaOH 4.371 4.196 4.256 4.274
7 7.5% mesh 40 6:4 Boraks 4.796 4.845 4.882 4.841
8 7.5% mesh 50 5:4 Aquades 4.586 4.695 4.574 4.618
9 10% mesh 20 5:4 NaOH 4.838 4.753 5.015 4.869
11 10% mesh 40 3:4 Aquades 4.415 4.455 4.457 4.442
12 10% mesh 50 4:4 Boraks 5.578 5.597 5.704 5.626
13 12.5% mesh 20 6:4 Aquades 5.671 5.799 5.863 5.778
14 12.5% mesh 30 5:4 Boraks 6.342 6.274 6.329 6.315
15 12.5% mesh 40 4:4 NaOH 6.263 6.188 6.147 6.199
Dari perhitungan nilai rata-rata respon kemudian dilakukan perhitungan

analisis variansi (ANOVA) terhadap nilai mean. Rekapitulasi tabel analisis hasil
perhitungan disajikan pada Tabel 4.16 berikut ini.
Tabel 4.16 Analisis Variansi Mean Nilai Bending
A 41.937 3 13.979 269.445 2.874 41.781 81.57%
B 2.654 3 0.885 17.054 2.874 2.499 4.88%
C 3.794 3 1.265 24.380 2.874 3.639 7.10%
D 1.019 3 0.340 6.548 2.874 0.863 1.69%
e 1.816 35 0.0519 1 2.438 4.8%
St 51.221 47 1.090 51.221 100%
Sm 1086.198 1
ST 1137.419 48
Berdasarkan Tabel 4.14, diketahui bahwa faktor A, B, C dan D memiliki
pengaruh terhadap nilai kekuatan bending. Hal ini dapat dilihat dari nilai F ratio
yang lebih besar dibanding nilai F tabel.
4.3.2 Perhitungan Analisis Variansi (ANOVA) Terhadap Nilai SNR
commit to user
IV-18

Signal to Noise Ratio yang dipilih adalah larger the better.
𝑛
1 1
𝑆𝑁𝐿𝑇𝐵 = −10 𝐿𝑜𝑔 [ ∑ ( 2 )]
𝑛 𝑦𝑖
𝑖=1
dengan;
1 1 1 1
𝑆𝑁1 = −10 𝐿𝑜𝑔 [ ( 2
+ 2
+ )]
3 3,364 2,984 3,0472
= 19,470
Perhitungan SNR untuk eksperimen ke-2 hingga ke-16 menggunakan
langkah yang sama dengan perhitungan di atas. Hasil perhitungan SNR disajikan
pada Tabel 4.17 berikut ini,
Tabel 4.17 Perhitungan Signal to Noise Ratio Nilai Bending
Faktor dan Level Nilai Bending
1 5% mesh 20 3:4 Boraks 3.364 2.984 3.047 19.470
2 5% mesh 30 4:4 Aquades 3.451 3.367 3.498 20.271
4 5% mesh 50 6:4 NaOH 3.593 3.638 3.708 20.780
6 7.5% mesh 30 3:4 NaOH 4.371 4.196 4.256 22.161
7 7.5% mesh 40 6:4 Boraks 4.796 4.845 4.882 23.241
8 7.5% mesh 50 5:4 Aquades 4.586 4.695 4.574 22.833
9 10% mesh 20 5:4 NaOH 4.838 4.753 5.015 23.293
11 10% mesh 40 3:4 Aquades 4.415 4.455 4.457 22.495
12 10% mesh 50 4:4 Boraks 5.578 5.597 5.704 24.547
13 12.5% mesh 20 6:4 Aquades 5.671 5.799 5.863 24.778
14 12.5% mesh 30 5:4 Boraks 6.342 6.274 6.329 25.550
15 12.5% mesh 40 4:4 NaOH 6.263 6.188 6.147 25.390
Dari perhitungan nilai SNR kemudian dilakukan perhitungan analisis variansi

(ANOVA) terhadap nilai SNR. Rekapitulasi tabel analisis hasil perhitungan
disajikan pada Tabel 4.18 berikut ini.
commit to user
IV-19

A 50.176 3 16.725 48.195 49.135 82.41%
B 3.061 3 1.020 2.940 2.020 3.39%
C 4.307 3 1.436 4.137 3.265 5.48%
D 0.760 3 0.253 - - -
pooled e 2.082 6 0.347 1 5.206 8.73%
St 59.626 15 3.975 59.626 100%
Sm 8375.744 1
ST 8435.370 16
4.3.3 Menentukan Setting Level Optimal Nilai Bending

mengurangi variansi dan mengatur target sesuai spesifikasi yang diinginkan.
Berikut adalah Tabel 4.19 yang menyatakan perbandingan pengaruh faktor.
D 4 X Tidak berpengaruh 1 (D1)
A Presentase tepung ketan 4 12.5%
C Kepadatan 4 6:4
4.4 Perhitungan Densitas

Pengujian fisis massa jenis dilakukan berdasarkan standar ASTM D-3800.
Pada perhitungan densitas, jenis liquid yang digunakan adalah aquadest yang
memiliki massa jenis sebesar 0,9797 gr/ml. Berikut adalah contoh perhitungan
densitas spesimen 2 pada replikasi pertama.
𝐺𝑎𝑦𝑎 𝑎𝑝𝑢𝑛𝑔 = 𝜌𝑚 𝑥 𝑣𝑜𝑙𝑢𝑚𝑒 𝑠𝑝𝑒𝑠𝑖𝑚𝑒𝑛
commit to user
IV-20
= 0,9797 𝑥 10,75
= 10,534
𝑀𝑢 𝑥 𝜌𝑚
𝜌𝑓 =
𝑀𝑢 − 𝑀𝑚
𝑀𝑢 𝑥 𝜌𝑚
𝜌𝑓 =
𝐺𝑎𝑦𝑎 𝑎𝑝𝑢𝑛𝑔
5,24 𝑥 0,9797
𝜌𝑓 = = 0,487 𝑔𝑟𝑎𝑚/𝑚𝑙
10,534
Menggunakan cara yang sama diperoleh nilai densitas komposit ampas tebu
seperti pada Tabel 4.21 berikut ini:
Tabel 4.21 Hasil Nilai Densitas Spesimen Ampas Tebu

A B C D R1 R2 R3
1 1 1 1 0.372 0.385 0.371
1 2 2 2 0.487 0.469 0.488
1 3 3 3 0.617 0.645 0.625
1 4 4 4 0.605 0.625 0.586
2 1 2 3 0.449 0.447 0.478
2 2 1 4 0.488 0.469 0.479
2 3 4 1 0.684 0.675 0.664
2 4 3 2 0.645 0.645 0.684
3 1 3 4 0.703 0.684 0.645
3 2 4 3 0.694 0.676 0.703
3 3 1 2 0.547 0.566 0.605
3 4 2 1 0.645 0.625 0.645
4 1 4 2 0.719 0.694 0.731
4 2 3 1 0.686 0.695 0.710
4 3 2 4 0.713 0.645 0.684
4 4 1 3 0.566 0.597 0.625

square). Analisis variansi digunakan untuk mencari faktor-faktor yang
mencari setting level optimal yang meminimalkan penyimpangan nilai rata-rata.
Tabel 4.22 berikut ini, commit to user
IV-21
Tabel 4.22 Data Hasil Perhitungan Nilai Rata-Rata Respon

