Kelas H

LAPORAN PRAKTIKUM
Rancangan Percobaan
Modul 7 : Faktorial 𝟐𝒌
Modul 8 : Model Regresi Pada Rancangan Percobaan

Nomor Tanda Tangan

Nama Praktikan Tanggal Kumpul Praktikan
Mahasiswa
Dinda Ardhia 21611116 4 Juli 2023
Ramadhani Kusuma

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Riska Yulianti
Safrida Isna Sifa

Mujiati Dwi
Kartikasari, M.Sc

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2023
Daftar Isi

Halaman sampul ....................................................................................................... i

1 Pendahuluan .................................................................................................... 4
1.1 Rancangan Faktorial 𝟐𝒌 ........................................................................... 4
1.2 Model Regresi .......................................................................................... 5
1.3 Analisis Regresi Linear Berganda ............................................................ 5
2 Deskripsi Kerja................................................................................................ 7
2.1 Studi Kasus ............................................................................................... 7
2.2 Langkah Kerja .......................................................................................... 8
3 Pembahasan ................................................................................................... 12
3.1 Studi Kasus Nomor 1 ............................................................................. 12
3.2 Studi Kasus Nomor 2 ............................................................................. 16
4 Penutup.......................................................................................................... 19
4.1 Kesimpulan ............................................................................................. 19
5 Daftar Pustaka ............................................................................................... 21

ii
Daftar Gambar

Gambar 2.1. Shortcut RStudio. .............................................................................. 8

Gambar 2.2. Tampilan awal dan R console kosongan di RStudio. ........................ 9
Gambar 2.3. Sintaks untuk menginput data studi kasus 1. .................................... 9
Gambar 2.4. Sintaks untuk melihat data studi kasus 1. ......................................... 9
Gambar 2.5. Sintaks untuk dataframe perulangan data etsa. ................................ 9
Gambar 2.6. Sintaks mengaplikasikan suatu fungsi pada data etsa. ..................... 9
Gambar 2.7. Sintaks untuk melakukan uji ANOVA data etsa. ............................. 9
Gambar 2.8. Sintaks untuk melihat ringkasan uji ANOVA data etsa. .................. 9
Gambar 2.9. Sintaks untuk pendefinisian faktor A, B dan C. ............................. 10
Gambar 2.10. Sintaks untuk pendefinisian fektor baru (nilai observasi). ........... 10
Gambar 2.11. Sintaks membuat dataframe dari vektor sebelumnya. .................. 10
Gambar 2.12. Sintaks untuk membuat dataframe kolom numerik. .................... 10
Gambar 2.13. Sintaks untuk memberi nama kolom dataframe baru. .................. 10
Gambar 2.14. Sintaks untuk mendefinisikan matriks X dan Y. .......................... 11
Gambar 2.15. Sintaks perhitungan matriks untuk estimator regresi.................... 11
Gambar 2.16. Sintaks untuk membuat dataframe baru. ...................................... 11
Gambar 2.17. Sintaks untuk analisis regresi. ...................................................... 11
Gambar 2.18. Sintaks untuk melihat residual ANOVA. ..................................... 11
Gambar 2.19. Sintaks untuk melihat residual analaisis regresi. .......................... 11
Gambar 3.1. Hasil menampilkan data etsa studi kasus 1..................................... 12
Gambar 3.2. Hasil untuk dataframe perulangan data etsa studi kasus 1. ............ 12
Gambar 3.3. Hasil dari uji ANOVA data etsa studi kasus 1. .............................. 13
Gambar 3.4. Hasil untuk dataframe faktor A, B dan C. ...................................... 16
Gambar 3.5. Hasil perhitungan manual estimator regresi. .................................. 17
Gambar 3.6. Hasil analisis regresi. ...................................................................... 17
Gambar 3.7. Hasil untuk residual ANOVA. ........................................................ 18
Gambar 3.8. Hasil untuk residual analisis regresi. .............................................. 18

