Langkah langkah (Demo) mencari hasil Optimasi desain dengan Faktorial Desain (FD)

1. Unduh Aplikasi Design Expert version 10 untuk Faktorial Desain, kemudian setelah di Instal buka
apikasi akan muncul gambar seperti berikut:

Untuk memulai desain baru pilih New Design

2. Setelah itu tampilan halaman berikut:

Note : Desain untuk 2 sampai 21 faktor, dimana setiap faktor mempunyai 2 level digunakan
untuk mencari efek dominan dan interaksi.
Fractional Fraction digunakan untuk menskrining sangat banyak faktok untuk ditemukan nilai
yang lebih sedikit atau golongan yang signifikan.
Pewarnaan pada koding merepresentasikan resolusi dari desain: Hijau (Karakterisasi) Res V atau
lebih tinggi, Kuning (Skrining) Res IV, dan Merah (Tes Ketidakrataan) Res III.
Karena kita akan mencari Optimasi dari 2 faktor yaitu asam sitrat dan asam tartrat maka kita
akan menggunkan 2² dan setiap faktor memiliki 2 level. Level rendah dan level tinggi. Replikasi
dipilih 1, Blok 1, senter poin per blok 0. Klik continue
3. Selanjutnya tampilan sebagai berikut :

Note : Faktor adalah besaran yang mempengaruhi respon, faktor merupakan variable yang
ditentukan seperti temperature, pH, bahan tambahan, dll. Faktor bias berupa kuantitatif
maupun kualitatif.
perbedaan penggunakan Numeric dan Categoric pada tipe yaitu apabila Numeric untuk data
yang karakterisasinya skala kontinus seperti temperature dan tekanan. Categori data digunakan
untuk katalisator atau untuk pembedaan level.

Randomized regular two level pada sheet ini untuk memasukan Faktor yaitu asam sitrat dan
asam tartrat, Units adalah satuan yang digunakan adalah persen karena, Level rendah dan tinggi
menggunakan satuan persen yaitu 25% (11,25) untuk level rendah dan 40% (18,00) untuk level
tinggi.
Untuk membuat effervescent yang bahan nya dari golongan asam seperti asam sitrat dan asam tartrat
paling baik digunakan 25% sampai 40% dari bobot. (Wehling and Fred, 2004). atau sesuai dari kegunaan
bahan dilihat juga di Hand Book Of pharmaceutical Excipient.

25% dari batas bawah asam sitrat dan asam tartrat adalah 375mg dikali jumlah tablet tiap formula 30
tablet maka hasilnya = 11,25 gram.

40% dari batas atas asam sitrat dan asam tartrat adalah 600mg dikali jumlah tablet tiap formula 30
tablet maka hasilnya= 18,00 gram.

4. Selajutnya halaman sebagai berikut :

 Note : Sekarang pada halaman dialog box dengan daftar konten yang diinginkan bisa
memasukan 1 sampai 999 respon.

Respon adalah besaran yang diamati perubahan efeknya.

Pada penelitian saya hanya memasukan 4 respon yang dominan terhadap sediaan tablet
effervescent yaitu keseragaman bobot, kekerasan, kerapuhan, dan waktu dispersi. Seperti pada
gambar diatas.
Setelah itu untuk mengetahui kekuatan akses dari nilai eksperimen. Pada penelitian ini units
adalah satuan pada setiap respon yang diamati dimasukan nilai signal, noise , dan noise ratio)
Respon keseragaman bobot unitnya persen dan nilai penerimaan 10%, dengan sigma adalah
batas rendah dari nilai penerimaan 5% maka noise rationya 2 . maka komputasinya (10/5=2).
begitu pula Respon Kekerasan tablet unitnya Kg, maka parameter maksimal tersesar tidak lebih
dari 4Kg sebagai signal, minimal 2kg sebagai noise, dan noise rationya adalah 2. Maka
komputasinya (4/2=2).
Namun berbeda jika Respon seperti Kerapuhan yang unitnya persen tidak memiliki nilai minimal
dari parameter dan maksimal adalah 1%, maka enginer record menyediakan standar deviasi
yaitu 5 (pada proses variability). Maka masukan nilainya. Maka design expert komputasinya
(1/5=0,2).
Respon kerapuhan unitnya menit, signal nilainya 2 menit, kemudian noisenya tidak ada batas
terendahnya maka dimasukan 5. Maka komputasinya (2/50,4). Klik continue.

