COPING WITH

MANY FACTORS
2K-P Fractional Factorial Design
 Anggota Kelompok
1 Rizky Cahyo Guntoro (H1E016035) 5 Istiani Dadi F (H1E016034

2 Yaomal Ilmi (H1E016028) 6 Ayu Tiara Suci (H1E016001)

3 Destry Aulia (H1E016017) 7 Astri Rahmalia (H1E016012)

4 Febri Maulana (H1E016008) 8 Ilham Maulana Rahman (H1E016029)

9 Alvi Ridharachman (H1E015035)

COPING WITH MANY FACTORS

Percobaan dengan model pembuatan contoh 12.3 melibatkan enam fakto

r dan membutuhkan usaha komputasi yang cukup besar. Misalnya, k = 11
faktor akan menyebabkan 211 = 2048 poin desain, dan jika kita ingin mem
buat n = 5 ulangan pada setiap titik desain (tentu ukuran sampel sederha
na dari sudut pandang statistik), akan ada 10.240 ulangan dalam semua.
Jika setiap replikasi mengambil, katakanlah, 1 menit waktu komputer (sed
ikit waktu untuk simulasi besar), kita akan membutuhkan lebih dari semin
ggu penuh (7.11 hari)
COPING WITH MANY FACTORS

Dalam bagian ini kita membahas beberapa prosedur yang dapat digunaka
n ketika sejumlah besar faktor (setidaknya pada awalnya) hadir, situasi um
um dalam simulasi.
Bagian 12.3.1 menjelaskan variasi dari desain faktorial 2k lengkap dari bag
ian 12.2
bagian 12.3.2 kami mengutip beberapa literatur tentang jenis desain lain y
ang dapat dipertimbangkan ketika sejumlah faktor tampaknya benar-benar
luar biasa.
COPING WITH MANY FACTORS

Seringkali harapannya adalah kita dapat dengan cepat “menyaring” beber

apa faktor tidak penting, memperbaikinya pada tingkat rata-rata atau yang
wajar, dan dengan demikian melupakannya dalam studi tindak lanjut yang
lebih memperhatikan faktor-faktor yang tersisa yang penting.

Secara khusus, mengurangi jumlah faktor juga mengurangi dimensi dari ru

ang pencarian untuk metode pencarian optimal yang dibahas dalam bagia
n 12.6, yang merupakan keuntungan komputasi besar ketika menggunaka
n metode tersebut.
2K-P Fractional Factorial Design

Desain faktorial pecahan menyediakan cara untuk mendapatkan

perkiraan yang baik (misalnya) hanya efek utama dan mungkin in
teraksi dua arah pada sebagian kecil dari usaha komputasi yang
diperlukan oleh desain faktorial 2k penuh.
Pada dasarnya, desain faktorial pecahan 2k-p dibangun dengan m
emilih sub set tertentu (ukuran 2k-p) dari semua 2k kemungkinan ti
tik desain dan kemudian menjalankan simulasi hanya untuk titik-ti
tik yang dipilih. Karena hanya 1/2n kombinasi faktor 2k yang mun
gkin benar-benar dijalankan, kita kadang-kadang berbicara tenta
ng "fraksi setengah" jika p = 1, "delapan fraksi" jika p = 3, dan set
erusnya.
Jelas, kami ingin p menjadi bentuk besar sudut pandang komput
asi, tetapi p yang lebih besar juga dapat menghasilkan lebih s
edikit informasi dari percobaan.
2K-P Fractional Factorial Design

Pertanyaan penting yangmana 2k-p memungkinan kombinasi 2k u

ntuk dipilih adalah masalah yang terlibat. yang penjelasan lengka
pnya sebaiknya diserahkan kepada literatur desain eksperimenta
l. Kami tetap dapat memberikan prosedur “buku masak” sederha
na untuk digunakan dalam banyak situasi.
2K-P Fractional Factorial Design