iii
1 Pendahuluan

1.1 Rancangan Faktorial 𝟐𝒌

Seringkali dalam suatu rancangan faktorial, ditemui kondisi di mana

percobaan melibatkan k faktor dan setiap faktor terdiri atas 2 level. Rancangan
dengan kondisi demikian disebut dengan rancangan faktorial 2𝑘. Misalnya sebuah
rancangan percobaan yang terdiri atas faktor A dan B dimana masing-masing faktor
tersebut terdiri atas dua buah taraf akan ditulis sebagai rancangan faktorial
22. Contohnya pada rancangan faktorial 2𝑘 yang paling sederhana yaitu rancangan
faktorial 22 yang menghasilkan 4 kombinasi perlakuan yang dapat dilambangkan
dengan 𝐴0𝐵0 (1), 𝐴1𝐵0 (a), 𝐴0𝐵1 (b), 𝐴1𝐵1 (ab). Jumlah dari perkalian tanda dalam
kolom suatu efek dengan kombinasi perlakuan yang bersesuaian akanmenghasilkan
suatu kombinasi linear yang disebut kontras. Kontras dari suatu efek dapat juga
diperoleh dengan cara sebagai berikut :
𝐾𝑜𝑛𝑡𝑟𝑎𝑠𝐴𝐵…𝐾 = (𝑎 ± 1)(𝑏 ± 1) … (𝑘 ± 1) (1)
Tanda plus dan minus ( ±) dalam kurung akan dipilih minus jika faktor yang
bersangkutan termasuk dalam kontras efek yang akan dihitung dan sebaliknya, akan
dipilih plus jika faktor yang bersangkutan tidak termasuk dalam kontras efek yang
akan dihitung. Sementara angka “1” pada hasil akhir penyelesaian persamaan (1)
di atas menunjukkan kombinasi perlakuan (1). (Arifianto, AF, & Anisa, 2014)
Selanjutnya, untuk menghitung estimasi efek sebagai berikut :

Tujuan dari percobaan faktorial adalah untuk melihat interaksi antara faktor
yang dicobakan. Adakalanya kedua faktor saling sinergi terhadap respon, namun
adakalanya keberadaan salah satu faktor justru menghambat kinerja dari faktor lain.
Adanya kedua mekanisme tersebut cenderung meningkatkan pengaruh interaksi
antara kedua faktor. Keuntungan percobaan faktorial adalah mampu mendeteksi
respon dari taraf masing-masing faktor (pengaruh utama) serta interaksi antara dua
faktor (pengaruh sederhana) (Montgomery, 2005).

4
1.2 Model Regresi
Analisis regresi merupakan analisis ketergantungan dari satu atau lebih
variabel bebas terhadap satu variabel tergantung, dengan tujuan untuk
menduga atau memprediksi nilai rata-rata populasi berdasarkan niali-nilai
variabel bebasnya. Perbedaan mendasar antara analisis korelasi dengan analisis
regresi adalah bahwa analisis korelasi hanya bertujuan untuk mengukur
kekuatan hubungan linierantar dua variabel, sehingga pada analisis korelasi tidak
membedakan antaravariabel bebas dengan variabel tergantung. Sedangkan
analisis regresi selain mengukur kekuatan hubungan antar dua variabel atau
lebih, analisis regresi juga digunakan untuk menetukan aarah hubungan antara
variabel bebas dengan variabel tergantungnya. Dalam rancangan percobaan
penggunaan analisis reresi dinamakandengan model analisis regrasi percobaan.
Metode regresi adalah salah satu metode yang umum dan paling dasar
digunakan dalam menentukan prediksi terhadap suatu data, dengan cara
mengetahui pengaruh variabel respon dengan variabel predictor (Nafi’iyah,
2016; Rabbi et al., 2021). Tujuan dari metode regresi adalah memperoleh model
prediksiyang baik yang ditunjukkan dengan pengujian akurasi dengan tingkat
kesalahan yang rendah. (Baskoro, Suhartono, Chamidy, & Zaman, 2022)