5. Selanjutnya setelah di klik continue, tampilan seperti berikut:

 Untuk melihat outcomes positif hingga kemampuan 80% propability atau kemungkinan atau
hipotesis dari perbedaan tindakan yang diinginkan.

Hasil dari kalkulasi power melaporkan pada 0,5% alpha level spesifik deteksi signal/ noise ratio
ditujukan pada gambar diatas. Rekomendasi power hasilnya dibawah 80%. Klik finish untuk
menyimpan dan menghasilkan design layout window.

6. Setelah itu seperti halaman berikut:

Note : Std merupakan Sorting by standart, dan Run adalah kode kombinasi formula level rendah
dan level tinggi dari asam sitrat dan asam tartrat. Respon data dimasukan setelah membuat
formula sediaan dan telah diuji kemudian hasil dimasukan secara manual.
Halaman tersebut untuk mengatur kembali format nama respon, unit, format angka/ nilai dipilih
0,0 untuk memudahkan, advanced dipilih Analisa, kemudian pemilihan analisis menggunakan
ANOVA std dev (Standart Deviatation).

Setelah di setting ulang tampilan akan seperti gambar diatas

Pemilihan tipe simulasi dipilih yang kedua yaitu Simulate respone data.

Npte: Penampilan default pilihan display ada 2 metode yaitu, Actual level dari faktor maka pilih actual.
Apabila Coded contoh seperti 1 untuk level rendah dan +1 untuk level tinggi.
Pre Analisis dari efek via Data sorts dan simple scatter plots

Klik Graph Coloumns pada tulisan, Klik Grid untuk melihat korelasi indikasi hubungan antara 2 variabel.
Klik kotak bewarna untuk melihat hubungan dan nilai korelasi.
Hubungan Asam sitrat dengan asam tartrat korelasinya 0,00

Hubungan keseragaman bobot dan asam tartrat korelasinya 0,58

Hubungan Kekerasan dan asam tartrat korelasinya 0,58

Hubungan kerapuhan dengan asam tartrat korelasinya tidak terdeteksi

Hubungan waktu dispersi dengan asam tartrat korelasinya 0,00

Kekerasan dan keseragaan bobot dengan asam sitrat korelasinya -0,58

Hubungan Kekerasan dengan keseragaman bobot korelasinya 0.33

Hubungan asam sitrat dengan asam sitrat korelasinya 1,00

Note : (Hubungan tidak signifikan apabila korelasi dibawah dari 0,08). Indikasi korelasi yang paling bagus
tidak ditandai dengan code warna, namun ini hanya dasar analisis yang selanjutnya akan diteliti dan
dianalisis dengan seksama lebih lanjut mengunakan banyak lagi alat yang lebih canggih, grapikal, dan
statistic. Sumbu Y dan X sesuai pada square yang di pilih pada gambar.

Analisis Hasil

Klik bagian analisis yang dipilih seperti dibawah:

1.Keseragaman Bobot

Dari persamaan tersebut didapatkan prediksi versus residu yaitu prediksi skala respon 9 ke 10 rate dari
maksimal ke minimal adalah 1.11111 . maka hubungan keseragaman bobot dengan asam sitrat dan
asam tartrat memiliki efek yang kecil.

Note : ratio yangpaling baik itu diperlukan nilai lebih dari 10. Untuk rasio dibawah 3 tidak menunjukkan
sedikit kekuatan efek.

Memilih efek ke Model

Klik effec maka akan muncul sebagai berikut, Half Normallot yaitu kemungkinan terkecil sekitar 50%
respon hubungan uji keseragaman dengan bahan yaitu asam tartrat dan asam sitrat dan untuk melihat
positif dan negatif efeknya.
Jadi efek positif sepertipadagambar ditujukan hubungan antara keseragaman bobot sedangkan efek
negative untara keseragaman bobot dengan asam sitrat.