Faktor dan Level Nilai Densitas
1 5% mesh 20 3:4 Boraks 0.372 0.385 0.371 0.376
2 5% mesh 30 4:4 Aquades 0.487 0.469 0.488 0.481
4 5% mesh 50 6:4 NaOH 0.605 0.625 0.586 0.605
6 7.5% mesh 30 3:4 NaOH 0.488 0.469 0.479 0.479
7 7.5% mesh 40 6:4 Boraks 0.684 0.675 0.664 0.674
8 7.5% mesh 50 5:4 Aquades 0.645 0.645 0.684 0.658
9 10% mesh 20 5:4 NaOH 0.703 0.684 0.645 0.677
11 10% mesh 40 3:4 Aquades 0.547 0.566 0.605 0.573
12 10% mesh 50 4:4 Boraks 0.645 0.625 0.645 0.638
13 12.5% mesh 20 6:4 Aquades 0.719 0.694 0.731 0.715
14 12.5% mesh 30 5:4 Boraks 0.686 0.695 0.710 0.697
15 12.5% mesh 40 4:4 NaOH 0.713 0.645 0.684 0.680
Dari perhitungan nilai rata-rata respon kemudian dilakukan perhitungan

analisis variansi (ANOVA) terhadap nilai mean. Rekapitulasi tabel analisis hasil
perhitungan disajikan pada Tabel 4.23 berikut ini.
Tabel 4.23 Analisis Variansi Mean
A 0.170 3 0.057 102.805 2.874 0.169 35.49%
B 0.050 3 0.017 30.187 2.874 0.048 10.17%
C 0.233 3 0.078 140.803 2.874 0.232 48.73%
D 0.002 3 0.001 1.407 2.874 0.001 0.14%
e 0.019 35 0.0006 1 0.026 5.46%
St 0.475 47 0.010 0.475 100%
Sm 17.380 1
ST 17.855 48
4.4.2 Perhitungan Analisis Variansi (ANOVA) Terhadap Nilai SNR
Signal to Noise Ratio yang dipilih adalah larger the better.
𝑛
1 1
𝑆𝑁𝐿𝑇𝐵 = −10 𝐿𝑜𝑔 [ ∑ ( 2 )]
𝑛 𝑦𝑖
𝑖=1
commit to user
dengan;
IV-22

1 1 1 1
𝑆𝑁1 = −10 𝐿𝑜𝑔 [ ( 2
+ 2
+ )]
3 0,372 0,385 0,3712
= 1,049
Hasil perhitungan SNR untuk eksperimen ke-1 hingga ke-16 disajikan pada
Tabel 4.24 berikut ini.
Tabel 4.24 Perhitungan Signal to Noise Ratio
Faktor dan Level Nilai Densitas
1 5% mesh 20 3:4 Boraks 0.372 0.385 0.371 1.049
2 5% mesh 30 4:4 Aquades 0.487 0.469 0.488 3.193
4 5% mesh 50 6:4 NaOH 0.605 0.625 0.586 5.187
6 7.5% mesh 30 3:4 NaOH 0.488 0.469 0.479 3.146
7 7.5% mesh 40 6:4 Boraks 0.684 0.675 0.664 6.119
8 7.5% mesh 50 5:4 Aquades 0.645 0.645 0.684 5.904
9 10% mesh 20 5:4 NaOH 0.703 0.684 0.645 6.161
11 10% mesh 40 3:4 Aquades 0.547 0.566 0.605 4.712
12 10% mesh 50 4:4 Boraks 0.645 0.625 0.645 5.640
13 12.5% mesh 20 6:4 Aquades 0.719 0.694 0.731 6.626
14 12.5% mesh 30 5:4 Boraks 0.686 0.695 0.710 6.408
15 12.5% mesh 40 4:4 NaOH 0.713 0.645 0.684 6.203
Dari perhitungan nilai SNR kemudian dilakukan perhitungan analisis variansi

(ANOVA) terhadap nilai SNR. Rekapitulasi tabel analisis hasil perhitungan
disajikan pada Tabel 4.25 berikut ini.
Tabel 4.25 Analisis Variansi SNR Sebelum Pooling
A 14.083 3 4.694 24.969 13.519 34.34%
B 5.519 3 1.840 9.785 4.955 12.59%
C 18.848 3 6.283 33.416 18.284 46.45%
D 0.349 3 0.116 0.619 -0.215 -0.55%
e 0.564 3 0.188 2.820 7.16%
St 39.364 15 2.624 39.364 100%
Sm 400.236 1
ST 439.600 16
Selanjutnya dilakukan pooling terhadap faktor yang mempunyai nilai F-ratio

atau mean square terkecil. Faktor-faktor yang akan di-pooling ke dalam error
commit to user
IV-23
adalah faktor D karena nilai Mq yang terkecil dan percent contribution (% rho)
yang rendah. Hasil dari pooling yang dilakukan disajikan pada Tabel 4.26.
A 14.083 3 4.694 30.849 13.627 34.62%
B 5.519 3 1.840 12.090 5.063 12.86%
C 18.848 3 6.283 41.287 18.392 46.72%
D 0.349 3 0.116 - - -
pooled e 0.913 6 0.152 1 2.283 5.80%
St 39.364 15 2.624 39.364 100%
Sm 400.236 1
ST 439.600 16
4.4.3 Menentukan Setting Level Optimal Nilai Densitas

mengurangi variansi dan mengatur target sesuai spesifikasi yang diinginkan.
Berikut adalah Tabel 4.27 yang menyatakan perbandingan pengaruh faktor.
D X X Tidak berpengaruh 4 (D4)
C Kepadatan 4 6:4
D Perendaman 4 NaOH
4.5 Menghitung PCR-TOPSIS Karakteristik Kualitas

PCR-TOPSIS digunakan untuk menganalisis data multirespon dan
menerapkannya dalam mengoptimasi setting level faktor karakteristik kualitas.
commit to user
IV-24
4.5.1 Menghitung Signal To Noise Ratio (SNR)