Untuk melakukannya pertama membahas ide membingungkan dala

m 2k-p desain faktorial pecahan. Akan muncul bahwa dalam desain se
perti itu kita mungkin berakhir dengan ekspresi aljabar yang sama un
tuk beberapa efek yang berbeda.
Misalnya, dalam pecahan 24-1 setengah, bisa jadi bahwa rumus untuk
efek utama e4 dan efek interaksi tiga-arah e123 adalah identik; dalam
hal ini kita mengatakan bahwa efek utama dari faktor 4 dikacaukan d
engan interaksi tiga arah antara faktor 1, 2, dan 3.
2K-P Fractional Factorial Design

Rumus umum untuk e4 dan e123 adalah penduga yang tidak bias untu
k E (e4 ) + E (e123). Sekarang, jika kita bersedia mengasumsikan bah
wa E (e123) = 0 atau dapat diabaikan dibandingkan dengan E (e4). Ke
mudian e4 adalah penduga yang tidak bias dari E (e4). Sering terjadi
bahwa interaksi cara-tinggi ternyata kecil dibandingkan dengan efek
utama atau mungkin interaksi dua arah (seperti yang kita sadari pada
contoh 12.3).
2K-P Fractional Factorial Design

sehingga asumsi seperti itu sebenarnya dapat dijamin. Masalah bisa m

uncul, meskipun, dalam kasus di mana interaksi dua arah dibingungka
n satu sama lain: misalnya. Rumus untuk e12 dan e34 bisa identik, dala
m hal ini ekspresi umum ini penduga yang tidak bias untuk E (e12) + E
(e34) dan kita mungkin merasa tidak nyaman dengan asumsi bahwa sa
lah satu dari interaksi dua arah ini adalah nol. Lebih buruk lagi, kita mu
ngkin memiliki efek utama yang dirancukan dengan interaksi dua arah,
yang membuat efek utama dipertanyakan jika bahkan ada kemungkina
n bahwa interaksi dua arah hadir (yang tidak dapat kita tentukan karen
a interaksi dua arah dikacaukan dengan efek utama, dengan satu sam
a lain, dan dengan interaksi yang lebih tinggi). Secara umum, semakin
besar nilai p, semakin banyak masalah perancu.
2K-P Fractional Factorial Design

Salah satu cara untuk mengukur keparahan keseluruhan dari per

ancu adalah konsep resolusi dari desain faktorial pecahan 2k-p te
rtentu. Dapat dipastikan bahwa dua efek tidak membingungkan s
atu sama lain jika jumlah "cara" mereka kurang dari desain resolu
si; untuk tujuan ini efek manusia dianggap sebagai efek “satu ara
h”.

Sebagai contoh, dalam desain resolusi IV (kebiasaan menentuka

n bahwa resolusi akan dilambangkan dengan angka Romawi), ef
ek utama tidak dikacaukan dengan interaksi dua arah (1 + 2 < 4),
tetapi interaksi dua arah membingungkan satu sama lain ( 2 + 2
= 4).
2K-P Fractional Factorial Design

Jadi dengan asumsi interaksi tiga dan cara yang lebih tinggi dapa
t diabaikan, desain resolusi IV memungkinkan kita untuk mendap
atkan perkiraan efek utama "jelas" tetapi tidak dapat memberikan
perkiraan interaksi dua arah yang andal.
Dalam simulasi biasanya akan ada setidaknya interaksi dua arah
yang diinginkan, sehingga desain resolusi IV mungkin tidak mem
adai. Seperti yang dibahas pada akhir Sec. 12.2.
2K-P Fractional Factorial Design

Setelah kita menentukan jumlah faktor k dan resolusi yang diingi

nkan, kita perlu membangun desain, yaitu, identifikasi p dan baris
2k-p dari matriks desain faktorial 2k yang lengkap untuk digunakan
.
Langkah-langkah:
1. Menulis matriks desain faktorial 2k-p lengkap dalam faktor
1,2,…, k-p. seperti pada Tabel 12.2 dan 12.6.
2. Ditentukan dengan “mengalikan” kolom-kolom kp pertama
bersama-sama sesuai dengan aturan yang diberikan dala
m Tabel 12.7 [yang dikutip dari Box, Hunter, dan Hunter (1
978).
2K-P Fractional Factorial Design

