Multi Faktor Anova

DESAIN EKSPERIMEN
ANOVA MULTI FAKTOR
Cutting Parameter Optimization for Surface Roughness in

Machining of GFRP Composites using Taguchi’s Method
K. Palanikumar. sagepublication, NYC, American Publication

Journal
Disusun Oleh:
Indra Surya Iwanata

NRP. 6007201041
Dosen:
Arif Wahyudi, ST., MT., Ph.D.
PROGRAM PASCASARJANA
DEPARTMENT TEKNIK MESIN
FAKULTAS TEKNOLOGI INDUSTRI DAN REKAYASA SISTEM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2020
ANOVA
Mata Kuliah Desain Eksperimen
Departemen Teknik Mesin Fakultas Teknologi Industri dan Rekayasa Sistem
Institut Teknologi Sepuluh Nopember Surabaya – 2020
Judul Jurnal : Cutting Parameter Optimization for Surface Roughness in

Machining of GFRP Composites using Taguchi’s Method
Penulis : K. Palanikumar
Sumber : sagepublication, NYC, American Publication Journal
Abstrak :
Artikel ini membahas tentang penggunaan metode Taguchi dan analisis
ANOVA untuk mengoptimalkan parameter cutting speed, feed rate dan depth of
cut dalam proses turning komposit glass fiber reinforced plastic (GFRP)
menggunakan alat poly crystalline diamond (PCD) untuk meminimalkan kekasaran
permukaan. Pemotongan Parameter yang dievaluasi adalah kecepatan potong,
kecepatan pengumpanan, dan kedalaman potong. Sebuah array ortogonal L27.
ANOVA digunakan untuk menganalisis pengaruh parameter dan interaksinya.
Hasil percobaan menunjukkan bahwa parameter proses yang paling signifikan
adalah paemakanan diikuti dengan kecepatan potong. Hasil penelitian
menunjukkan bahwa metode Taguchi dan ANOVA adalah sesuai untuk
mengoptimalkan parameter pemotongan dengan jumlah percobaan minimum.
Latar Belakang :
Pemanfaatan komposit glass fiber reinforced plastic (GFRP) material di

berbagai bidang teknik telah mengalami peningkatan yang luar biasa. Mereka
semakin banyak digunakan untuk berbagai aplikasi teknik dari otomotif untuk
komponen pesawat terbang karena kelebihannya jika dibandingkan dengan bahan
lain. Keunggulannya meliputi rasio kekuatan terhadap berat yang tinggi,
ketangguhan patah yang tinggi, dan ketahanan korosi dan termal yang sangat baik.
Saat bidang aplikasi FRP berkembang, peluang pengerjaan, seperti pemotongan
off, drilling, milling, turning, dll. telah meningkatkan fabrikasi.
Tujuan :
Jurnal ini membahas tentang penggunaan metode Taguchi dan analisis

ANOVA untuk mengoptimalkan parameter pemotongan, pemakanan dan
kedalaman potong pada komposit glass fiber reinforced plastic (GFRP)
1
ANOVA
menggunakan alat poly crystalline diamond (PCD) untuk meminimalkan

kekasaran permukaan. Parameter yang dievaluasi adalah kecepatan potong,
pemakanan dan kedalaman potong. Jurnal ini menjelaskan tentang pengaruh dari
parameter sebagai faktor (X) terhadap Surface Roughness sebagai respon (Y).
1. Posedur mencari persamaan regresi:
A. Menentukan data eksperimen
Tabel eksperimen berisi data yang akan dianalisis menggunakan Minitab

software. Data berikut merupakan data hasil dari observasi pengambilan 27
sampel parameter Cutting Speed dan Feed Rate (X) terhadap respon yaitu
Surface Roughness (Y).
Cutting speed Observation

(m/min) Surface Roughness
50 2.51 2.34 2.2 3.18 2.54 2.55 3.40 3.11 2.74
100 2.12 2.10 1.80 2.76 2.24 2.12 3.04 2.97 2.54
150 1.98 1.62 1.42 2.18 2.16 1.80 3.11 2.50 2.12
Feed Rate
(mm/rev)
0.1 2.51 2.34 2.20 2.12 2.10 1.80 1.98 1.62 1.42
0.15 3.18 2.54 2.55 2.76 2.24 2.12 2.18 2.16 1.80
0.20 3.40 3.11 2.74 3.04 2.97 2.54 3.11 2.50 2.12
Tabel 1. Hasil observasi parameter terhadap surface roughness
B. Minitab
Proses analisa regresi sesuai data yang dimiliki dengan menggunakan
software Minitab dan lakukan prosedur sebagai berikut. Tahapan ini adalah
langkah awal pada analisa variansi yang ditunjukan pada Gambar 1. Pada
proses input data di Minitab baris C5, diinput pada kolom responses,
sedangkan baris C2, C3 diinput pada kolom continuous predictors seperti
ditunjukan pada Gambar 2.
2
ANOVA
Gambar 1. Tampilan perintah membuat ANOVA pada Minitab
Gambar 2. Tampilan perintah membuat pilihan faktor pada Minitab
3
ANOVA
Gambar 3. Tampilan perintah membuat model interaksi faktor pada Minitab
Gambar 4. Tampilan perintah menampilkan plot diagram interaksi faktor pada