Hasil perhitungan Signal to Noise Ratio untuk karakteristik kualitas hambat
panas, kekuatan bending dan densitas selengkapnya disajikan pada Tabel 4.29.
Tabel 4.29 Hasil Perhitungan S/N Ratio Hambat Panas, Bending dan Densitas
Outter Array
No SNR
Hambat Panas Kekuatan Bending Densitas
1 32.695 19.470 1.049
2 32.653 20.271 3.193
3 32.173 20.622 5.517
4 31.802 20.780 5.187
5 33.245 21.098 2.768
6 32.486 22.161 3.146
7 33.818 23.241 6.119
8 31.821 22.833 5.904
9 35.027 23.293 6.161
10 34.245 25.301 6.334
11 32.729 22.495 4.712
12 33.891 24.547 5.640
13 34.545 24.778 6.626
14 33.824 25.550 6.408
15 33.720 25.390 6.203
16 32.341 24.246 5.056
4.5.2 Menghitung PCR-SNR untuk Setiap Percobaan
Rumus perhitungan PCR-SNR untuk karakteristik kualitas hambat panas
adalah :
− 𝑖 −
𝜂𝑗𝑖 − 𝑋 − ∑𝑚 𝑖 ∑𝑚
𝑖=1(𝜂𝑗 − 𝑋 )
2
𝑖=1 𝜂𝑗
𝐶𝑗𝑖 = √
𝜂𝑗 𝜂𝑗
= ; 𝑋 𝜂𝑗 = ; 𝑠𝜂𝑗
3𝑠𝜂𝑗 𝑚−1 𝑚−1
Contoh perhitungan rata-rata SNR karakteristik kualitas nilai hambat panas :
− (32,695 + 32,653 + ⋯ + 32,341)

𝑋 𝜂𝑗 = (16 − 1)
− 531,015
𝑋 𝜂𝑗 =
15
−
𝑋 𝜂𝑗 = 35,401
Contoh perhitungan manual standar deviasi PCR-SNR karakteristik kualitas
hambat panas:
commit to user
IV-25
(32,695 − 35,401)2 + ⋯ + (32,341 − 35,401)2

𝑠𝜂𝑗 = √
(16 − 1)
𝑠𝜂𝑗 = √6,202
𝑠𝜂𝑗 = 2,490
Contoh perhitungan manual PCR-SNR untuk karakteristik kualitas hambat panas
eksperimen ke-1 adalah :
(32,695 − 35,401)
𝐶𝑗𝑖 =
(3 𝑥 2,490)
𝐶𝑗𝑖 = −0,362
Hasil perhitungan PCR-SNR untuk karakteristik kualitas hambat panas
dijelaskan pada Tabel 4.30.
Tabel 4.30 Perhitungan PCR-SNR Karakteristik Kualitas Hambat Panas
No Eks 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PCR-SNR -0.362 -0.368 -0.432 -0.482 -0.289 -0.390 -0.212 -0.479 -0.050 -0.155 -0.358 -0.202 -0.115 -0.211 -0.225 -0.410
Contoh perhitungan rata-rata SNR karakteristik kualitas nilai bending :

− (19,470 + 20,271 + ⋯ + 24,246)
𝑋 𝜂𝑗 =
(16 − 1)
− 366,076
𝑋 𝜂𝑗 = 15
−
𝑋 𝜂𝑗 = 24,405
Contoh perhitungan manual standar deviasi PCR-SNR karakteristik kualitas
bending:
(19,470 − 24,405)2 + ⋯ + (24,246 − 24,405)2

𝑠𝜂𝑗 = √
(16 − 1)
𝑠𝜂𝑗 = √6,457
𝑠𝜂𝑗 = 2,541
Contoh perhitungan manual PCR-SNR untuk karakteristik kualitas nilai bending
(19,470 − 24,405)
𝐶𝑗𝑖 =
(3 𝑥 2,541)
𝐶𝑗𝑖 = −0,647 commit to user
IV-26
Hasil perhitungan PCR-SNR untuk karakteristik kualitas nilai bending

Tabel 4.31 Perhitungan PCR-SNR Karakteristik Kualitas Nilai Bending
No Eks 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PCR-SNR -0.647 -0.542 -0.496 -0.476 -0.434 -0.294 -0.153 -0.206 -0.146 0.118 -0.251 0.019 0.049 0.150 0.129 -0.021
Contoh perhitungan manual rata-rata SNR karakteristik kualitas densitas :

− (1,049 + 3,193 + ⋯ + 5,056)
𝑋 𝜂𝑗 = (16 − 1)
− 80,024
𝑋 𝜂𝑗 =
15
−
𝑋 𝜂𝑗 = 5,335
Contoh perhitungan manual standar deviasi karakteristik kualitas densitas :
(1,049 − 5,335)2 + ⋯ + (5,056 − 5,335)2

𝑠𝜂𝑗 = √
(16 − 1)
𝑠𝜂𝑗 = √2,743
𝑠𝜂𝑗 = 1,656
Contoh perhitungan manual PCR-SNR untuk karakteristik kualitas densitas
(1,049 − 5,335)
𝐶𝑗𝑖 =
(3 𝑥 1,656)
𝐶𝑗𝑖 = −0,863
Hasil perhitungan PCR-SNR karakteristik kualitas densitas dijelaskan pada
Tabel 4.32.
Tabel 4.32 Perhitungan PCR-SNR Karakteristik Kualitas Densitas
No Eks 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PCR-SNR -0.863 -0.431 0.037 -0.030 -0.517 -0.441 0.158 0.115 0.166 0.201 -0.125 0.061 0.260 0.216 0.175 -0.056
4.5.3 Menghitung TOPSIS dari Hasil PCR-SNR

Rumus perhitungan TOPSIS dari PCR-SNR adalah :
𝑑𝑖−
𝑆𝑖 = ; 𝑑 𝑖+ = √∑𝑛𝑗=1(𝐶𝑗𝑖 − 𝐶𝑗+ )2 ;
𝑑𝑖+ + 𝑑𝑖−
commit to user
IV-27
𝑑 𝑖− = √∑(𝐶𝑗𝑖 − 𝐶𝑗− )2
𝑗=1
Contoh perhitungan PCR-TOPSIS eksperimen ke-1 adalah :

𝑑 𝑖+ = √(−0,362 − (−0,050)2 + (−0,647 − 0,150)2 + (−0,863 − 0,260)2
= √1,994
= 1,412
𝑑𝑖− = √(−0,362 − (−0,482)2 + (−0,647 − (−0,647)2 + (−0,863 − (−0,863)2
= √0,0143
= 0,120
0,120
𝑆𝑖 =
1,412 + 0,120
= 0,078
Hasil perhitungan PCR-TOPSIS untuk eksperimen ke-1 hingga ke-16
Tabel 4.33 Perhitungan PCR-TOPSIS
PCR-SNR
PCR-TOPSIS (Si)
No Hambat Panas Bending Densitas di+ di-
1 -0.362 -0.647 -0.863 1.412 0.120 0.078
2 -0.368 -0.542 -0.431 1.029 0.458 0.308
3 -0.432 -0.496 0.037 0.783 0.913 0.538
4 -0.482 -0.476 -0.030 0.814 0.850 0.511
5 -0.289 -0.434 -0.517 1.000 0.450 0.310
6 -0.390 -0.294 -0.441 0.897 0.558 0.383
7 -0.212 -0.153 0.158 0.358 1.166 0.765
8 -0.479 -0.206 0.115 0.576 1.072 0.650
9 -0.050 -0.146 0.166 0.311 1.223 0.798
10 -0.155 0.118 0.201 0.124 1.350 0.916
11 -0.358 -0.251 -0.125 0.635 0.846 0.571
12 -0.202 0.019 0.061 0.283 1.173 0.806
13 -0.115 0.049 0.260 0.120 1.371 0.920
14 -0.211 0.150 0.216 0.167 1.368 0.891
15 -0.225 0.129 0.175 0.196 1.321 0.871
16 -0.410 -0.021 -0.056 0.508 1.024 0.668
Hasil dari nilai PCR-TOPSIS dianalisis sebagai variabel respon baru yang mewakili
commit
tiga respon dari nilai hambat panas, to user bending, dan nilai densitas.
nilai kekuatan
IV-28
4.5.4 Menentukan Persentase Kontribusi dari Faktor-Faktor yang