Vertical axis menunjukkan t value dari efek yang tepat. Efeks tatistic skala merupakan standar deviasi.
Pareto chart jugadapat untuk menunjukkan atau mengoreksi kesalahan faktor level, kesalahan data.t
value skala menyediakan pengukuran yang lebih akurat terhadap relatif efek.
Numeric adalah salah satu metode lain untuk menyeleksi metode atau model “autoselect”. Detailnya
tanda hijau M artinya consider menjadi model atau dilihat pada tabel.

ANOVA dan analisis statistical

Pada halaman ini terdapat keterangan pada tabel model, std, df, p value dan lain lain keterangan dapat
klik kanan pilih help untukpenjelasannya.
Nilai probabilitas “p value” untuk model yang tepat nilaiyang signifikan adalah kurang dari <0.05 untuk
mendapatkan hasil yang signifikan. Atau adapat diedit seperti diatas.
Klik koofesien untuk memilih prediksi persamaan menggunakan persamaan kode atau actual,
persamaan dari keseragaman bobot,R squared pvalue dll.

VALIDASI MODEL

Klik Diagnostic tab untuk menghasilkan kemungkinan normal plot dari residuall.
Residual merupakan pokok dari penelitian konversi ke skala standar deviasi. Dan juga secara external
dengan mengambil setiap hasil sebelum kalkulasi adalah residual. Pendekatan statistik mengarah seperti
“kasus menghapus diagnostik”. Jika ada sesuatu yang terjadi salah dalam pengukuran eksperimen ini
dan menyebabkan hasil keluar benar untuk diberikan run, nilai berbeda akan diganti sebelum menaksir
untuk mempengaruhi model yang tetap. Ini juga untuk memperbaiki dan mendeteksi abnormalitas.
Untuk standar 2 level faktorial desain seperti ini, merencanakan residual awal padaoriginal unit
pengukuran akan efektif memilih residual pada Diagnostic toolbar untuk emastikan itu benar. Namun
apabila salah ada pemberitahuan seperti diatas untuk mengganti dari yang sudah diekoemdasikan yaitu
skala studenized padaakhirnya karena pada aturan umum itu pendekatan yang paling dianjurkan untuk
residual.

Idealnya residual normal plot adalah garis lurus, sebagai indikasi tidak adaabnormalitas. Data tidak
cocok secara sempurna dengan garis. Garis bagus dari persetujuan itu disebut dengan tes”fat
pencil”.jika bisa menempatkan fat pencil diatas garis dan menutupi semua data poin maka data cukup
normal. Kasus plot ini terlihat bagus OK, kemudian ganti.

Residual vs. prediksi

Asam tartart
Asam sitrat

Ukuran dari residual bisa independent dari nilai prediksi. Dalam kata lain, penyebaran vertical dari
studenized residual dapat dikatakan kira kira sama dengan seluruh level pada nilai prediksi. Pada kasus
ini plot terlihat ok.

Residual vs.Run

Untuk melihat kegunaan plot yang biasanya sebagai referensi “outliner t” karena dapat menunjukan
berapa banyakstandart deviasi (t value) untuk memberitahun kekeliruan relatif yang mana dapat
mengira dari seluruh lainnya.
Design expert menyedikan atas dan bawah garis merah mendekati pada kepercayaan 95%limit control
pada run chart. Pada kasus ini poin none, karena pada kasus ini grapik perencanaan perintah
randpmized run, pada perintah point akan berbeda dengan nilai pada layar. Normalnya lebih dulu bias
dilihat dari polanya, tidak hanya dari hasilnya. Contoh jelasnya akan terjadi penurunan padaresidual dari
awal- mulai hingga akhir, dalam kata laintrend penurunan. Itu bisa terjadi karena untuk konsen tentang
stabilitas pada sistem ini dan perhitungan investigasi. Bagaimanapun, menjalankan eksperimen random
order, ini membangun perlindungan melawan trend pada respon bias hasil.
Note : apa yang terjadi jika point falls keluar dari limit: jika disana terdapat deviasi rata rata, kamu bias
klik koordinat display sebelah kiri dari grapik. Program akan meningat dari poin. Itu akan
menggarsibawahi pada plt lainnya. Ini pada khususnya akan membantu padaanalisis residual karena
bisamemnandai beberapa poin yang dicurigai. Keistimewaan ini juga akan bekerja pada grapik
interpretasi.
Design
-Exp
ert®Softw
are
ke
seragamanbobot

