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.
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
commit to user
IV-2
perpustakaan.uns.ac.id digilib.uns.ac.id
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
𝒕𝟏 −𝒕𝟒
q=kA
𝑳
379 𝑥 0,001256 𝑥 1
qcu =
0,09
= 5,289 watt
IV-3
perpustakaan.uns.ac.id digilib.uns.ac.id
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)
IV-4
perpustakaan.uns.ac.id digilib.uns.ac.id
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
10 10% mesh 30 6:4 Tanpa Perendaman 18.458 16.470 16.554 17.160
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
IV-5
perpustakaan.uns.ac.id digilib.uns.ac.id
Cara perhitungan yang sama untuk masing-masing faktor dan levelnya, maka
diperoleh nilai respon dari efek faktor seperti pada Tabel 4.3 berikut ini,
Berikut ini pada Gambar 4.3 merupakan response graph untuk nilai rata-rata:
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
IV-6
perpustakaan.uns.ac.id digilib.uns.ac.id
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
perpustakaan.uns.ac.id digilib.uns.ac.id
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
perpustakaan.uns.ac.id digilib.uns.ac.id
= 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
IV-9
perpustakaan.uns.ac.id digilib.uns.ac.id
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
perpustakaan.uns.ac.id digilib.uns.ac.id
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:
IV-11
perpustakaan.uns.ac.id digilib.uns.ac.id
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
IV-12
perpustakaan.uns.ac.id digilib.uns.ac.id
8. Menghitung F-ratio
Contoh perhitungan untuk faktor A adalah sebagai berikut :
𝑀𝑞𝐴
𝐹𝐴 =
𝑀𝑞𝑒
2,196
=
0,225
= 9,764
9. Menghitung pure sum of squares.
Contoh perhitungan untuk faktor A adalah sebagai berikut :
𝑆𝑠𝑛𝐴1 = 𝑆𝑞. 𝑠𝑛𝐴 − (𝑣𝐴 𝑥 𝑀𝑞𝑒)
= 6,588 − (3 𝑥 0,225)
= 5,913
10. Menghitung percent contribution
Contoh perhitungan untuk faktor A adalah sebagai berikut :
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
perpustakaan.uns.ac.id digilib.uns.ac.id
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
Source Sq df Mq F-ratio Sq' rho%
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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
IV-15
perpustakaan.uns.ac.id digilib.uns.ac.id
IV-16
perpustakaan.uns.ac.id digilib.uns.ac.id
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.
IV-17
perpustakaan.uns.ac.id digilib.uns.ac.id
mempengaruhi nilai rata-rata respon dan merupakan metode yang digunakan untuk
mencari setting level optimal yang meminimalkan penyimpangan nilai rata-rata.
Hasil perhitungan nilai rata-rata pada eksperimen 1 hingga 16 disajikan pada
Tabel 4.15 berikut ini,
Tabel 4.15 Data Hasil Perhitungan Nilai Rata-Rata Respon Bending
Faktor dan Level Nilai Bending
No Presentase Ukuran
Kepadatan Perendaman R-1 R-2 R-3 Rata-rata
tepung ketan partikel
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
3 5% mesh 40 5:4 Tanpa Perendaman 3.646 3.559 3.537 3.581
4 5% mesh 50 6:4 NaOH 3.593 3.638 3.708 3.646
5 7.5% mesh 20 4:4 Tanpa Perendaman 3.928 3.721 3.695 3.781
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
10 10% mesh 30 6:4 Tanpa Perendaman 6.158 6.074 6.178 6.137
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
16 12.5% mesh 50 3: 4 Tanpa Perendaman 5.479 5.369 5.455 5.434
IV-18
perpustakaan.uns.ac.id digilib.uns.ac.id
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 [ ( 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
No Presentase Ukuran
Kepadatan Perendaman R-1 R-2 R-3 SNR
tepung ketan partikel
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
3 5% mesh 40 5:4 Tanpa Perendaman 3.646 3.559 3.537 20.622
4 5% mesh 50 6:4 NaOH 3.593 3.638 3.708 20.780
5 7.5% mesh 20 4:4 Tanpa Perendaman 3.928 3.721 3.695 21.098
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
10 10% mesh 30 6:4 Tanpa Perendaman 6.158 6.074 6.178 25.301
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
16 12.5% mesh 50 3: 4 Tanpa Perendaman 5.479 5.369 5.455 24.246
commit to user
IV-19
perpustakaan.uns.ac.id digilib.uns.ac.id
Berdasarkan dari Tabel 4.19, dihasilkan kombinasi level faktor yang optimal
yaitu A4, B2, 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 4.20.