Signifikan dalam Multirespon
ANOVA pada PCR-TOPSIS dicari untuk mengetahui faktor yang
berpengaruh secara signifikan terhadap variansi ketiga karakteristik kualitas
tersebut. ANOVA untuk PCR-TOPSIS dijelaskan pada Tabel 4.34.
Tabel 4.34 Perhitungan ANOVA PCR-TOPSIS
A 216.934 3 72.311 11.041 197.286 43.31%
B 71.385 3 23.795 3.633 51.736 11.36%
C 133.162 3 44.387 6.777 113.513 24.92%
D 14.348 3 4.783 0.730 5.301 1.16%
e 19.649 3 6.550 87.642 19.2%
St 455.478 15 30.365 455.478 100%
Sm 441.350 1
ST 896.828 16
Faktor-faktor yang akan di-pooling ke dalam error adalah faktor D karena

nilai Mq yang terkecil dan percent contribution (% rho) yang rendah. Hasil dari
pooling yang dilakukan disajikan pada Tabel 4.35.
Tabel 4.35 Perhitungan ANOVA PCR-TOPSIS Setelah Pooling
A 216.934 3 72.311 12.762 199.936 43.90%
B 71.385 3 23.795 4.200 54.387 11.94%
C 133.162 3 44.387 7.834 116.164 25.50%
D 14.348 3 4.783 - - -
pooled e 33.997 6 5.666 1 84.992 18.66%
St 455.478 15 30.365 455.478 100%
Sm 441.350 1
ST 896.828 16
Berdasarkan Tabel 4.35 dapat diketahui bahwa faktor A (presentase tepung

ketan), faktor B (ukuran partikel) dan faktor C (kepadatan) berpengaruh secara
signifikan terhadap variansi karakteristik kualitas hambat panas, kekuatan bending
dan densitas.
4.5.5 Penentuan Kondisi Optimal
Setting level faktor optimal dengan Metode PCR-TOPSIS dihitung
berdasarkan tabel rekapitulasi PCR-TOPSIS seperti pada Tabel 4.36.
commit to user
IV-29
Tabel 4.36 Rekapitulasi PCR-TOPSIS

Faktor dan Level PCR-TOPSIS
Kepadatan Perendaman Si
1 5% mesh 20 3:4 Boraks 0.078
2 5% mesh 30 4:4 Aquades 0.308
3 5% mesh 40 5:4 Tanpa Perendaman 0.538
4 5% mesh 50 6:4 NaOH 0.511
5 7.5% mesh 20 4:4 Tanpa Perendaman 0.310
6 7.5% mesh 30 3:4 NaOH 0.383
7 7.5% mesh 40 6:4 Boraks 0.765
8 7.5% mesh 50 5:4 Aquades 0.650
9 10% mesh 20 5:4 NaOH 0.798
10 10% mesh 30 6:4 Tanpa Perendaman 0.916
11 10% mesh 40 3:4 Aquades 0.571
12 10% mesh 50 4:4 Boraks 0.806
13 12.5% mesh 20 6:4 Aquades 0.920
14 12.5% mesh 30 5:4 Boraks 0.891
15 12.5% mesh 40 4:4 NaOH 0.871
16 12.5% mesh 50 3: 4 Tanpa Perendaman 0.668
Contoh perhitungan untuk faktor A level 1
0,078 + 0,308 + 0,538 + 0,511
𝐴1 = = 0,359
4
Level faktor yang dipilih adalah level yang memberikan nilai rata-rata PCR-
TOPSIS terbesar. Tabel respon PCR-TOPSIS dijelaskan pada Tabel 4.37.
Tabel 4.37 Tabel Respon PCR-TOPSIS
A B C D
Level 1 0.359 0.526 0.425 0.641
Level 2 0.527 0.625 0.574 0.612
Level 3 0.773 0.686 0.719 0.608
Level 4 0.837 0.659 0.778 0.635
Selisih 0.479 0.160 0.353 0.033
Ranking 1 3 2 4
Berikut ini pada Gambar 4.8 merupakan response graph untuk nilai PCR-TOPSIS:
commit to user
Gambar 4.8 Response graph untuk PCR-TOPSIS
IV-30
Berdasarkan Tabel 4.37 dan Gambar 4.8, dapat diketahui bahwa faktor A nilai
tertinggi pada level 4, faktor B nilai tertinggi pada level 3, faktor C nilai tertinggi
pada level 4 dan faktor D pada level 1.
Dalam menentukan setting level optimal dilihat dari perbandingan pengaruh
faktor berdasarkan variansinya seperti yang disajikan pada Tabel 4.38.
Faktor σ Pengaruh Level Terpilih
A 1 variansi 4 (A4)
B 3 variansi 3 (B3)
C 2 variansi 4 (C4)
D X Tidak berpengaruh 1 (D1)
Berdasarkan Tabel 4.38, dihasilkan kombinasi level faktor yang optimal yaitu
A4, B3 dan C4. Penentuan setting level terbaik diprioritaskan pada level-level
faktor yang mempunyai pengaruh besar dalam mengurangi variansi karakteristik
kualitas. Sehingga pemilihan setting level terbaiknya disajikan pada Tabel 4.39
C Kepadatan 4 6:4
Setting level faktor optimal PCR-TOPSIS untuk karakteristik kualitas nilai
hambat panas, kekuatan bending, dan densitas secara simultan dapat dicapai pada
faktor presentase tepung ketan sebanyak 12.5%, ukuran partikel pada mesh 40,
kepadatan 6:4, dan serat sebelumnya diberi perlakuan perendaman boraks 5%.
4.6 Tahap Verifikasi

Pada tahap verifikasi dilakukan eksperimen konfirmasi. Eksperimen
konfirmasi merupakan eksperimen yang dijalankan pada kombinasi level faktor
terbaik yang dipilih berdasarkan hasil yang didapat dari eksperimen sebelumnya.
Tujuannya untuk menguji nilai prediksi setting level faktor pada kondisi optimal.
Jika hasil eksperimen konfirmasi dapat menguji hasil prediksi, maka setting level
optimal dapat disimpulkan telah memenuhi persyaratan dalam eksperimen.
commit to user
IV-31
4.6.1 Eksperimen Konfirmasi