La
mb da
Curent=1
Best=3
Lo
wC .I.=
HighC .I.=

Reco
mmen
dtran
sform
:
None
(La
mb
da=1)

Box-Cox Plot for Power Transforms

1

0,8

0,6

Ln(ResidualSS) 0,4

0,2

-0,2

-0,4

-3 -2 -1 0 1 2 3

Lambda

Ini untuk mengembangkan kalkulasi dari kekuatan perubahan terbaik. Garis biru menunjukan perubahan
yang signifikan. Pada poin ini nilai 1 pada lambda dimana symbol kekuatan yang diaplikasikan padanilai
respon. Lambda 1 indikasi tidak ada perubahan. Garis hijau adalah indikasi nilai lambda terbaik, jika
garis merah melingkupi 95% kepercayaan.garis biru adalah zona optimal perubahan.

Respons keseragam Transfor

1 None
e an bobot m:
Diagnostics Case Statistics
Influenc
Internally Externally
e on
Actua Studentize Studentiz Fitted Standar
Run Predicted Cook's
l d ed Value d
Residu Leverag Distanc
Order Value Value Residual Residual DFFITS Order
al e e
1 10,00 9,75 0,25 0,250 0,577 0,500 0,111 0,289 2
2 10,00 9,75 0,25 0,250 0,577 0,500 0,111 0,289 1
3 10,00 9,75 0,25 0,250 0,577 0,500 0,111 0,289 4
 3

4 9,00 9,75 -0,75 0,250 -1,732 0,000 1,0001 0,000 ^1

Exceeds
limits.

Box-Cox Power Transformation

Constant 95% CI 95% CI Best Rec.

k Low High Lambda Transform
0,000 3,00 None

Report tab adalah laporan diagnose dari kasus ke kasus dan kesimpulan dari kekuatan perubahan yang
direkomendasikan.

Memeriksa pokok utama efek dan beberapa interaksi

Interaksi antara keseragaman bobot dengan asam sitrat dan asam tartrat

Prediksi versus actual adalah untuk memprediksi nilaidari level.

Countor graph memiliki kode warna yang beragam menunjukkanjikabiru maka terdapat respon yang
paling kecil sedangkan untuk kuning merupakan respon yang paling tinggi. Kemudian tandai dengan add
flagpada prediksi seperti pada gambar.

Kemudian 3D contour untuk melihat lebih mudah melalui grapik 3D design eksperimen.
2. Kekerasan Tablet

Untuk kekerasan tablet rationya adalah 2 dari range 2-4. untuk ratio kurang dari 3 maka kekuatan
hubungan antara kekerasan tablet dan asam tartrat dan asam sitrat sedikit memiliki efek.

Half % probabilitas untuk melihat kemungkinan efek 50% antara bahan dan kekerasan tablet.
Vertical axis menunjukkan t value dari efek yang tepat. Efeks tatistic skala merupakan standar deviasi.
Pareto chart jugadapat untuk menunjukkan atau mengoreksi kesalahan faktor level, kesalahan data.t
value skala menyediakan pengukuran yang lebih akurat terhadap relatif efek.
Numerik adalah salah satu cara untuk melihat kemungkinan lain, distribusi,dan menyeleksi desain model
dengan auto select antara bahan asam sitrat asam tartrat terhadap kekerasan tablet dengan seluruh
level.

ANOVA kekerasan tablet

Pada hasil anova tersebut dapat dilihat hasilnya R squared, koofesien, dan persamaan.