Tabel 4.20 Level Optimal dalam Eksperimen
Kode Faktor dalam Eksperimen Level Optimal Nilai
A Presentase tepung ketan 4 12.5%
B Ukuran partikel 2 mesh 30
C Kepadatan 4 6:4
D Perendaman 1 Boraks
IV-20
perpustakaan.uns.ac.id digilib.uns.ac.id
= 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:
IV-21
perpustakaan.uns.ac.id digilib.uns.ac.id
IV-22
perpustakaan.uns.ac.id digilib.uns.ac.id
IV-23
perpustakaan.uns.ac.id digilib.uns.ac.id
adalah faktor D karena nilai Mq yang terkecil dan percent contribution (% rho)
yang rendah. Hasil dari pooling yang dilakukan disajikan pada Tabel 4.26.
Tabel 4.26 Analisis Variansi SNR Setelah Pooling
Source Sq df Mq F-ratio Sq' rho%
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
Berdasarkan dari Tabel 4.27, dihasilkan kombinasi level faktor yang optimal
yaitu A4, B2, 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 4.28.
Tabel 4.28 Level Optimal dalam Eksperimen
Kode Faktor dalam Eksperimen Level Optimal Nilai
A Presentase tepung ketan 4 12.5%
B Ukuran partikel 3 mesh 40
C Kepadatan 4 6:4
D Perendaman 4 NaOH
IV-24
perpustakaan.uns.ac.id digilib.uns.ac.id
IV-25
perpustakaan.uns.ac.id digilib.uns.ac.id
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
𝑠𝜂𝑗 = √6,457
𝑠𝜂𝑗 = 2,541
Contoh perhitungan manual PCR-SNR untuk karakteristik kualitas nilai bending
eksperimen ke-1 adalah :
(19,470 − 24,405)
𝐶𝑗𝑖 =
(3 𝑥 2,541)
𝐶𝑗𝑖 = −0,647 commit to user
IV-26
perpustakaan.uns.ac.id digilib.uns.ac.id
𝑠𝜂𝑗 = √2,743
𝑠𝜂𝑗 = 1,656
Contoh perhitungan manual PCR-SNR untuk karakteristik kualitas densitas
eksperimen ke-1 adalah :
(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
commit to user
IV-27
perpustakaan.uns.ac.id digilib.uns.ac.id
𝑑 𝑖− = √∑(𝐶𝑗𝑖 − 𝐶𝑗− )2
𝑗=1
= √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
dijelaskan pada Tabel 4.33.
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
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
IV-29
perpustakaan.uns.ac.id digilib.uns.ac.id
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
perpustakaan.uns.ac.id digilib.uns.ac.id
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.
Tabel 4.38 Perbandingan Pengaruh Faktor
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
Tabel 4.39 Level Optimal dalam Eksperimen
Kode Faktor dalam Eksperimen Level Optimal Nilai
A Presentase tepung ketan 4 12.5%
B Ukuran partikel 3 mesh 40
C Kepadatan 4 6:4
D Perendaman 1 Boraks
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%.