1.3 Analisis Regresi Linear Berganda

Analisis yang memiliki variabel bebas lebih dari satu disebut analisis regresi
linier berganda. Teknik regresi linier berganda digunakan untuk mengetahui ada
tidaknya pengaruh signifikan dua atau lebih variabel bebas (𝑋1, 𝑋2, 𝑋3, … , 𝑘)
terhadap variabel terikat (Y). Model regresi linier berganda untuk populasi dapat
ditunjukkan sebagai berikut [1]: (G. Mona, S. Kekenusa, & D. Prang , 2015)
𝑌 = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 + ⋯ + 𝛽𝑛𝑋𝑛 + 𝑒
Model regresi linier berganda untuk populasi diatas dapat ditaksir dengan model
regresi linier berganda untuk sampel, yaitu:
𝑌̂= 𝑏0 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ + 𝑏𝑘 𝑋𝑘
dengan: 𝑌̂= nilai penduga bagi variabel Y
𝑏0= dugaan bagi parameter konstanta

5
𝑏1, 𝑏2, … , 𝑏𝑘= dugaan bagi parameter kostanta 𝛽1, 𝛽2, … , 𝛽𝑘
𝑋= variabel bebas

6
2 Deskripsi Kerja

2.1 Studi Kasus

1. Suatu percobaan dilakukan untuk mengembangkan proses etsa plasma.
Proses etsa plasma digunakan untuk 'mengkasar' permukaan, pada skala
mikroskopis. Permukaan komponen biasanya digores dengan gas proses
reaktif yang memberikan efek kimia dan fisik pada permukaan. Terdapat
tiga faktor yang diujikan A yaitu celah, B yaitu aliran gas, dan C yaitu
kekuatan RF. Respon yang diberikan berupa tingkat etsa. Berikut adalah
data hasil observasi.
A B C Ulangan 1 Ulangan 2
- - - 550 604
+ - - 669 650
- + - 633 601
+ + - 642 635
- - + 1037 1052
+ - + 749 868
- + + 1075 1063
+ + + 729 860

a. Hitung pengaruh utama dengan berdasarkan pada order Yaters untuk

pengaruh jenis media sosial (A).
b. Hitung Jumlah Kuadrat faktor A (JKA) dengan rumusan order Yates.
c. Lakukan analisis hipotesis factorial 23 dengan nilai 𝛼 = 5%
2. Perusahaan memasarkan produknya melalui media sosial. Eksperimen
dilakukan untuk mempelajari pengaruh tiga faktor pada tingkat respons
pelanggan untuk produk tertentu. Tiga faktor tersebut adalah A jenis media
sosial yang digunakan (instagram, facebook), B jenis desain posting
(colofull, monochrome), dan C harga yang ditawarkan (20K, 25K). Posting
dilakukan setiap hari selama seminggu dalam tiga bulan (perulangan)

7
 dengan environment follower yang hampir sama. Hasil observasi
merupakan jumlah pembelian produk tersebut dalam skala 1-50.

A B C Ulangan 1 Ulangan 2 Ulangan 3

- - - 32 35 27
+ - - 45 48 39
- + - 20 21 21
+ + - 17 19 20
- - + 30 32 36
+ - + 18 25 26
- + + 10 8 9
+ + + 10 9 12
a. Gunakan pendekatan dengan analisis regresi dan analisis variansi untuk
problem tersebut.
b. Tentukan residualnya.
2.2 Langkah Kerja
Pada bagian langkah kerja ini, praktikan akan menjelaskan mengenai
langkah-langkah apa saja yang perlu dilakukan dalam menyelesaikan studi kasus
pada laporan ini.
1. Pertama-tama, untuk menyelesaikan studi kasus , praktikan menggunakan
RStudio dengan shortcut seperti gambar di bawah ini.

Gambar 2.1. Shortcut RStudio.

2. Setelah Rstudio dibuka maka akan muncul tampilan awal dan kosongkan
R console dengan mengklik ctrl-L seperti gambar di bawah ini.

8
 Gambar 2.2. Tampilan awal dan R console kosongan di RStudio.
3. Untuk studi kasus 1, praktikan terlebih meng-input data dari studi kasus
dengan menggunakan sintaks seperti gambar di bawah ini.