Untuk kekerasan tablet hasil melebihi dari limit > 1

Memeriksa pokok utama efek dan beberapa interaksi

3. kerapuhan

Karena penjelasan proses sudah ada diatas maka ini hanya memplotkan hasil setiap proses.
Design
-Exp
ert®Softw
are
ke
rap
uhan

A:Asa
mTartrat
B:Asa
mSitra
t

Half-Normal Plot

95,0

90,0

Half-Normal % Probability
80,0

70,0

50,0

30,0
20,0
10,0
0,0

0,00 0,20 0,40 0,60 0,80 1,00

|Normal Effect|
 Pareto Chart
Bonf erroni Limit 4,85666
4,86

3,64

t-Value Limit 3,18245

t-Value of |Effect|

2,43

1,21

0,00

1 2 3

Rank

Response 3 kerapuhan

ANOVA for selected factorial model

Analysis of variance table [Partial sum of squares - Type III]
Sum of Mean F p-value
Source Squares df Square Value Prob > F
Model 0,000 0
Residual 0,000 3 0,000
Cor Total 0,000 3

Values of "Prob > F" less than 0,0500 indicate model terms are significant.
In this case there are no significant model terms.

Values greater than 0.1000 indicate the model terms are not significant.

If there are many insignificant model terms (not counting those required to support hierarchy),

model reduction may improve your model.

Std. Dev. 0,000 R-Squared

Mean 1,00 Adj R-Squared
C.V. % 0,000 Pred R-Squared
PRESS 0,000 Adeq Precision

Coefficients in Terms of Actual:

Coefficient Standard 95% CI 95% CI

Factor Estimate df Error Low High
Intercept 1,00 1 0,000 1,00 1,00

Final Equation in Terms of Actual Factors:

kerapuhan =
+1,00000
Design
-Exp
ert®Softw
are
ke
rap
uhan

Colorpo
intsbyvalueof
ke
rapuhan:
1,0

Predicted vs. Actual

2,0

1,5

Predicted
1,0

0,5

0,0

0,0 0,5 1,0 1,5 2,0

Actual
Design
-Exp
ert®Softw are
FactorCod
ing:Actual
ke
rapuhan(perse
n)
DesignPoints
1

X1=A:AsamTa rtrat
X2=B:AsamSitrat

kerapuhan (persen)
18

16,65

B: Asam Sitrat (Gram)

15,3

13,95

12,6

11,25
11,25 12,6 13,95 15,3 16,65 18

A: Asam Tartrat (Gram)

4.waktu dispersi
D
esign
-Expert®Softw
are
w
aktudispersi

A:Asa
mTartrat
B:Asa
mSitra
t

Half-Normal Plot

95,0

90,0

Half-Normal % Probability
80,0

70,0

50,0

30,0
20,0
10,0
0,0

0,00 0,43 0,87 1,30 1,73

|Normal Effect|
 Pareto Chart
Bonf erroni Limit 4,85666
4,86

3,64

t-Value Limit 3,18245

t-Value of |Effect|

2,43

1,21

0,00

1 2 3

Rank
Use your mouse to right click on individual cells for definitions.

Response 4 waktu dispersi

ANOVA for selected factorial model

Analysis of variance table [Partial sum of squares - Type III]
Sum of Mean F p-value
Source Squares df Square Value Prob > F
Model 0,000 0
Residual 1,00 3 0,33
Cor Total 1,00 3

Values of "Prob > F" less than 0,0500 indicate model terms are significant.

In this case there are no significant model terms.

Values greater than 0.1000 indicate the model terms are not significant.

If there are many insignificant model terms (not counting those required to support hierarchy),

model reduction may improve your model.

Std. Dev. 0,58 R-Squared 0,0000

Mean 1,50 Adj R-Squared 0,0000
C.V. % 38,49 Pred R-Squared -0,7778
PRESS 1,78 Adeq Precision
-2 Log Likelihood 5,81 BIC 7,19
AICc 9,81

A negative "Pred R-Squared" implies that the overall mean may be a better predictor of your

response than the current model.