Misal:
Untuk membangun desain 2v8-2 (fraksi seperempat dalam k = 8 fa
ktor) yang dijelaskan pada Tabel 12.7, pertama-tama kita menulis
desain faktorial 26 lengkap dalam faktor 1,2,…, 6, dan kemudian
mendefinisikan kolom untuk faktor 7 menjadi produk kolom 1, 2,
3, dan 4; kolom untuk faktor 8 adalah produk kolom 1, 2, 5, dan 6
. (Perhatikan bahwa kita bisa membalik tanda baik atau keduany
a dari kolom 7 atau 8, mengambil alih “-”
Aturan
Untuk membangun
Fractional Factorial
Design
Portfolio
Presentation
Easy to change colors,
Di mana "kolom pengalian" berarti bahwa entri yang photos and Text.
sesuai dari setiap kolom dikalikan sama maka produk
bertanda "+" sedangkan produk yang berbeda bertanda
"-", persis seperti yang kita lakukan dalam interaksi
komputasi dalam desain lengkap.
2K-P Fractional Factorial Design

Efek utama factor j kemudian dihitung dalam desain factorial leng

kap: terapkan tanda-tanda kolom untuk factor j ke nomor yang se
suai di kolom Response dan tambahkan mereka: lalu dibagi oleh
2 k-p-1. Interaksi juga dihitung seperti sebelumnya: gandakan kolo
m untuk factor-faktor yang terlibat bersama-sama, terapkan tand
a-tanda yang dihasilkan ke kolom Response, Tambahkan mereka
dan dibagi dengan 2 k-p-1; ketika interaksi komputasi, kita harus in
gat bahwa tidak dari mereka jelas dari hal yang membingungkan
karena resolusi desain yang terbatas.
Beberapa komentar sebelum memberikan contoh simulasi desain factor
pecahan:

• Desain yang ditentukan oleh prosedur ini seb

enarnya dari resolusi yang ditunjukkan tidak l
angsung jelas; pembaca yang tertarik disebut
literatur desain eksperimental. Meskipun deng
an melihat definisi, katakanlah dari desain
28=2
V dalam table 12.7 (mengambil opsi + untu
k kedua factor 7 dan 8). Jika kita membuat de
sain ini dan kemudian menghitung interaksi e
mpat factor, kita akan mendapatkan rumus ya
ng identic dengan itu untuk e1234, karena ini p
ersis dengan definisi kolom untuk e7. Dengan
demikian, efek utama factor 7 dirancukan den
gan interaksi empat arah ini, tetapi tidak deng
an interaksi tiga arah karena empat factor ter
pisah digunakan dalam definisi kolomnya dala
m matriks desain. Semua ini konsisten denga
n yang dimaksud desain resolusi V.
• Tidak mungkin ada desain res
olusi yang diinginkan untuk k t
ertentu (misalnya, resolusi IV
ketika k = 5)
• Dalam table 12.7 istilah yang
disisipkan (10) dan (11) meng
acu pada factor 10 dan 11, un
tuk menghindari kebingungan
notasi dengan mengalikan kol
om-kolom factor-faktor satu di
git.
2K-P Fractional Factorial Design

Contoh 12.4 mempertimbangkan generalisasi model inventaris contoh 12.1

dan 12.2 di mana ada dua factor baru yang pertama adalah interval inventa
risasi-evaluasi m, yang merupakan jumlah bulan antara evaluasi berturut-tu
rut tingkat persediaan untuk menentukan apakah suatu pesanan akan dite
mpatkan. Dalam model asli m = 1, tetapi pertimbangan diberikan untuk ber
ubah menjadi 2, yaitu mengevaluasi hanya pada awal setiap bulan lainnya.
faktor baru kedua muncul karena pemasok telah memperkenalkan opsi pen
giriman ekspres. awalnya, jika item Z dipesan, biaya pemesanan 32 + 3Z d
an kelambatan pengiriman didistribusikan secara merata antara 0,5 dan 1 b
ulan. dengan pengiriman "ekspres", pemasok akan memotong pengiriman
pengiriman dalam setengah (didistribusikan secara merata antara 0,25 dan
0,5 bulan) tetapi akan mengenakan biaya 48 + 4Z sebagai gantinya. priorita
s pengiriman P demikian "normal" atau "ekspres" dan merupakan faktor ku
alitatif. dalam model umum ini, maka, ada k = 4 faktor yang tingkatnya diko
dekan dalam tabel 12.8
2K-P Fractional Factorial Design