Gambar 2.3. Sintaks untuk menginput data studi kasus 1.

4. Kemudian, praktikan dapat melihat data dengan menggunakan sintaks
seperti di bawah ini.

Gambar 2.4. Sintaks untuk melihat data studi kasus 1.

5. Selanjutnya, praktikan membuat dataframe untuk perulangan dari data
etsa dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.5. Sintaks untuk dataframe perulangan data etsa.

6. Lalu, praktikan mengaplikasikan suatu fungsi ke setiap anggota x
dengan menggunakan sintaks seperti dibawah ini.

Gambar 2.6. Sintaks mengaplikasikan suatu fungsi pada data etsa.

7. Selanjutnya praktikan melakukan uji ANOVA dengan menggunakan
sintaks seperti di bawah ini.

Gambar 2.7. Sintaks untuk melakukan uji ANOVA data etsa.

8. Untuk melihat ringkasan dari hasil Uji ANOVA digunakan sintaks seperti
di bawah ini.

Gambar 2.8. Sintaks untuk melihat ringkasan uji ANOVA data etsa.

9
9. Untuk studi kasus kedua yaitu menggunakan pendekatan dengan analisis
regresi dan analisis variansi, pertama-tama praktikan mendefinisikan
faktor A, B, dan C dalam 3 kali perulangan dengan menggunakan sintaks
seperti di bawah ini.

Gambar 2.9. Sintaks untuk pendefinisian faktor A, B dan C.

10. Kemudian, praktikan juga membuat pendefinisian nilai observasi dengan
membuat vektor baru yang berisi U1, U2 dan U3 berurutan dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.10. Sintaks untuk pendefinisian fektor baru (nilai observasi).

11. Lalu, praktikan membuat dataframe yang kolomnya merupakan hasil
perulangan faktor A. B dan C serta nilai observasinya dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.11. Sintaks membuat dataframe dari vektor sebelumnya.

12. Setelah itu, praktikan membuat dataframe baru dimana semua kolom
didefinisikan sebagai numerik dengan menggunakan sintaks seperti di
bawah ini.

Gambar 2.12. Sintaks untuk membuat dataframe kolom numerik.

13. Berikutnya, praktikan memberi nama pada kolom dataframe baru
tersebut dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.13. Sintaks untuk memberi nama kolom dataframe baru.

14. Selanjutnya, praktikan mendefinisikan dataframe X sebagai matriks X
dan begitu pula matriks Y yang berisi nilai observasi saja dengan
menggunakan sintaks seperti di bawah ini.

10
 Gambar 2.14. Sintaks untuk mendefinisikan matriks X dan Y.
15. Kemudian praktikan melakukan perhitungan matriks untuk mendapatkan
nilai estimator regresi dengan menggunakan sintaks seperti di bawah ini.

Gambar 2.15. Sintaks perhitungan matriks untuk estimator regresi.

16. Setelah itu, praktikan membuat dataframe lagi yang berisi nilai
observasi faktor A, B dan C dengan menggunakan sintaks seperti di
bawah ini.

Gambar 2.16. Sintaks untuk membuat dataframe baru.

17. Kemudian, praktikan melakukan perhitungan regresi dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.17. Sintaks untuk analisis regresi.

18. Lalu, praktikan melihat residual dari analisis variance dengan
menggunakan sintaks seperti di bawah ini.

Gambar 2.18. Sintaks untuk melihat residual ANOVA.

19. Terakhir, untuk residual analisis regresi digunakan sintaks seperti di
bawah ini.

Gambar 2.19. Sintaks untuk melihat residual analaisis regresi.

11
3 Pembahasan

3.1 Studi Kasus Nomor 1

Pada studi kasus pertama, praktikan diminta untuk menganalisis data
observasi menggunakan “Faktorial 2𝑘 ” dengan meng-input data yang telah
diberikan dengan menggunakan sintaks dataetsa=read.table("D:\\PRAK
RANCOB\\dataetsa.txt", header = TRUE) dan praktikan dapat melihat data
sudah ter-input dengan memanggil data etsa.. Setelah selesai memasukkan sintaks,
run semua sintaks tersebut dan hasilnya akan terlihat sebagai berikut.