Coefficient Standard 95% CI 95% CI

Factor Estimate df Error Low High
Intercept 1,50 1 0,29 0,58 2,42

Final Equation in Terms of Coded Factors:

waktu dispersi =
+1,50
 Final Equation in Terms of Actual Factors:
waktu dispersi =
+1,50000

The equation in terms of actual factors can be used to make predictions about the response for

given levels of each factor. Here, the levels should be specified in the original units for

each factor. This equation should not be used to determine the relative impact of each factor

because the coefficients are scaled to accommodate the units of each factor and the intercept

is not at the center of the design space.

D
esign
-Expert®Softw
are
w
aktudispersi

C
olorpointsbyvalueof
w
aktudispersi:
2,0

1,0

Residuals vs. Predicted

10,00
8,8602
Externally Studentized Residuals

5,00

0
0,00

-5,00

-8,8602

-10,00

0,5 1,0 1,5 2,0 2,5

Predicted
D
esign
-Expert®Softw
are
w
aktudispersi

C
olorpointsbyvalueof
w
aktudispersi:
2,0

1,0

Residuals vs. Run

10,00
8,8602

Externally Studentized Residuals

5,00

0
0,00

-5,00

-8,8602

-10,00

1 2 3 4

Run Number
D
esign
-Expert®Softw
are
w
aktudispersi

La
mb da
Curent=1
Best=0
Lo
wC .I.=-5,66
HighC .I.=5,66

Reco
mmen
dtran
sform
:
None
(La
mb
da=1)

Box-Cox Plot for Power Transforms

1,4

1,24061

1,2

Ln(ResidualSS)
0,8

0,6

0,4

0,2

-0,2

-3 -2 -1 0 1 2 3

Lambda
Design
-Expert®Softw are
FactorC od
ing:Actual
waktudispersi (menit)
DesignP oints
2

X1=A:AsamTa rtrat
X2=B:AsamSitrat

waktu dispersi (menit)

18

16,65

B: Asam Sitrat (Gram)

15,3

13,95

Prediction 1,5

12,6

11,25
11,25 12,6 13,95 15,3 16,65 18

A: Asam Tartrat (Gram)

Design
-Expert®Softw are
FactorC od
ing:Actual
waktudispersi (menit)
Designp ointsabovepredictedvalue
Designp ointsbelow pred
ictedvalue
2

X1=A:AsamTa rtrat
X2=B:AsamSitrat

1,5
2

1,8
waktu dispersi (menit)
1,6

1,4

1,2

18 18
16,65 16,65
15,3 15,3
13,95 13,95
B: Asam Sitrat (Gram) 12,6 12,6 A: Asam Tartrat (Gram)
11,25 11,25

Optimisasi

Ada 2 jenis optimisasi numerical untuk tujuan untuk setiap respon solusi menghasilkan kondisi optimal

Dan grapikal untuk tujuan mana yang masukpersyaratan minimal dan maksimal parameter pada setiap
respon dan melihat grapik overlay yang mana bisa digunakan.
 Des
i gn
-Expert®Soft ware
Fac
t orCo
di n
g: Actual
AlResponses
DesignPoi nts
1

X1=A:AsamT
artrat
X2=B:AsamSitrat

Desirability keseragaman bobot (persen) kekerasan (Kg)

18 18 18

16,65 16,65 16,65

B: Asam Sitrat (Gram)

B: Asam Sitrat (Gram)

B: Asam Sitrat (Gram)
Desirability 1 Prediction 9,75 Prediction 2,431
15,3 15,3 15,3

2,5

13,95 13,95 13,95

12,6 12,6 12,6

3,5

11,25 11,25 11,25

11,25 12,6 13,95 15,3 16,65 18 11,25 12,6 13,95 15,3 16,65 18 11,25 12,6 13,95 15,3 16,65 18

A: Asam Tartrat (Gram) A: Asam Tartrat (Gram) A: Asam Tartrat (Gram)

kerapuhan (persen) waktu dispersi (menit)

18 18

16,65 16,65
B: Asam Sitrat (Gram)

B: Asam Sitrat (Gram)