Table 12.8
Coding chart for s, d, m and P in the generalized inventory model
2K-P Fractional Factorial Design
Table 12.9
Design matrix and simulation result for the 24−1
𝐼𝑉 fractional factorial design on s,
d, m and P for the generalized inventory model with one replication.
2K-P Fractional Factorial Design

Dari tabel 12.7, dengan k = 4 ada resolution IV half fraction; mem

ilih opsi "+" dalam definition untuk kolom 4, didapatkan design m
atrix pada tabel 12.9, yang juga menunjukkan response (rata-rata
biaya total per bulan) dari replikasi tunggal di setiap titik desain (
menggunakan angka acak umum di seluruh titik desain).
Karena resolusinya hanya IV, kita hanya bisa menghitung efek ut
ama (main effect), yaitu:
es = -2.96, ed = -12.77, em = 2.85 dan ep = 43.55.
2K-P Fractional Factorial Design

Desain direplikasi sebanyak n = 10 kali, seperti pada contoh 12.2

dan menggunakan selang keyakinan 90% untuk efek utama yang
diharapkan:
• E(es) = -0.61 ± 0.86
• E(ed) = -10.62 ± 0.91
• E(em) = 1.87 ± 0.75
• E(ep) = 41.86 ± 0.95
2K-P Fractional Factorial Design

Adapun untuk faktor-faktor baru:

 Tampaknya tidak terlalu penting apakah inventory dievaluasi
setiap bulan (each month) atau setiap berapa bulan (every o
ther month).
 Kelambatan pengiriman (delivery lags) yang lebih pendek un
tuk opsi pengiriman ekspres tentu saja tidak sepadan denga
n biaya tambahan.
2K-P Fractional Factorial Design

Bahkan, untuk melihat apa yang mungkin telah hilang dengan ha

nya melakukan setengah fraksi yang dijelaskan di atas, kami mel
akukan separuh bagian lainnya (dan dengan demikian memiliki d
esain 24 faktorial lengkap) dan menganalisis hasilnya. Lebih dari
10 replikasi desain, efek yang signifikan secara statistik adalah:
2K-P Fractional Factorial Design

E(𝒆𝒔 ) : -2,34 ± 0,90

E(𝒆𝒅 ) : -10,66 ± 0,90
E(𝒆𝒎 ) : 1,96 ± 0,81
E(𝒆𝒑 ) : 33,39 ± 0,42
E 𝒆𝒔𝒅 : 18,65 ± 1,17
E(𝒆𝒔𝒎 ) : -19,43 ± 0,68
E(𝒆𝒅𝒎 ) : 0,97 ± 0,81
E(𝒆𝒅𝑷 ) : -2,87 ± 0,29
E(𝒆𝒎𝑷 ) : -2,11 ± 0,29
E(𝒆𝒔𝒅𝒎 ) : 8,25 ± 0,64
E(𝒆𝒅𝒎𝑷 ) : 1,76 ± 0,21
E(𝒆𝒔𝒅𝒎𝑷 ) : -0,20 ± 0,17
2K-P Fractional Factorial Design

Hal pertama yang diperhatikan adalah bahwa ada beberapa interaksi dua
arah yang penting yang terlewatkan dalam resolusi setengah fraksi IV; se
bagaimana dicatat pada akhir Sec. 12.2 Kehadiran interaksi tersebut men
imbulkan keraguan pada makna efek utama, seperti yang diperkirakan da
ri desain faktorial lengkap (atau, dalam hal ini, desain faktorial pecahan).
Membandingkan efek utama s dan d di sini dengan yang berasal dari mo
del yang lebih sederhana dari Contoh 12.1 dan 12.2. Terlihat perbedaan y
ang pasti [misalnya bahkan tanda perkiraan E(es) berubah], yang sebagia
n diperhitungkan oleh fakta bahwa interaksi hadir dalam kedua kasus, ser
ta oleh fakta bahwa ini hanyalah model simulasi yang berbeda.
2K-P Fractional Factorial Design