Gambar 3.1. Hasil menampilkan data etsa studi kasus 1.

Selanjutnya, praktikan membuat data frame untuk perulangan dari data etsa
dengan menggunakan fungsi rbind(). fungsi rbind() digunakan untuk
menggabungkan baris dari dua atau lebih objek menjadi satu objek. Pada dasarnya,
fungsi ini menggabungkan objek-objek tersebut secara berbaris yang artinya pada
studi kasus perulangan 1 dan perulangan 2 akan dibuatkan satu baris dalam setiap
faktornya dengan menggunakan sintaks seperti pada Gambar 2.5. Setelah itu run
sintaks dan hasilnya akan terlihat seperti berikut ini.

Gambar 3.2. Hasil untuk dataframe perulangan data etsa studi kasus 1.

12
 Berdasarkan hasil yang didapatkan perulangan 1 dan perulangan 2 yang
dijadikan satu kolom diberi nama dengan variabel respon yang sesuai dengan
faktor-faktor pada setiap barisnya.
Lalu, praktikan mengaplikasikan suatu fungsi ke setiap anggota x dengan
menggunakan fungsi lapply(). fungsi lapply() digunakan untuk menerapkan
suatu fungsi tertentu ke setiap elemen dari objek yang di-input kan. Dengan hasil
yang didapatkan daftar yang memiliki panjang yang sama dengan x yang
merupakan objek atau data yang digunakan dan praktikan dapat menggunakan
sintaks seperti pada Gambar 2.6. Dilanjutkan dengan praktikan melakukan
perhitungan Uji Anova dengan menggunakan sintaks seperti pada Gambar 2.7.
Untuk dapat melihat ringkasan dari hasil Uji Anova sebelumnya praktikan dapat
menggunakan sintaks seperti pada Gambar 2.8. Setelah semua sintaks
dimasukkan, run sintaks-sintaks tersebut dan akan terlihat hasil sebagai berikut ini.

Gambar 3.3. Hasil dari uji ANOVA data etsa studi kasus 1.
Berdasarkan gambar di atas, dari uji ANOVA didapatkan hasil sebagai
berikut ini:
a) Hipotesis
1) Pengaruh Faktor A
𝐻0 ∶ 𝛼1 = 𝛼2 = 0
𝐻1 : ∃𝛼𝑖 ≠ 0 dengan 𝑖 = 1,2
2) Pengaruh Faktor B
𝐻0 ∶ 𝛽1 == 0
𝐻1 : ∃𝛽𝑗 ≠ 0 dengan 𝑗 = 1,2
3) Pengaruh Interaksi A dan B
𝐻0 ∶ 𝛼𝛽11 = 𝛼𝛽12 = ⋯ = 𝛼𝛽22 = 0
𝐻1 : ∃𝛼𝛽𝑖𝑗 ≠ 0 dengan 𝑖, 𝑗 = 1,2

13
b) Taraf Signifikansi
α = 0.05
c) Daerah Kritis
𝐻0 ditolak jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
Untuk seluruh pengaruh (pengaruh utama faktor metode, faktor promo dan
interaksi) memiliki daerah kritis yang sama.
d) Statistik Uji

e) Keputusan
Tolak H0 karena p-value = 0.002679 < 𝛼 = 0.05
f) Kesimpulan

14
 Dengan menggunakan tingkat kepercayaan sebesar 95% data yang
menunjukkan Tolak H0, yang dimana dapat dikatakan bahwa faktor A yaitu
celah signifikan terhadap efek kimia dan fisika pada permukaan etsa
plasma. Selain faktor A, faktor C dan pengaruh interaksi faktor A dan C
signifikan. Sedangkan pengaruh faktor B, pengaruh interaksi faktor A:B,
pengaruh interaksi faktor B:C, dan pengaruh interaksi faktor A:B:C tidak
signifikan.
Untuk menyelesaikan studi kasus yang diberikan untuk faktorial 23
praktikan membuat tabel observasi standar order sebagai berikut.