Prediction 1 Prediction 1,5
15,3 15,3

13,95 13,95

12,6 12,6

11,25 11,25
11,25 12,6 13,95 15,3 16,65 18 11,25 12,6 13,95 15,3 16,65 18

A: Asam Tartrat (Gram) A: Asam Tartrat (Gram)

Nilai desirability adalah nilai penerimaan 1, dari banyak solusi dicari yang paling banyak nilai
penerimaannya.
D esign
-Expert®Software
FactorCoding:Actual
OverlayPlo
t

D
esignPoints

Std#2R
un#1

1=A:AsamT
X artrat=18
X=B:AsamSitrat=11,2
2 5

Overlay Plot
18

16,65
X1 14,0708
X2 15,7401
B: Asam Sitrat (Gram)

15,3

13,95

12,6

11,25
11,25 12,6 13,95 15,3 16,65 18

A: Asam Tartrat (Gram)

 Hasil formula 1
D esign
-Expert®Software
FactorCoding:Actual
OverlayPlo
t

D
esignPoints

Std#1R
un#2

1=A:AsamT
X artrat=11,25
X=B:AsamSitrat=11,2
2 5

Overlay Plot
18

16,65

B: Asam Sitrat (Gram)

15,3

X1 15,4064
X2 13,8225
13,95

12,6

11,25
11,25 12,6 13,95 15,3 16,65 18

A: Asam Tartrat (Gram)

Hasil formula 2
D esign
-Expert®Software
FactorCoding:Actual
OverlayPlo
t

D
esignPoints

Std#4R
un#3

1=A:AsamT
X artrat=18
X=B:AsamSitrat=18
2

Overlay Plot
18

16,65 X1 13,3901
X2 16,0306

B: Asam Sitrat (Gram)

15,3

13,95

12,6

11,25
11,25 12,6 13,95 15,3 16,65 18

A: Asam Tartrat (Gram)

Hasil formula 3
D esign
-Expert®Software
FactorCoding:Actual
OverlayPlo
t

D
esignPoints

Std#3R
un#4

1=A:AsamT
X artrat=11,25
X=B:AsamSitrat=18
2

Overlay Plot
18

16,65

B: Asam Sitrat (Gram)

15,3

13,95
X1 13,2366
X2 12,9317

12,6

11,25
11,25 12,6 13,95 15,3 16,65 18

A: Asam Tartrat (Gram)

Hasil formula 4

Overlay plot adalah gabungan dari semua plot dari grapikal optimasi yang dianjurkan dan untuk
mengetahui nilai X1 dan X2 yang dimasukan ke persamaan.

KONFIRMASI

Pokok utama akhir kita akan mengekplor post analisis pada konfirmasi untuk membuat prediksi respon
untuk beberapa pengaturan kondisi pada proses faktor.
Hasil konfirmasi
Confirmation Report
Two-sided Confidence = 95% n =1
Factor Name Level Low Level High Level Std. Dev. Coding
A Asam Tartrat 18,00 11,25 18,00 0,000 Actual
B Asam Sitrat 11,25 11,25 18,00 0,000 Actual

Run 1 Predicted Predicted

Std SE 95% PI Data 95% PI
Response Mean Median1 Observed n
Dev Pred low Mean high
keseragaman
9,8 9,8 10,0 0,5 1 0,56 7,97 12,00 11,53
bobot
kekerasan 4,0 4,0 4,0
kerapuhan 1,0 1,0 1,0 0,0 1 0,000 1,00 2,00 1,00
waktu dispersi 1,5 1,5 2,0 0,6 1 0,65 -0,55 4,00 3,55

^1 For transformed responses the predicted mean and median may differ on the original scale.
See help for details.

Hasildari konfrimasi run yang memiliki * lebih dianjurkan kemudian masukan data mean, simpan.
Ini adalah koofesien tabel respon.

Sumber tutorial faktorial desain :

J.M. Kolthoff, Theory guides experiment decides, V10 of Design Expert Software: Top Tool For Design Of
Experiments (DOE), Stat Este Software Training and Consulting Statistic Made Easy.