Eksperimen konfirmasi dilakukan dengan menggunakan 3 sampel dan
dilakukan berdasarkan level faktor pada kondisi optimal.
Hasil data eksperimen konfirmasi ditampilkan pada Tabel 4.40 berikut ini,
Tabel 4.40 Hasil Eksperimen Konfirmasi Nilai Hambat Panas
MESH 40
Persen Perekat 12.5%
Kepadatan 6:4
Perendaman Boraks
Sampel Ke 1 2 3
Qcu 4.760 4.760 4.760
Kspesimen 0.190 0.191 0.190
R 16.785 16.659 16.764
Average R 16.736
Pada eksperimen konfirmasi di atas, banyaknya pengamatan yang diambil

memiliki jumlah kuantitatif yang cukup representative. Banyaknya data
pengamatan dinyatakan dalam persamaan berikut :
2
𝑘⁄ √𝑁 ∑ 𝑋 2 − (∑ 𝑋 )2
𝑠 𝑖 𝑖
𝑁1 =
∑ 𝑋𝑖
( )
2
1,96⁄ √3 𝑥 840,275 − 2520,798
0,05
𝑁1 = ( ) = 0,017
50,208
Nilai N = 3, sedangkan nilai N1 = 0,017. Data pengamatan yang dilakukan cukup

karena nilai N > N1, dengan tingkat kepercayaan dalam pengamatan sebesar 95%
dan derajat ketelitian dalam pengamatan sebesar 5%.
Hasil dari data uji hambat panas pada eksperimen konfirmasi selanjutnya
dihitung nilai rata-rata dan standar deviasinya, sebagai berikut:
1. Rata-rata hasil uji hambat panas
𝑛
1
𝜇 = ∑ 𝑦𝑖
𝑛
𝑖=1
1
= (16,785 + 16,659 + 16,764)
3
= 16,736 0C/W
commit to user
IV-32
2. Standar deviasi uji hambat panas
∑(𝑥 − 𝜇)2
𝜎=√
(𝑛 − 1)
(16,785 − 16,736)2 + (16,659 − 16,736)2 + (16,764 − 16,736)2

=√
2
= 0,07 0C/W
3. Perhitungan SNR untuk hasil eksperimen konfirmasi
𝑛
1 1
𝑆𝑁𝐿𝑇𝐵 = −10 𝐿𝑜𝑔 [ ∑ ( 2 )]
𝑛 𝑦𝑖
𝑖=1
1 1 1 1
𝑆𝑁1 = −10 𝐿𝑜𝑔 [ ( + + )]
3 16,7852 16,6592 16,7642
= 34,015
Hasil data eksperimen konfirmasi untuk bending dalam satuan MPa yang
merupakan nilai kekuatan lentur atau Modulus of Rupture (MOR). Berikut pada
Table 4.41 merupakan hasil yang didapatkan dari pengujian bending.
Tabel 4.41 Hasil Eksperimen Konfirmasi Nilai Kekuatan Bending
Lebar Tebal Area Max Force Bending Strength Standar
Pengulangan Rata-rata
mm mm mm2 N Mpa Deviasi
1 51 6 306 52.738 6.463
2 51 6 306 53.154 6.514
3 51 6 306 51.832 6.352 6.378 0.122459
4 51 6 306 51.963 6.368
5 51 6 306 50.551 6.195

2
𝑘⁄ √𝑁 ∑ 𝑋 2 − (∑ 𝑋 )2
𝑠 𝑖 𝑖
𝑁1 =
∑ 𝑋𝑖
( )
2
1,96⁄ √5 𝑥 203,480 − 1017,100
0,05
𝑁1 = ( ) = 0,453
31,892
commit to user
IV-33

Hasil dari data uji kekuatan bending pada eksperimen konfirmasi
selanjutnya dihitung nilai rata-rata dan standar deviasinya, sebagai berikut:
1. Rata-rata hasil uji bending
𝑛
1
𝜇 = ∑ 𝑦𝑖
𝑛
𝑖=1
1
= (6,463 + 6,514 + 6,352 + 6,368 + 6,195)
5
= 6,378 MPa
2. Standar deviasi uji bending
∑(𝑥 − 𝜇)2
𝜎=√
(𝑛 − 1)
(6,463 − 6,378)2 + (6,514 − 6,378 )2 + (6,352 − 6,378 )2 + (6,368 − 6,378 )2 + (6,195 − 6,378 )2
=√
4
= 0,122 MPa
𝑛
1 1
𝑆𝑁𝐿𝑇𝐵 = −10 𝐿𝑜𝑔 [ ∑ ( 2 )]
𝑛 𝑦𝑖
𝑖=1
1 1 1 1 1 1
𝑆𝑁1 = −10 𝐿𝑜𝑔 [ ( 2
+ 2
+ 2
+ 2
+ )]
5 6,463 6,514 6,352 6,368 6,1952
= 27,856
Berdasarkan hasil perhitungan MOR dengan melakukan lima kali replikasi,

didapatkan nilai rata-rata MOR sebesar 6,378 MPa. Hasil tersebut dalam standard
ANSI A208.1-1999 mengenai particleboard termasuk dalam kelas LD-2 yaitu
dengan spesifikasi nilai MOR minimum 5,0 MPa. Jenis tersebut dapat digunakan
sebagai core papan partikel.
Hasil data eksperimen konfirmasi dalam satuan gram/ml yang merupakan
nilai densitas pada komposit. Berikut pada Tabel 4.42 merupakan hasil yang
didapatkan dari perhitungan densitas.
commit to user
IV-34
Tabel 4.42 Hasil Pengujian Densitas

Berat Spesimen di Gaya Apung (Mu- Volume Spesimen Massa Jenis Liquid Massa Jenis
Pengulangan Rata-rata Standar
Udara (gram) Mm) (ml) (gr/ml) Spesimen (gr/ml) Deviasi
1 8.13 10.534 10.75 0.9797 0.756
2 8.37 10.728 10.95 0.9797 0.764
3 7.93 10.534 10.75 0.9797 0.738 0.754 0.01
4 8.07 10.534 10.75 0.9797 0.751
5 8.46 10.919 11.15 0.9797 0.759

2
𝑘⁄ √𝑁 ∑ 𝑋 2 − (∑ 𝑋 )2
𝑠 𝑖 𝑖
𝑁1 =
∑ 𝑋𝑖
( )
2
1,96⁄ √5 𝑥 2,840 − 14,198
0,05
𝑁1 = ( ) = 0,213
3,768

Hasil dari data uji densitas pada eksperimen konfirmasi selanjutnya dihitung
nilai rata-rata dan standar deviasinya, sebagai berikut:
1. Rata-rata hasil densitas
𝑛
1
𝜇 = ∑ 𝑦𝑖
𝑛
𝑖=1
1
= (0,756 + 0,764 + 0,738 + 0,751 + 0,759)
5
= 0,754 gram/ml
2. Standar deviasi densitas
∑(𝑥 − 𝜇)2
𝜎=√
(𝑛 − 1)
(0,756 − 0,754 )2 + (0,764 − 0,754 )2 + (0,738 − 0,754 )2 + (0,751 − 0,754 )2 + (0,759 − 0,754 )2
=√
4
= 0,01 gram/ml
commit to user
IV-35