Di luar ini, kita juga melihat dari hasil desain lengkap bahwa ada dua inter
aksi tiga arah yang cukup baik [esdm (10) edmP (10)], masing-masing yang
dibingungkan dengan efek utama dalam desain ini. Secara khusus, perkir
aan es (10) dari setengah estimasi fraksi E(es) + E(edmP), dan perkiraan ep
(10) dari setengah estimasi fraksi E(ep) + E (esdm). Secara numerik, ini be
kerja cukup erat :
24−1
IV fractional 24 full
𝑒𝑠ҧ 10 = 0,61 ≈ −0,58 = −2,34 + 1,76 = 𝑒𝑠ҧ 10 + 𝑒𝑑𝑚𝑃
ҧ 10

𝑒𝑃ҧ 10 = 41,86 ≈ 41,64 = 33,39 + 8,25 = 𝑒𝑃ҧ 10 + 𝑒𝑠𝑑𝑚

ҧ (10)
2K-P Fractional Factorial Design

Jadi dalam hal ini tentu ada beberapa informasi interaksi yang hilang denga
n hanya melakukan setengah fraksi, serta beberapa ketidakakuratan yang di
perkenalkan dalam perkiraan efek-utama. Namun, keputusan utama dari fr
aksi setengah (m tidak masalah banyak dan mengekspresikan pemesanan ti
dak layak) tampaknya terdengar
2K-P Fractional Factorial Design
Contoh

Model pabrik kecil dari contoh 12.3 menggunakan desain 2IV 6-2 dari tabel 1
2.7. Mengambil opsi “+” untuk kedua faktor 5 dan 6. karena pada kasus ini
sudah menjalankan desain faktorial 26 lengkap, kami hanya memilih 16 bari
s yang sesuai di antara 64 pada Tabel 12.6, yaitu 1, 7, 12, 14, 18, 24, 27, 2
9, 36, 38, 41, 47, 51, 53, 58 dan 64. dari lima replikasi yang sama dari desa
in, 90 persen interval kepercayaan untuk efek utama yang diharapkan (sem
ua yang dapat kita perkiraan dari desain resolusi IV) diberikan pada Tabel 1
2.10, yang dibandingkan dengan bagian efek utama pada Gambar.12.2, ya
ng mana sangat dekat dengan rekan-rekan mereka dari desain penuh.
2K-P Fractional Factorial Design

Tabel 12.10. Interval kepercayaan 90% pada pada efek utama yang dihara
pkan dari 2 IV 6-2 factorial design dengan small-factory model

Factor Number Average Time in Syst Average Inspection

em Queue Length
1 -0.15 ± 0.03 0.58 ± 0.04
2 -1.83 ± 0.29 -1.76 ± 0.24
3 -0.07 ± 0.10 0.02 ± 0.09
4 -0.20 ± 0.09 -0.09 ± 0.05
5 -0.23 ± 0.10 -0.16 ± 0.07
6 -0.02 ± 0.04 -0.02 ± 0.03
2K-P Fractional Factorial Design

Meskipun terdapat keterbatasan, desain faktorial fraksional dapat m

enghasilkan informasi yang berguna tanpa beban komputasi besar
dari percobaan full-faktorial, asalkan kita berhati-hati dalam menafsi
rkan hasilnya. Kembali ke contoh 11-faktor kami dalam pendahulua
n untuk Sec.12.3, kita bisa membuat desain 21 V 1-4 untuk mendapat
kan perkiraan efek utama dan interaksi dua arah yang cukup andal (
interaksi dua arah akan memberi tahu kita apakah kita dapat benar-
benar menafsirkan efek utama). Ini hanya membutuhkan 128 poin d
esain daripada 2048; menggunakan angka awal satu menit per lari,
kita dapat mereplikasi n = 5 kali ini dalam 10 jam dan 40 menit wakt
u computer.
Factor Screening Strategies