commit to user
IV-31
perpustakaan.uns.ac.id digilib.uns.ac.id
1
= (16,785 + 16,659 + 16,764)
3
= 16,736 0C/W
commit to user
IV-32
perpustakaan.uns.ac.id digilib.uns.ac.id
∑(𝑥 − 𝜇)2
𝜎=√
(𝑛 − 1)
= 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
commit to user
IV-33
perpustakaan.uns.ac.id digilib.uns.ac.id
∑(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
3. Perhitungan SNR untuk hasil eksperimen konfirmasi
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
IV-34
perpustakaan.uns.ac.id digilib.uns.ac.id
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
perpustakaan.uns.ac.id digilib.uns.ac.id
= ̅̅̅̅
𝐴4 + ̅̅̅̅
𝐵3 + ̅̅̅̅
𝐶4 − ̅̅̅̅
2𝑌
= 16,027 + 15,108 + 16,039 − 30,576
= 16,598
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1
]
𝑛𝑒𝑓𝑓
commit to user
IV-36
perpustakaan.uns.ac.id digilib.uns.ac.id
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,
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1
]
𝑛𝑒𝑓𝑓
𝐶𝐼 = ±√𝐹0.05,1.6 𝑥 0,272commit
1 to user
𝑥[ ]
1,6
IV-37
perpustakaan.uns.ac.id digilib.uns.ac.id
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.
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]
𝑛𝑒𝑓𝑓 𝑟
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
perpustakaan.uns.ac.id digilib.uns.ac.id
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]
𝑛𝑒𝑓𝑓 𝑟
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
perpustakaan.uns.ac.id digilib.uns.ac.id
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
= ̅̅̅̅
𝐴4 + ̅̅̅̅
𝐵3 + ̅̅̅̅
𝐶4 − ̅̅̅̅
2𝑌
= 5,932 + 4,766 + 5,100 − 9,514
= 6,284
Selang kepercayaan dari rata-rata prediksi dapat dihitung dengan rumus,
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1
]
𝑛𝑒𝑓𝑓
𝐶𝐼 = ±√𝐹0.05,1.38 𝑥 0,075 𝑥 [ 1 ]
commit
4,8 to user
IV-40
perpustakaan.uns.ac.id digilib.uns.ac.id
1
𝐶𝐼 = ±√4,098 𝑥 0,075 𝑥 [ ]
4,8
= ± 0,253
Selang kepercayaan untuk rata-rata proses optimal,
𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ± 𝐶𝐼
𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 − 𝐶𝐼 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 + 𝐶𝐼
6,284 − 0,253 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 6,284 + 0,253
6,031 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 6,537
2. Prediksi respon dan selang kepercayaan kondisi optimal untuk SNR
Rata-rata dari total SNR
̅̅̅̅̅̅ = 22,880
𝑆𝑁𝑅
𝑠𝑛𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝑠𝑛 ̅̅̅̅ − 𝑠𝑛
̅̅̅ + (𝐴4 ̅̅̅̅ − 𝑠𝑛
̅̅̅) + (𝐵3 ̅̅̅̅ − 𝑠𝑛
̅̅̅) + (𝐶4 ̅̅̅)
= ̅̅̅̅
𝐴4 + ̅̅̅̅
𝐵3 + ̅̅̅̅
𝐶4 − ̅̅̅̅̅
2𝑠𝑛
= 24,991 + 22,937 + 23,525 − 45,760
= 25,694
Selang kepercayaan dari SNR prediksi dapat dihitung dengan rumus,
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1
]
𝑛𝑒𝑓𝑓
𝐶𝐼 = ±√𝐹0.05,1.6 𝑥 0,347 𝑥 [ 1 ]
1,6
1
𝐶𝐼 = ±√5,987 𝑥 0,347 𝑥 [ ]
1,6
= ± 1,139
Selang kepercayaan untuk SNR proses optimal,
𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ± 𝐶𝐼 commit to user
IV-41
perpustakaan.uns.ac.id digilib.uns.ac.id
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]
𝑛𝑒𝑓𝑓 𝑟
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
Selang kepercayaan untuk rata-rata pada eksperimen konfirmasi,
𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 − 𝐶𝐼 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 + 𝐶𝐼
6,378 − 0,354 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 6,378 + 0,354