𝑛
1 1
𝑆𝑁𝐿𝑇𝐵 = −10 𝐿𝑜𝑔 [ ∑ ( 2 )]
𝑛 𝑦𝑖
𝑖=1
1 1 1 1 1 1
𝑆𝑁1 = −10 𝐿𝑜𝑔 [ ( 2
+ 2
+ 2
+ 2
+ )]
5 0,756 0,764 0,738 0,751 0,7592
= 9,304
Berdasarkan hasil perhitungan densitas dengan lima kali replikasi, didapatkan

nilai rata-rata densitas komposit sebesar 0,754 gram/ml dengan standard deviasi
sebesar 0,01. Berdasarkan ANSI A208.1-1999 mengenai particleboard, nilai
densitas komposit ampas tebu – tepung ketan termasuk pada kerapatan medium
density, yaitu antara 0,64-0,8 g/cm3.
4.6.2 Menentukan Nilai Prediksi Respon dan Selang Kepercayaan Nilai

Hambat Panas
Setelah setting level faktor optimal ditentukan maka perlu diketahui nilai
prediksi rata-rata dan SNR yang diharapkan pada kondisi optimum. Hal tersebut
untuk membuktikan sejauh mana keberhasilan dari data eksperimen yang telah
didapatkan. Berikut ini dijelaskan langkah-langkah perhitungan nilai prediksi
respon dan selang kepercayaan untuk nilai hambat panas, yaitu :
1. Menghitung prediksi respon dan selang kepercayaan kondisi optimal untuk
rata-rata.
Nilai rata-rata seluruh data percobaan adalah
ӯi = 15,288 maka perhitungan respon rata-rata prediksi sebagai berikut:

̅̅̅̅ − 𝑦̅) + (𝐵3
𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝑦̅ + (𝐴4 ̅̅̅̅ − 𝑦̅) + (𝐶4
̅̅̅̅ − 𝑦̅)
= ̅̅̅̅
𝐴4 + ̅̅̅̅
𝐵3 + ̅̅̅̅
𝐶4 − ̅̅̅̅
2𝑌
= 16,027 + 15,108 + 16,039 − 30,576
= 16,598
Selang kepercayaan dari rata-rata prediksi dapat dihitung dengan rumus,
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1
]
𝑛𝑒𝑓𝑓
commit to user
IV-36
𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑒𝑘𝑠𝑝𝑒𝑟𝑖𝑚𝑒𝑛

Dengan 𝑛𝑒𝑓𝑓 =
𝑣 𝑚𝑒𝑎𝑛+𝑣𝐴+𝑣𝐵+𝑣𝐶
48
= = 4,8
1+3+3+3
Selang kepercayaan prediksinya,
𝐶𝐼 = ±√𝐹0.05,1.38 𝑥 1,287 𝑥 [ 1 ]
4,8
1
𝐶𝐼 = ±√4,098 𝑥 1,287 𝑥 [ ]
4,8
= ± 1,048
Selang kepercayaan untuk rata-rata proses optimal,
𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ± 𝐶𝐼
𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 − 𝐶𝐼 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 + 𝐶𝐼
16,598 − 1,048 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 16,598 + 1,048
15,550 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 17,646
2. Prediksi respon dan selang kepercayaan kondisi optimal untuk SNR
Rata-rata dari total SNR
̅̅̅̅̅̅
𝑆𝑁𝑅 = 33,188
𝑠𝑛𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝑠𝑛 ̅̅̅̅ − 𝑠𝑛
̅̅̅ + (𝐴4 ̅̅̅̅ − 𝑠𝑛
̅̅̅) + (𝐵3 ̅̅̅̅ − 𝑠𝑛
̅̅̅) + (𝐶4 ̅̅̅)
̅̅̅̅ + 𝐵3
= 𝐴4 ̅̅̅̅ + 𝐶4
̅̅̅̅ − 2𝑠𝑛
̅̅̅̅̅
= 33,608 + 33,110 + 33,603 − 66,376
= 33,943
Selang kepercayaan dari SNR prediksi dapat dihitung dengan rumus,
]
𝑛𝑒𝑓𝑓

16
= = 1,6
1+3+3+3
𝐶𝐼 = ±√𝐹0.05,1.6 𝑥 0,272commit
1 to user
𝑥[ ]
1,6
IV-37
1
𝐶𝐼 = ±√5,987 𝑥 0,272 𝑥 [ ]
1,6
= ± 1,009
Selang kepercayaan untuk SNR proses optimal,
𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ± 𝐶𝐼
𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 − 𝐶𝐼 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 + 𝐶𝐼
33,943 − 1,009 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 33,943 + 1,009
32,934 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 34,952
3. Menghitung prediksi respon dan selang kepercayaan eksperimen konfirmasi
untuk rata-rata.
Nilai rata-rata data eksperimen konfirmasi adalah ӯi = 16,736 , maka
perhitungan respon rata-rata prediksi, sebagai berikut:

Selang kepercayaan dari rata-rata eksperimen konfirmasi dapat dihitung
dengan rumus,
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]
𝑛𝑒𝑓𝑓 𝑟

48
= = 4,8
1+3+3+3
𝐶𝐼 = ±√𝐹0.05,1.38 𝑥 1,287 𝑥 [ 1 1
+ ]
4,8 3
1 1
𝐶𝐼 = ±√4,098 𝑥 1,287 𝑥 [ + ]
4,8 3
= ± 1,690
Selang kepercayaan untuk rata-rata pada eksperimen konfirmasi,
𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 − 𝐶𝐼 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 + 𝐶𝐼
16,736 − 1,690 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 16,736 + 1,690
15,046 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 18,426
commit to user
IV-38
4. Prediksi respon dan selang kepercayaan eksperimen konfirmasi untuk SNR.