Untuk menghitung pengaruh faktor A (celah) dengan menggunakan rumusan

order Yates praktikan dapat menggunakan perhitungan sebagai berikut.

Sehingga, didapatkan untuk perhitungan faktorial 23 untuk pengaruh faktor A

(celah) sebesar -101.625. Efek A negatif yang artinya peningkatan jumlah celah
dalam porses etsa plasma, akan menurunkan efek kimia dan fisik pada permukaan.
Selanjutnya untuk menghitung Jumlah Kuadrat faktor A (JKA) dengan
menggunakan rumusan order Yates sebagai berikut.

15
Sehingga, didapatkan nilai Jumlah Kuadrat Faktor A (JKA) sebesar 2704.
3.2 Studi Kasus Nomor 2
Untuk studi kasus 2 bagian a dilakukan analisis regresi2, hal pertama yang
dilakukan adalah mendefinisikan kolom untuk faktor A, B dan C menjadi 3 kali
perulangan seperti pada Gambar 2.9 dan kemudian untuk berikutnya praktikan
juga mendefinisikan kolom ulangan mejadi 1 kolom saja dengan berturut turut U1,
U2, dan U3 dengan sintaks seperti pada Gambar 2.10. Kemudian digabungkan
menjadi sebuah dataframe yang sintaks-nya seperti pada Gambar 2.11, setelah
semua sintaks dimasukkan klik run dan hasilnya akan terlihat sebagai berikut ini.

Gambar 3.4. Hasil untuk dataframe faktor A, B dan C.

Kemudian praktikan membuat sebuah dataframe baru lagi bernama x yang
mana setiap kolom diubah menjadi tipe numerik seperti pada Gambar 2.12. Dan
kemudian praktikan mengubah nama kolom pada dataframe baru tersebut dengan
sintaks seperti pada Gambar 2.13. setelah itu, praktikan mengubah dataframe x
menjadi sebuah matriks dan membuat matrik y yang berisi nilai observasi saja
seperti sintaks pada Gambar 2.14. Untuk melakukan perhitungan nilai estimator

16
regresi untuk data ini, praktikan mencari hasil dari perkalian transpose matriks x
dan matriks x yang disimpan dalam matriks “a”. Kemudian perkalian dari transpose
matriks x dengan matriks y yang disimpan dalam matriks “b”. dan yang terakhir
untuk melihat nilai estimatornya bisa dihitung dengan invers dari matriks a dikali
matriks b. Untuk lebih jelasnya bisa dilihat pada Gambar 2.15, setelah semua
sintaks dimasukkan klik run dan hasilnya akan terlihat sebagai berikut ini.

Gambar 3.5. Hasil perhitungan manual estimator regresi.

Berdasarkan hasil diatas dapat menggambarkan persamaan model regresi
yaitu 𝑦̂ = 23,708333 + 0,2916667𝑥1 − 9,0416667𝑥2 − 4,9583333𝑥3. Untuk lebih
jelasnya, praktikan melakukan analisis regresi menggunakan fungsi lm seperti pada
Gambar 2.16, setelah itu klik run dan hasilnya akan terlihat sebagai berikut ini.

Gambar 3.6. Hasil analisis regresi.

Berdasarkan hasil diatas terlihat bahwa estimator regresinya bernilai sama
dengan hasil perhitungan matriks sebelumnya dan bisa dipastikan bahwa kedua
pendekatan tersebut menghasilkan hasil yang cukup konsisten dan dapat dipakai
untuk analisis regresi linear.

17
 Untuk studi kasus 2 bagian b, praktikan akan menentukan residual dari kedua
uji. Untuk residual dari 2 model, pada model pertama yaitu ANOVA praktikan
mengetik sintaks seperti pada Gambar 2. 18, setelah sintaks dimasukkan klik run
dan hasilnya akan terlihat sebagai berikut ini.

Gambar 3.7. Hasil untuk residual ANOVA.