Minitab
4
ANOVA
Tabel 2. Hasil ANOVA Minitab
C. UJI ANOVA
Tabel 3. Tabel Minitab
HIPOTESIS
 Faktor Cutting Speed (A):
H0 : μ1 = μ2 = μ3
H1 : Setidaknya ada satu cara yang sama
 Faktor Feed Rate (B):
H0 : μ1 = μ2 = μ3
H1 : Setidaknya ada satu cara yang sama
 Interaksi Faktor A dan B:
H0 : τβi,j = 0 (adanya interaksi antar faktor)
H1 : τβi,j ≠ 0 (tidak ada interaksi antar faktor)
Dilihat dari nilai P-Value dengan taraf signifikansi yang digunakan adalah 95% maka
hasil ujinya adalah sebagai berikut:
a. Faktor Cutting Speed (A):
5
ANOVA
Nilai P-Value (0.000) < Alfa (0.05), maka H0 ditolak dan H1 diterima, yang artinya
setidaknya ada satu mean yang berbeda, jadi Cutting Speed berpengaruh secara
signifikan terhadap nilai Surface Roughness.
b. Faktor Feed Rate (B):
Nilai P-Value (0.000) < Alfa (0.05), maka H0 ditolak dan H1 diterima, yang artinya
setidaknya ada satu mean yang berbeda, jadi Feed Rate berpengaruh secara signifikan
terhadap nilai Surface Roughness.
c. Interaksi Faktor A dan B:
Berdasarkan data nilai PValue (0.981) > Alfa (0.05), maka H0 ditolak dan H1
diterima, yang artinya Tidak ada interaksi antara Cutting Speed dan Feed Rate
terhadap nilai surface roughness. Gambar 5 menunjukan semakin besar kecepatan
potong (CS) maka semakin kecil kekasaran permukaan (SR) dan semakin besar laju
pemakanan (FR) maka semakin besar pula kekasaran permukaannya (SR).
Gambar 5. Tampilan main effects plot diagram pada Minitab
Gambar 6 menunjukan bahwa dalam segi grafis tidak ada faktor ataupun respon
yang bersinggungan, artinya faktor A dan B tidak memiliki interaksi terhadap rata-
rata kekasaran permukaan (SR). Berikut ini adalah hasil plot yang menunjukkan
interaksi faktor Cutting Speed dan Feed Rate yang didapat dari minitab.:
6
ANOVA
Gambar 6. Tampilan interaction plot diagram pada Minitab
d. UJI NORMALITAS
Gambar 5. Tampilan grafik normality test plot diagram pada Minitab
• Hipotesis :
H0 = Data mengikuti distribusi normal

H1 = Data tidak mengikuti distribusi normal
Berdasarkan nilai Pvalue (0.479) > 0.05, maka H0 gagal ditolak yang artinya data
mengikuti distribusi normal. Pada keterangan tabel diatas, nilai mean yang tertera
adalah 5.098802E-16, yang berarti nilai tersebut sangat mendekati nilai 0. Jika nilai
means mendekati nilai 0 maka data tersebut terdistribusi searah garis normal.
e. UJI CONSTANT VARIANS
7
ANOVA
Gambar 6. Tampilan uji for equal test plot diagram pada Minitab
Hipotesis :
H0 = Nilai varian dari masing – masing level tidak signifikan berbeda.
H1 = Nilai varian signifikan berbeda.
Kriteria pengujiannya sebagai berikut:
H0 = Gagal ditolak apabila P-value > α
H0 = Ditolak apabila P-value < α
Berdasarkan nilai Pvalue (0.901) > 0.05, maka dengan keyakinan 95% H0 gagal ditolak
yang artinya nilai varian tidak signifikan berbeda.
f. UJI INDEPENDENCE & FIT MODEL
1. Uji residu versus fits plot digunakan untuk memverifikasi asumsi bahwa
residu didistribusikan secara acak dan memiliki varian yang konstan. Penggunaan
diagram ini poin/titik harus memiliki pola yang acak di kedua sisi 0, tanpa pola
yang dapat dikenali dalam poin.
2. Uji residual versus order berguna untuk memverifikasi asumsi bahwa residual
tidak bergantung satu sama lain. Residu independen tidak menunjukkan tren atau
pola saat ditampilkan dalam urutan waktu. Pola pada titik mungkin menunjukkan
8
ANOVA
bahwa residu yang dekat satu sama lain mungkin berkorelasi, dan dengan
demikian, tidak independen. Idealnya, residu pada plot harus jatuh secara acak di
sekitar garis tengah. Pola dalam tabel berikut dapat menunjukkan bahwa model tidak
memenuhi asumsi model.
Gambar 6. Tampilan uji independence and fit test plot diagram pada Minitab
Hasil uji independent dan kesesuaian, grafik menunjukkan bahwa plot