Nilai SNR konfirmasi = 34,015
Selang kepercayaan dari SNR konfirmasi dapat dihitung dengan rumus,
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]

16
= = 1,6
1+3+3+3
Selang kepercayaan eksperimen konfirmasi,
𝐶𝐼 = ±√𝐹0.05,1.6 𝑥 0,272 𝑥 [ 1 + 1]
1,6 3
1 1
𝐶𝐼 = ±√5,987 𝑥 0,272 𝑥 [ + ]
1,6 3
= ± 1,249
Selang kepercayaan untuk SNR konfirmasi,
𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 − 𝐶𝐼 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 + 𝐶𝐼
34,015 − 1,249 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 34,015 + 1,249
32,766 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 35,264
Nilai-nilai selang kepercayaan pada kondisi optimal kemudian dibandingkan
dengan selang kepercayaan pada eksperimen konfirmasi. Perbandingan tersebut
digambarkan dalam grafik untuk memudahkan pembacaan. Perbandingan selang
kepercayaan disajikan pada Gambar 4.9 dan Gambar 4.10 berikut ini,
15,550 17,646
15,046 18,426
Gambar 4.9 Perbandingan nilai selang kepercayaan untuk rata-rata hambat panas
Pada Gambar 4.9 menunjukkan hasil eksperimen konfirmasi untuk nilai rata-
rata hambat panas dapat diterima berdasarkan pertimbangan selang kepercayaan.
commit to user
IV-39
32,934 34,952
32,766 35,264
Gambar 4.10 Perbandingan nilai selang kepercayaan untuk SNR hambat panas
Pada Gambar 4.10 menunjukkan hasil eksperimen konfirmasi untuk nilai
SNR hambat panas dapat diterima berdasarkan pertimbangan selang kepercayaan.
Keterangan : optimal
konfirmasi
4.6.3 Menentukan Nilai Prediksi Respon dan Selang Kepercayaan Nilai

Kekuatan Bending
Berikut ini dijelaskan langkah-langkah perhitungan nilai prediksi respon
dan selang kepercayaan untuk nilai kekuatan bending, yaitu :
rata-rata.

̅̅̅̅ − 𝑦̅) + (𝐵3
𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝑦̅ + (𝐴4 ̅̅̅̅ − 𝑦̅) + (𝐶4
̅̅̅̅ − 𝑦̅)
= ̅̅̅̅
𝐴4 + ̅̅̅̅
𝐵3 + ̅̅̅̅
𝐶4 − ̅̅̅̅
2𝑌
= 5,932 + 4,766 + 5,100 − 9,514
= 6,284
]
𝑛𝑒𝑓𝑓

48
= = 4,8
1+3+3+3
𝐶𝐼 = ±√𝐹0.05,1.38 𝑥 0,075 𝑥 [ 1 ]
commit
4,8 to user
IV-40
1
𝐶𝐼 = ±√4,098 𝑥 0,075 𝑥 [ ]
4,8
= ± 0,253
6,284 − 0,253 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 6,284 + 0,253
6,031 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 6,537
̅̅̅̅̅̅ = 22,880
𝑆𝑁𝑅
̅̅̅ + (𝐴4 ̅̅̅̅ − 𝑠𝑛
̅̅̅) + (𝐵3 ̅̅̅̅ − 𝑠𝑛
̅̅̅) + (𝐶4 ̅̅̅)
= ̅̅̅̅
𝐴4 + ̅̅̅̅
𝐵3 + ̅̅̅̅
𝐶4 − ̅̅̅̅̅
2𝑠𝑛
= 24,991 + 22,937 + 23,525 − 45,760
= 25,694
]
𝑛𝑒𝑓𝑓

16
= = 1,6
1+3+3+3
𝐶𝐼 = ±√𝐹0.05,1.6 𝑥 0,347 𝑥 [ 1 ]
1,6
1
𝐶𝐼 = ±√5,987 𝑥 0,347 𝑥 [ ]
1,6
= ± 1,139
𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ± 𝐶𝐼 commit to user
IV-41

25,694 − 1,139 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 25,694 + 1,139
24,555 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 26,833
untuk rata-rata.

dengan rumus,
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]

48
= = 4,8
1+3+3+3
𝐶𝐼 = ±√𝐹0.05,1.38 𝑥 0,075 𝑥 [ 1 1
+ ]
4,8 5
1 1
𝐶𝐼 = ±√4,098 𝑥 0,075 𝑥 [ + ]
4,8 5
= ± 0,354
6,378 − 0,354 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 6,378 + 0,354
6,024 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 6,732
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]
Dengan 𝑛𝑒𝑓𝑓 = commit

𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 to user
𝑒𝑘𝑠𝑝𝑒𝑟𝑖𝑚𝑒𝑛
IV-42
16
= = 1,6
1+3+3+3
𝐶𝐼 = ±√𝐹0.05,1.6 𝑥 0,347 𝑥 [ 1 + 1]
1,6 5
1 1
𝐶𝐼 = ±√5,987 𝑥 0,347 𝑥 [ + ]
1,6 5
= ± 1,309
27,856 − 1,309 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 27,856 + 1,309
26,547 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 29,165
dengan selang kepercayaan pada eksperimen konfirmasi. Perbandingan selang
6,031 6,537
6,024 6,732
Gambar 4.11 Perbandingan nilai selang kepercayaan untuk rata-rata bending
24,555 26,833
26,547 29,165
Gambar 4.12 Perbandingan nilai selang kepercayaan untuk SNR bending

Pada Gambar 4.11 dan Gambar 4.12 menunjukkan hasil eksperimen
konfirmasi untuk nilai rata-rata dan SNR bending dapat diterima.
commit to user
konfirmasi
IV-43
4.6.4 Menentukan Nilai Prediksi Respon dan Selang Kepercayaan Densitas

Berikut ini dijelaskan langkah-langkah perhitungan nilai prediksi respon
dan selang kepercayaan untuk nilai densitas, yaitu :
rata-rata.

̅̅̅̅ − 𝑦̅) + (𝐵3
𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝑦̅ + (𝐴4 ̅̅̅̅ − 𝑦̅) + (𝐶4
̅̅̅̅ − 𝑦̅)
̅̅̅̅ + 𝐵3
= 𝐴4 ̅̅̅̅ + 𝐶4
̅̅̅̅ − ̅̅̅̅
2𝑌
= 0,672 + 0,639 + 0,671 − 1,204
= 0,778
]
𝑛𝑒𝑓𝑓

48
= = 4,8
1+3+3+3
𝐶𝐼 = ±√𝐹0.05,1.38 𝑥 0,001 𝑥 [ 1 ]
4,8
1
𝐶𝐼 = ±√4,098 𝑥 0,001 𝑥 [ ]
4,8
= ± 0,029
0,778 − 0,029 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 0,778 + 0,029
0,749 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 0,807
̅̅̅̅̅̅
𝑆𝑁𝑅 = 5,001 commit to user
IV-44
̅̅̅ + (𝐴4 ̅̅̅̅ − 𝑠𝑛
̅̅̅) + (𝐵3 ̅̅̅̅ − 𝑠𝑛
̅̅̅) + (𝐶4 ̅̅̅)
̅̅̅̅ + 𝐵3
= 𝐴4 ̅̅̅̅ + 𝐶4
̅̅̅̅ − 2𝑠𝑛
̅̅̅̅̅
= 6,073 + 5,638 + 6,067 − 10,003
= 7,775
]
𝑛𝑒𝑓𝑓

16
= = 1,6
1+3+3+3
𝐶𝐼 = ±√𝐹0.05,1.6 𝑥 0,152 𝑥 [ 1 ]
1,6
1
𝐶𝐼 = ±√5,987 𝑥 0,152 𝑥 [ ]
1,6
= ± 0,754
𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ± 𝐶𝐼
7,775 − 0,754 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 7,775 + 0,754
7,021 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 8,529
untuk rata-rata.

dengan rumus,
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]
𝑛𝑒𝑓𝑓commit
𝑟 to user
IV-45