Digunakan untuk situasi di mana terdapat terlalu banyak faktor bahk

an untuk desain faktorial yang sangat fraksional untuk bisa diterapk
an. Sebagai contoh, Hider, Noller, dan Robey (1986) menganalisis s
istem untuk pembuatan papan sirkuit cetak di mana mungkin ada se
banyak 50 langkah proses terpisah, yang masing-masing mungkin
memerlukan beberapa parameter untuk karakterisasinya; jumlah fak
tor individu dapat dengan mudah tumbuh menjadi ratusan.
Factor Screening Strategies
Design Jenuh

jika jumlah faktor melebihi jumlah poin desain yang mungkin, kita har
us menggunakan apa yang disebut desain jenuh. konstruksi beberap
a desain jenuh berasal dari mengamati bahwa setiap kolom dari matr
iks desain dalam dua tingkat desain faktorial terdiri dari setengah “+”
tanda dan setengah lainnya “-“.
satu jenis desain jenuh, yang disebut desain keseimbangan acak, ak
an mengambil 12 “+”tanda untuk faktor j dan taburkan secara acak k
e dalam 12 dari 24 baris kolom j, dan tentukan posisi 12 lainnya “-“
Factor Screening Strategies

Cacat dalam desain keseimbangan acak adalah bahwa pola perancu

dari perkiraan efek yang dihasilkan adalah acak, dan desain jenuh ya
ng sistematis dikembangkan dimana tanda-tanda ditugaskan untuk
meminimalkan ukuran keseluruhan pembauran.
cara yang berbeda adalah mencoba mengurangi jumlah faktor yang
efektif, k. Upaya seperti itu akan sangat dihargai, karena persyaratan
komputasi untuk penyelidikan efek faktor tumbuh secara eksponensi
al
Factor Screening Strategies
Proses Rekursif

Proses rekursif digunakan untuk memisahkan kelompok faktor individ

u (setidaknya sebagian) dalam kelompok penting sampai beberapa b
agian dari faktor individu asli akhirnya diidentifikasi sebagai hal yang
penting. pendekatan ini tentu saja dapat mengurangi jumlah faktor ef
ektif secara substansial, dengan penurunan yang dramatis dalam ko
mputasi, karena sifatnya yang rekursif, jumlah total simulasi tidak da
pat ditentukan dalam saran. Mungkin juga tidak jelas bagaimana kelo
mpok harus dibentuk, kelompok tertentu mungkin sebenarnya menga
ndung beberapa faktor individu yang penting, tetapi kelompok sebag
ai keseluruhan bisa tampak tidak penting jika beberapa efek anggota
nya tiba-tiba bergerak berlawanan arah dan membatalkan satu sama
lain.
Factor Screening Strategies

Metode yang dijelaskan sejauh ini di bagian ini berlaku untuk percob
aan fisik, dan tentu saja untuk eksperimen simulasi juga. Namun, dal
am simulasi yang dinamis, ada peluang untuk pendekatan yang tidak
mungkin dilakukan dengan model statis atau eksperimen fisik. Salah
satu ide tersebut, yang awalnya dikembangkan oleh Schruben dan C
ogliano (1987), adalah untuk mengosongkan nilai-nilai parameter ma
sukan yang berbeda selama jalannya simulasi, masing-masing pada
frekuensi yang berbeda. Proses output kemudian diperiksa untuk mel
ihat parameter input mana frekuensi osilasi dapat dideteksi dalam ou
tput, Sedangkan osilasi faktor penting akan menghasilkan oscilla tion
yang terlihat dalam output pada frekuensi yang sesuai, faktor-faktor y
ang tidak penting tidak akan terlihat.
Factor Screening Strategies

Lewat sini, Schruben dan Cogliano mampu memilih faktor-faktor pent

ing dalam beberapa tes medels dengan simulasi yang jauh lebih sed
erhana daripada yang dilakukan oleh pendekatan desain experimeial
konvensional, Sanchez dan Schruben (1987) menyajikan contoh rinci
menggunakan pendekatan ini untuk mengidentifikasi faktor-faktor im
ponant. dalam model Aftican-port dari Prob. 223. Metode-metode frek
uensi-domain ini dipelajari lebih lanjut oleh Buss (1988), Jacobson, M
orrice, dan Schruben (1988). Sanchez dan Buss t1987). Som. Sarge
nt, dan Schruben (987). Som dan Sargent (1988), Jacobson. Duss, d
an Schruben (1991), Sanchee and Sanche / (199]). Sargent dan So
m (1992), Mornice and Schruben (i993a. 1993b), dan Hazra. Morrice,
and Park (1997)
Thank you
Any Questions?