CHAPTER 5

INTRODUCTION TO FACTORIAL DESIGNS

IHSAN PRATAMA R
JULIAN FIKRI A
DEFINISI DAN PRINSIP DASAR

Secara umum, desain faktorial paling efisien untuk jenis eksperimen melibatkan studi tentang efek
dai dua atau lebih faktor. Misalnya, jika ada tingkat faktor A dan tingkat faktor B, setiap ulangan
berisi semua kombinasi perlakuan ab. Ketika faktor-faktor diatur dalam desain faktorial, sering
dikatakan bersilangan.
Contoh pada Gambar 5.1. Eksperimen faktorial dua faktor dengan kedua faktor desain pada dua
tingkat, menyebut level ini "rendah" dan "tinggi" serta masing-masing dilambangkan dengan “-" dan
"+". Efek utama dari faktor A dalam desain dua tingkat ini dapat dianggap sebagai perbedaan antara
rata-rata respon pada level A yang rendah dan respon rata-rata pada level A yang tinggi. Jika faktor
muncul pada lebih dari dua tingkat, prosedur di atas harus dimodifikasi karena ada cara lain untuk
menentukan pengaruh suatu factor.
Secara numerik =
Dalam percobaan, mungkin menemukan bahwa perbedaan respons antara tingkat satu faktor tidak sama di
semua tingkat faktor lainnya. Ketika terjadi, ada interaksi antara faktor-faktor tersebut. Sebagai contoh,
perhatikan eksperimen faktorial dua faktor yang ditunjukkan pada Gambar 5.2.
Pada tingkat rendah faktor B (atau B-), efek A adalah
A= 50 - 20 = 30
dan pada tingkat tinggi faktor B (atau B+), efek A adalah
A= 12 - 40 = -28

Besarnya efek interaksi adalah selisih rata-rata kedua efek A ini, atau AB = (-28 - 30)/2 = -29. Jelas,
interaksi besar dalam percobaan ini.
Ide-ide ini dapat diilustrasikan secara grafis. Gambar 5.3 memplot data respons pada Gambar 5.1 terhadap faktor A
untuk kedua tingkat faktor B. Perhatikan bahwa garis B- dan B+ kira-kira sejajar, menunjukkan kurangnya
interaksi antara faktor A dan B. Demikian pula, Gambar 5.4 plot data respon pada Gambar 5.2.

Dapat dilihat bahwa garis B- dan B+ tidak sejajar. Hal ini menunjukkan interaksi antara faktor A dan B. Grafik
interaksi dua faktor seperti ini seringkali sangat berguna dalam menafsirkan interaksi yang signifikan dan dalam
melaporkan hasil kepada personel yang tidak terlatih secara statistik. Namun, tidak boleh digunakan sebagai satu-
satunya teknik analisis data karena interpretasinya subjektif dan penampilannya sering menyesatkan.
Ada cara lain untuk menggambarkan konsep interaksi. Misalkan kedua faktor desain kami adalah
kuantitatif (seperti suhu, tekanan, waktu, dll.). Kemudian representasi model regresi dari eksperimen
faktorial dua faktor dapat ditulis sebagai:

y adalah respons, adalah parameter yang nilainya akan ditentukan.

x1 adalah variabel yang mewakili faktor A.
x2 adalah variabel yang mewakili faktor B.
s adalah suku kesalahan acak.
Variabel x1 dan x2 didefinisikan pada skala kode dari -1 sampai +1 (tingkat rendah dan tinggi dari A
dan B), dan x1x2 mewakili interaksi antara x1 dan x2.
Gambar 5.5 menyajikan representasi grafis dari model ini. Pada Gambar 5.5a kita memiliki plot bidang nilai-
nilai y yang dihasilkan oleh berbagai kombinasi x1 dan x2. Grafik tiga dimensi ini disebut plot permukaan
respon. Gambar 5.5b menunjukkan garis kontur dari respon konstan y pada bidang x1, x2. Perhatikan bahwa
karena permukaan respons adalah bidang, plot kontur berisi garis lurus paralel.
Gambar 5.6 menyajikan permukaan respons dan plot kontur untuk model

(Membiarkan efek interaksi menjadi rata-rata dari dua efek utama.) Perhatikan bahwa efek interaksi yang
signifikan "memutar" bidang pada Gambar 5.6a. Putaran permukaan respons ini menghasilkan garis kontur
melengkung dari respons konstan pada bidang x1, x2, seperti yang ditunjukkan pada Gambar 5.6b. Dengan
demikian, interaksi adalah bentuk kelengkungan dalam model permukaan respons yang mendasari eksperimen.
KEUNTUNGAN DARI FAKTORIAL
Keuntungan dari desain faktorial dapat dengan mudah diilustrasikan. Misalkan kita memiliki dua faktor A dan
B, masing-masing pada dua tingkat. Tingkat factor dinyatakan dengan A-, A+, B-, dan B+. Informasi tentang
kedua faktor tersebut dapat diperoleh dengan memvariasikan faktor satu per satu, seperti yang ditunjukkan pada
Gambar 5.7. Pengaruh perubahan faktor A diberikan oleh A+B- — A-B-, dan pengaruh perubahan faktor B
diberikan oleh A-B+ — A-B-. Karena ada kesalahan eksperimental, diinginkan untuk mengambil dua
pengamatan, pada setiap kombinasi perlakuan dan memperkirakan efek dari faktor-faktor menggunakan
tanggapan rata-rata. Dengan demikian, total enam pengamatan diperlukan.
Jika percobaan faktorial telah dilakukan, kombinasi pengobatan tambahan,A+B+, akan diambil. Sekarang,
hanya dengan empat pengamatan, dua perkiraan efek A dapat dibuat: A+ B- — A-B- dan A+ B+ — A-B+.
Demikian pula, dua perkiraan efek B dapat dibuat. Kedua perkiraan dari masing-masing efek utama ini dapat
dirata-ratakan untuk menghasilkan efek utama rata-rata yang sama persisnya dengan yang berasal dari
eksperimen faktor tunggal, tetapi hanya empat pengamatan total yang diperlukan dan kami akan mengatakan
bahwa efisiensi relatif dari desain faktorial terhadap percobaan satu faktor pada waktu adalah (6/4) = 1,5. Secara
umum, efisiensi relatif ini akan meningkat dengan bertambahnya jumlah faktor, seperti yang ditunjukkan pada
Gambar 5.8.
Singkatnya, bahwa desain factorial memiliki beberapa keunggulan :
Lebih efisien daripada eksperimen satu faktor pada satu waktu.

Desain faktorial diperlukan ketika interaksi mungkin ada untuk menghindari kesimpulan yang menyesatkan.
Desain faktorial memungkinkan efek dari suatu faktor untuk diperkirakan pada beberapa tingkat faktor lainnya,
menghasilkan kesimpulan yang valid pada berbagai kondisi eksperimental.
LANGKAH UJI ANOVA DUA FAKTOR
2. Melakukan Uji Statistik
 URAIAN RUMUS:

Dimana bb adalah jumlah baris, kk adalah jumlah kolom dan TT adalah total nilai
pengamatan.