48
= = 4,8
1+3+3+3
𝐶𝐼 = ±√𝐹0.05,1.38 𝑥 0,001 𝑥 [ 1 1
+ ]
4,8 5
1 1
𝐶𝐼 = ±√4,098 𝑥 0,001 𝑥 [ + ]
4,8 5
= ± 0,041
0,754 − 0,041 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 0,754 + 0,041
0,713 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 0,795

𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]

16
= = 1,6
1+3+3+3
𝐶𝐼 = ±√𝐹0.05,1.6 𝑥 0,152 𝑥 [ 1 + 1]
1,6 5
1 1
𝐶𝐼 = ±√5,987 𝑥 0,152 𝑥 [ + ]
1,6 5
= ± 0,866
commit to user
IV-46

9,304 − 0,866 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 9,304 + 0,866
8,438 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 10,170

dengan selang kepercayaan pada eksperimen konfirmasi. Perbandingan tersebut
digambarkan dalam grafik untuk memudahkan pembacaan. Perbandingan selang
0,749 0,807
0,713 0,795
Gambar 4.13 Perbandingan nilai selang kepercayaan untuk rata-rata densitas
Pada Gambar 4.13 menunjukkan hasil eksperimen konfirmasi untuk nilai rata-
rata densitas dapat diterima berdasarkan pertimbangan selang kepercayaan.
7,021 8,529
8,438 10,170
Gambar 4.14 Perbandingan nilai selang kepercayaan untuk SNR densitas

Pada Gambar 4.14 menunjukkan hasil eksperimen konfirmasi untuk nilai
SNR densitas dapat diterima berdasarkan pertimbangan selang kepercayaan.
konfirmasi
commit to user
IV-47
4.7 Prototype
Pembuatan prototype dilakukan setelah mendapatkan nilai hambat panas,
kekuatan bending dan densitas yang optimal. Pembuatan prototype digunakan
untuk menyampaikan informasi gambaran produk papan partikel. Pembuatan
prototype papan partikel dibuat dengan ukuran 20 x 20 x 1,5 cm.
Gambar 4.15 Prototype Papan Partikel Ampas Tebu
commit to user
IV-48

Bab Iv PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bab Iv PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

perpustakaan.uns.ac.id digilib.uns.ac.

4.1 Pengumpulan Data

Gambar 4.2 Mesin Thermal Conductivity

4.1.2 Data Hasil Eksperimen

4.2 Pengolahan Data Hasil Eksperimen

4.2.1 Perpindahan Panas Konduksi

Contoh perhitungan laju perpindahan panas tembaga berdasarkan pada tabel

Kemudian dilakukan perhitungan nilai konduktivitas spesimen ampas tebu

Hasil perhitungan laju perpindahan panas tembaga dan konduktivitas panas

Contoh perhitungan nilai hambat panas spesimen ampas tebu berdasarkan

2. Menghitung rata-rata total.

Tabel 4.3 Tabel Respon Hambat Panas untuk Nilai

Gambar 4.3 Response graph Nilai Rata-rata Hambat Panas

𝑆𝑇 = 14,8042 + 14,8232 + ⋯ + 13,3102

5. Menghitung sum of square due to mean dengan menggunakan rumus :

= 23,303 − (3 𝑥 1,164) = 8,148 − (3 𝑥 1,164)

Berdasarkan Tabel 4.4, diketahui bahwa faktor A, B dan C memiliki

- Melakukan pooling sumber-sumber dengan nilai F hitung yang lebih kecil

Tabel 4.6 Perhitungan Signal to Noise Ratio

Gambar 4.4 Response graph untuk SNR eksperimen Taguchi

𝑆𝑇 = 32,6952 + 32,6532 + ⋯ + 32,3412

= (4 𝑥 32,3312 + 4 𝑥 32,8432 + 4 𝑥 33,9732 + 4 𝑥 33,6082 ) − 17623,582

Setelah diperoleh setting level optimal maka dilakukan eksperimen

Pada spesimen dengan hambat panas terbaik berdasarkan metode Taguchi

Selanjutnya dilakukan perhitungan densitas pada komposit ampas tebu –

4.3 Uji Bending (Uji Ketahanan Lentur)

Gambar 4.5 Spesimen uji ketahanan lentur (bending)

(a) Sebelum spesimen patah (b) Setelah spesimen patah

Gambar 4.7 Grafik Hasil Pengujian Bending

Tabel 4.14 Hasil Nilai Uji Bending Spesimen Ampas Tebu

4.3.1 Perhitungan Analisis Variansi (ANOVA) Terhadap Nilai Mean

Dari perhitungan nilai rata-rata respon kemudian dilakukan perhitungan

kualitas, dilakukan dengan transformasi data ke rasio signal to noise, analisis

Dari perhitungan nilai SNR kemudian dilakukan perhitungan analisis variansi

Tabel 4.18 Analisis Variansi SNR Setelah Pooling

4.3.3 Menentukan Setting Level Optimal Nilai Bending

4.4 Perhitungan Densitas

Tabel 4.21 Hasil Nilai Densitas Spesimen Ampas Tebu

4.4.1 Perhitungan Analisis Variansi (ANOVA) Terhadap Nilai Mean

Tabel 4.22 Data Hasil Perhitungan Nilai Rata-Rata Respon

Dari perhitungan nilai rata-rata respon kemudian dilakukan perhitungan

n : jumlah pengulangan eksperimen

Dari perhitungan nilai SNR kemudian dilakukan perhitungan analisis variansi

Selanjutnya dilakukan pooling terhadap faktor yang mempunyai nilai F-ratio

4.4.3 Menentukan Setting Level Optimal Nilai Densitas

4.5 Menghitung PCR-TOPSIS Karakteristik Kualitas

4.5.1 Menghitung Signal To Noise Ratio (SNR)

Contoh perhitungan rata-rata SNR karakteristik kualitas nilai hambat panas :

− (32,695 + 32,653 + ⋯ + 32,341)

(32,695 − 35,401)2 + ⋯ + (32,341 − 35,401)2

Contoh perhitungan rata-rata SNR karakteristik kualitas nilai bending :

(19,470 − 24,405)2 + ⋯ + (24,246 − 24,405)2

Hasil perhitungan PCR-SNR untuk karakteristik kualitas nilai bending

Contoh perhitungan manual rata-rata SNR karakteristik kualitas densitas :

(1,049 − 5,335)2 + ⋯ + (5,056 − 5,335)2

4.5.3 Menghitung TOPSIS dari Hasil PCR-SNR

Contoh perhitungan PCR-TOPSIS eksperimen ke-1 adalah :

4.5.4 Menentukan Persentase Kontribusi dari Faktor-Faktor yang

Faktor-faktor yang akan di-pooling ke dalam error adalah faktor D karena

Berdasarkan Tabel 4.35 dapat diketahui bahwa faktor A (presentase tepung

Tabel 4.36 Rekapitulasi PCR-TOPSIS

4.6 Tahap Verifikasi

4.6.1 Eksperimen Konfirmasi