menyebar merata di atas dan di bawah sumbu 0 tanpa membentuk sebuah pola
tertentu sehingga dikatakan data independen dan telah memenuhi fit model.
g. Uji F
9
ANOVA
Uji distribusi F merupakan uji yang digunakan untuk hasil analisi varian yang
tidak membuktikan adanya perbedaan perlakuan dan pengaruh faktor dalam
percobaan. Uji F dilakukan dengan cara membandingkan variansi yang
disebabkan masing-masing faktor dan variansi error. Variansi error adalah
variansi setiap individu dalam pengamatan yang timbul karena faktor-faktor yang
tidak dapat dikendalikan. Berikut adalah rumusan yang digunakan pada uji
distribusi F:
Nilai Fsumber tersebut dibandingkan dengan nilai F dari tabel pada harga α
tertentu dengan derajad kebebasan ((k-1).(N-k)). Dimana k adalah jumlah level
suatu faktor dan N adalah jumlah total perlakuan.
Hipotesa pengujian dalam suatu percobaan adalah:

H0 : tidak ada pengaruh perlakuan, sehingga μ1 = μ2 =…= μj = μk
H1 : ada pengaruh perlakuan, sehingga sedikit ada satu μ1 yang tidak sama
Apabila nilai F test lebih kecil nilai Ftabel (Fhitung < Ftabel), maka hipotesa
(Ho) diterima atau berarti tidak ada perlakuan. Namun jika nilai F test lebih besar
dari nilai Ftabel (Fhitung > Ftabel), maka hipotesa (Ho) ditolak dan berarti ada
perbedaan perlakuan.
Berikut adalah hasil perhitungan menggunakan Minitab:
Tabel 2. Uji F
10
ANOVA
Hipotesis
Faktor A:
H0: β1 ≠ β2 ≠ 0; (variable X “Cutting Speed” berpengaruh Y “Surface
Roughness”).
H1: β1 = β2 = 0; (variabel X “Cutting Speed” tidak berhubungan dengan Y
“Surface Roughness”).
Faktor B:
H0: β1 ≠ β2 ≠ 0; (variable X “Feed Rate” berpengaruh dengan Y “Surface
Roughness”).
H1: β1 = β2 = 0; (variabel X “Feed Rate” tidak berhubungan dengan Y “Surface
Roughness”).
Kriteria penolakan sebagai berikut:

H0 = Gagal ditolak jika nilai P-Value > α
H0 = Ditolak jika nilai P-Value < α
Jadi dengan tingkat keyakinan 95% P-Value 0.000 < 0.05, maka H0 ditolak
dan H1 diterima. H1 menunjukkan adanya hubungan/pengaruh antara parameter
cutting speed dan feed rate terhadap Y “Surface Roughness”.
h. Uji T
Uji T merupakan jawaban sementara terhadap rumusan masalah, yaitu yang
menanyakan hubungan antara dua variabel atau lebih.
Rancangan pengujian hipotesis digunakan untuk mengetahui korelasi dari kedua
variabel yang diteliti. Uji T hasil.
11
ANOVA
Tabel 3. Uji T
Hipotesis:
Faktor A
H0 : β1 ≠ β2 ≠ 0; (variable X “Cutting Speed” tidak berhubungan dengan Y
H1 : β1 = β2 = 0; (variabel X “Cutting Speed” berhubungan/berpengaruh dengan
Y “Surface Roughness”).
Faktor B
H0 : β1 ≠ β2 ≠ 0; (variable X “Feed Rate” tidak berhubungan dengan Y “Surface
Roughness”).
H1 : β1 = β2 = 0; (variabel X “Feed Rate” berhubungan/berpengaruh dengan Y
Interaksi Faktor A dan B