Untuk residual pada model analisis regresi digunakan sintaks seperti pada
Gambar 2.19, setelah sintaks dimasukkan klik run dan hasilnya akan terlihat
sebagai berikut ini.

Gambar 3.8. Hasil untuk residual analisis regresi.

Berdasarkan kedua residual diatas terlihat bahwa kedua model memiliki
residual yang hampir sama yang berbeda hanya pada observasi ke-23. Pada model
ANOVA residual observasi ke-23 sebesar 1,068590 x 10-16 sedangkan pada model
analisis regresi sebesar -1,804112 x 10-16

18
4 Penutup

4.1 Kesimpulan
Dari hasil praktik dan pembahasan pada bab-bab sebelumya praktikan dapat
mengambil beberapa kesimpulan yaitu :
1. Rancangan faktorial 2𝑘 merupakan percobaan yang melibatkan k faktor
dan setiap faktor terdiri atas 2 level.
2. Analisis regresi merupakan analisis ketergantungan dari satu atau lebih
variabel bebas terhadap satu variabel tergantung, dengan tujuan untuk
mendugaatau memprediksi nilai rata-rata populasi berdasarkan niali-nilai
variabel bebasnya.
3. Berdasarkan pembahasan dari studi kasus dibab sebelumnya di dapatkan
bahwa :
• Untuk studi kasus pertama, hasil perhitungan pengaruh utama
untuk pengaruh faktor A(celah) dengan menggunakan rumusan
order Yates sebesar -101.625. Hasil perhitungan Jumlah Kuadrat
faktor A (JKA) sebesar 2704. Dengan menggunakan tingkat
kepercayaan sebesar 95% data yang menunjukkan Tolak 𝐻0 yang
berarti faktor A yaitu celah signifikan terhadap efek kimia dan
fisik pada permukaan etsa plasma. Selain faktor A, faktor C dan
pengaruh interaksi faktor A dan C signifikan. Sedangkan
pengaruh faktor B, pengaruh interaksi faktor A:B, pengaruh
interaksi faktor B:C, dan pengaruh interaksi faktor A:B:C tidak
signifikan.
• Untuk studi kasus kedua didapatkan hasil dengan mengguanakan
pendekatan analisis variansi didaparkan model regresi 𝑦̂ =
23,708333 + 0,2916667𝑥1 − 9,0416667𝑥2 − 4,9583333𝑥3.
Didapatkan juga hasil dalam menentukan residual dari masing-
masing model. Didapatkan hasil bahwa kedua model memiliki
nilai residual yang sama. Akan tetapi pada observasi ke-23
memiliki nilai yangvberbeda yaitupada model analisis variansi

19
sebesar 1,068590 × 10−15 sedangkan pada model analisis regresi
sebesar −1,804112 × 10−16.

20
5 Daftar Pustaka

Arifianto, F., AF, M., & Anisa. (2014). Identifikasi Faktor Signifikan pada
Rancangan Faktorial Fraksional 2^4 dan 2^5. Jurnal Matematika,
Statistika, dan Komputasi, 92-101.
Baskoro, S. E., Suhartono, Chamidy, T., & Zaman, S. (2022). Pengujian
akurasi model regresi logistik multinomial untuk memprediksi
keberhasilan mahasiswa di perguruan tinggi menggunakan r. Jurnal
Ilmiah Akuntansidan Keuangan, 1551-1565.
G. Mona, M., S. Kekenusa, J., & D. Prang , J. (2015). Penggunaan Regresi
LinearBerganda untuk Menganalisis Pendapatan Petani Kelapa Studi
Kasus: Petani Kelapa Di Desa Beo, Kecamatan Beo Kabupaten
Talaud. Jurnal FMIPA UNSRAT, 196-203.
Zaki, A., Wuryandari, T., & Suparti. (2014). ANALISIS VARIAN
PERCOBAAN FAKTORIAL DUA FAKTOR RAKL DENGAN
METODE FIXED ADDITIVE MAIN EFFECTS AND
MULTIPLICATIVE
INTERACTION. Jurnal Gaussian, 529-536.

21