6,024 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 6,732
4. Prediksi respon dan selang kepercayaan eksperimen konfirmasi untuk SNR.
Nilai SNR konfirmasi = 27,856
Selang kepercayaan dari SNR konfirmasi dapat dihitung dengan rumus,
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]
𝑛𝑒𝑓𝑓 𝑟
IV-42
perpustakaan.uns.ac.id digilib.uns.ac.id
16
= = 1,6
1+3+3+3
Selang kepercayaan eksperimen konfirmasi,
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
Selang kepercayaan untuk SNR konfirmasi,
𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 − 𝐶𝐼 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 + 𝐶𝐼
27,856 − 1,309 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 27,856 + 1,309
26,547 ≤ 𝜂𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 29,165
Nilai-nilai selang kepercayaan pada kondisi optimal kemudian dibandingkan
dengan selang kepercayaan pada eksperimen konfirmasi. Perbandingan selang
kepercayaan disajikan pada Gambar 4.11 dan Gambar 4.12 berikut ini,
6,031 6,537
6,024 6,732
24,555 26,833
26,547 29,165
IV-43
perpustakaan.uns.ac.id digilib.uns.ac.id
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1
]
𝑛𝑒𝑓𝑓
𝐶𝐼 = ±√𝐹0.05,1.38 𝑥 0,001 𝑥 [ 1 ]
4,8
1
𝐶𝐼 = ±√4,098 𝑥 0,001 𝑥 [ ]
4,8
= ± 0,029
Selang kepercayaan untuk rata-rata proses optimal,
𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ± 𝐶𝐼
𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 − 𝐶𝐼 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 + 𝐶𝐼
0,778 − 0,029 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 0,778 + 0,029
0,749 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 0,807
2. Prediksi respon dan selang kepercayaan kondisi optimal untuk SNR
Rata-rata dari total SNR
̅̅̅̅̅̅
𝑆𝑁𝑅 = 5,001 commit to user
IV-44
perpustakaan.uns.ac.id digilib.uns.ac.id
𝑠𝑛𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝑠𝑛 ̅̅̅̅ − 𝑠𝑛
̅̅̅ + (𝐴4 ̅̅̅̅ − 𝑠𝑛
̅̅̅) + (𝐵3 ̅̅̅̅ − 𝑠𝑛
̅̅̅) + (𝐶4 ̅̅̅)
̅̅̅̅ + 𝐵3
= 𝐴4 ̅̅̅̅ + 𝐶4
̅̅̅̅ − 2𝑠𝑛
̅̅̅̅̅
= 6,073 + 5,638 + 6,067 − 10,003
= 7,775
Selang kepercayaan dari SNR prediksi dapat dihitung dengan rumus,
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1
]
𝑛𝑒𝑓𝑓
𝐶𝐼 = ±√𝐹0.05,1.6 𝑥 0,152 𝑥 [ 1 ]
1,6
1
𝐶𝐼 = ±√5,987 𝑥 0,152 𝑥 [ ]
1,6
= ± 0,754
Selang kepercayaan untuk SNR proses optimal,
𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 = 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ± 𝐶𝐼
𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 − 𝐶𝐼 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 + 𝐶𝐼
7,775 − 0,754 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 7,775 + 0,754
7,021 ≤ 𝜂𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 ≤ 8,529
3. Menghitung prediksi respon dan selang kepercayaan eksperimen konfirmasi
untuk rata-rata.
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]
𝑛𝑒𝑓𝑓commit
𝑟 to user
IV-45
perpustakaan.uns.ac.id digilib.uns.ac.id
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
Selang kepercayaan untuk rata-rata pada eksperimen konfirmasi,
𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 − 𝐶𝐼 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 + 𝐶𝐼
0,754 − 0,041 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 0,754 + 0,041
0,713 ≤ 𝜇𝑘𝑜𝑛𝑓𝑖𝑟𝑚𝑎𝑠𝑖 ≤ 0,795
𝐶𝐼 = ±√𝐹𝛼,𝑣1.𝑣1𝑥 𝑉𝑒 𝑥 [ 1 1
+ ]
𝑛𝑒𝑓𝑓 𝑟
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
Selang kepercayaan untuk SNR konfirmasi,
IV-46
perpustakaan.uns.ac.id digilib.uns.ac.id
0,749 0,807
0,713 0,795
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
konfirmasi
commit to user
IV-47
perpustakaan.uns.ac.id digilib.uns.ac.id
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.
commit to user
IV-48