Karena P-Value 0.000 < 0.05, maka dengan tingkat kepercayaan 95% H0 ditolak
dan H1 diterima.
i. Model Summary
Model Sumamary menjelaskan tentang beberapa tipe nilai prediksi yaitu S, R-
sq, R-sq(adj), R-sq(pred), tetapi pada analisis kontribusi parameter terhadap
12
ANOVA
respon dengan melihat R2 (R-sq) terbesar. Semakin tinggi nilai R2, semakin baik
model yang sesuai dengan data. R2 selalu memiliki rentangan prosentase antara
0% dan 100%. Dari data yang didapat maka dapat dilihat bahwa prosentase
kontribusi parameter sebesar 73,96% terhadap Surface Roughness.
Tabel 4. Data model kontribusi parameter
j. Kesimpulan
Kesimpulan dari analisa ANOVA multi faktor yaitu pengaruh parameter
Cutting Speed dan Feed Rate terhadap respon yaitu Surface Roughness
berkontribusi sebesar 73,96%. Hasil dari analisa multi faktor yang terdiri dari
faktor Cutting Speed (A) dan Feed Rate (B) memiliki pengaruh yang signifikan
terhadap respon yaitu Surface Roughness (SR), hal tersebut dibuktikan dengan
nilai P-Value kurang dari α (0.05) tetapi faktor A dan B tidak memiliki interaksi,
hal tersebut dibuktikan pada uji Main Effect dan Interaction Plot diagram, dimana
semakin besar level Cutting Speed (CS) maka semakin kecil Surface Roughness
(SR) (SR) dan semakin besar level Feed Rate (FR) maka semakin besar pula
Surface Roughness (SR).
13
ANOVA
Reference
K. Palanikumar. 2006. Journal Cutting Parameter Optimization for Surface

Roughness in Machining of GFRP Composites using Taguchi’s Method.
sagepublication, NYC, American Publication
14
ANOVA
k. Lampiran data Minitab:

Tabel Faktor dan Respon
15
ANOVA
16
ANOVA
17

Multi Faktor Anova

Diunggah oleh

Informasi Dokumen

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

Multi Faktor Anova

Diunggah oleh

Hak Cipta:

Format Tersedia

DESAIN EKSPERIMEN

ANOVA MULTI FAKTOR

Cutting Parameter Optimization for Surface Roughness in

K. Palanikumar. sagepublication, NYC, American Publication

Indra Surya Iwanata

Arif Wahyudi, ST., MT., Ph.D.

Judul Jurnal : Cutting Parameter Optimization for Surface Roughness in

Pemanfaatan komposit glass fiber reinforced plastic (GFRP) material di

Jurnal ini membahas tentang penggunaan metode Taguchi dan analisis

menggunakan alat poly crystalline diamond (PCD) untuk meminimalkan

1. Posedur mencari persamaan regresi:

A. Menentukan data eksperimen

Tabel eksperimen berisi data yang akan dianalisis menggunakan Minitab

Cutting speed Observation

Tabel 1. Hasil observasi parameter terhadap surface roughness

Gambar 1. Tampilan perintah membuat ANOVA pada Minitab

Gambar 2. Tampilan perintah membuat pilihan faktor pada Minitab

Gambar 3. Tampilan perintah membuat model interaksi faktor pada Minitab

Gambar 4. Tampilan perintah menampilkan plot diagram interaksi faktor pada

Tabel 2. Hasil ANOVA Minitab

Tabel 3. Tabel Minitab

a. Faktor Cutting Speed (A):

b. Faktor Feed Rate (B):

c. Interaksi Faktor A dan B:

Gambar 5. Tampilan main effects plot diagram pada Minitab

Gambar 6. Tampilan interaction plot diagram pada Minitab

Gambar 5. Tampilan grafik normality test plot diagram pada Minitab

H0 = Data mengikuti distribusi normal

e. UJI CONSTANT VARIANS

f. UJI INDEPENDENCE & FIT MODEL

Hasil uji independent dan kesesuaian, grafik menunjukkan bahwa plot

Hipotesa pengujian dalam suatu percobaan adalah:

Kriteria penolakan sebagai berikut:

Interaksi Faktor A dan B

Tabel 4. Data model kontribusi parameter

K. Palanikumar. 2006. Journal Cutting Parameter Optimization for Surface

k. Lampiran data Minitab:

Anda mungkin juga menyukai