Magdalena Effendi Rabu, 6 Mei 2020

06211840000069 Table 11-6 Central Composite Design

Berikut ini struktur datanya di Minitab 18

 Desain Orde Pertama

Regression Analysis: Y2 (VISCOSITY) versus KA, KB
Analysis of Variance
Source DF Adj SS Adj MS F-Value P-Value • Berdasarkan output Minitab
Regression 2 7.387 3.6937 0.10 0.902 18 diketahui bahwa p-Value
KA 1 0.193 0.1928 0.01 0.943 KA dan p-Value KB > α ,
sehingga KA dan KB tidak
KB 1 7.195 7.1945 0.20 0.662
signifikan.
Error 10 353.843 35.3843 • Uji Hipotesis LOF
Lack-of-Fit 6 343.843 57.3072 22.92 0.005 H0: Tidak terdapat lack of fit
H1: Terdapat lack of fit
Pure Error 4 10.000 2.5000
Diketahui bahwa p-Value
Total 12 361.231 sebesar 0.005 maka
Model Summary keputusannya Tolak H0 yang
berarti terdapat lack of fit
S R-sq R-sq(adj) R-sq(pred)
secara signifikan pada model
5.94847 2.05% 0.00% 0.00% desain orde pertama. Hal ini
Coefficients menandakan bahwa fungsi
tidak linier maka pemodelan
Term Coef SE Coef T-Value P-Value VIF
dilanjutkan menggunakan
desain orde dua.
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design

Constant 65.46 1.65 39.68 0.000

KA -0.16 2.10 -0.07 0.943 1.00
KB -0.95 2.10 -0.45 0.662 1.00
Regression Equation
Y2 (VISCOSITY) = 65.46 - 0.16 KA - 0.95 KB
Fits and Diagnostics for Unusual Observations
Y2
Obs (VISCOSITY) Fit Resid Std Resid
13 57.00 66.80 -9.80 -2.01 R
R Large residual

 Desain Orde Dua

Regression Analysis: Y2_(VISCOSITY) versus KX1, KX2, ... 1, X2X2,
X1X2
Analysis of Variance
Source DF Adj SS Adj MS F-Value P-Value
Regression 5 325.177 65.035 12.63 0.002 • Uji Hipotesis LOF
KX1 1 0.193 0.193 0.04 0.852 H0: Tidak terdapat lack
KX2 1 7.195 7.195 1.40 0.276 of fit
H1: Terdapat lack of fit
X1X1 1 3.285 3.285 0.64 0.451
Diketahui bahwa p-
X2X2 1 167.255 167.255 32.47 0.001 Value sebesar 0.130
X1X2 1 6.250 6.250 1.21 0.307 maka keputusannya
Gagal Tolak H0 yang
Error 7 36.054 5.151
berarti tidak terdapat
Lack-of-Fit 3 26.054 8.685 3.47 0.130 lack of fit pada model
Pure Error 4 10.000 2.500 desain orde dua.
Total 12 361.231
Model Summary
S R-sq R-sq(adj) R-sq(pred)
2.26948 90.02% 82.89% 44.36%
Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 71.38 2.47 28.95 0.000
KX1 -0.155 0.802 -0.19 0.852 1.00
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design

KX2 -0.948 0.802 -1.18 0.276 1.00

X1X1 -1.38 1.73 -0.80 0.451 2.30
X2X2 -7.40 1.30 -5.70 0.001 2.30
X1X2 -1.25 1.13 -1.10 0.307 1.00
Regression Equation
Y2_(VISCOSITY) = 71.38 - 0.155 KX1 - 0.948 KX2 - 1.38 X1X1 - 7.40 X2X2 - 1.25 X1X2
Fits and Diagnostics for Unusual Observations
Obs Y2_(VISCOSITY) Fit Resid Std Resid
2 60.00 63.07 -3.07 -2.21 R
R Large residual

 Titik Stasioner (Xs) dan Respon Optimum ( s)

Dengan melakukan perhitungan di Matlab maka :

Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design

Natural variables titik stasionernya adalah sebagai berikut.

X1=5*( -0,0528)+85 = 84,736
X2=5*(-0.0659)+175=174,671
Sehingga, titik stasionernya adalah X1= 84,736 dan X2= 174,671 serta respon optimumnya
s = 70,0353.

Kemudian, menghitung nilai eigen dari matriks B, untuk mengetahui apakah titik stasioner
dan respon tersebut maksimum atau minimum.
Karakteristik
Minus (-) Minus (-) Maximum response
Plus (+) Plus (+) Minimum response
Minus(-) Plus(+) Saddle Point
Plus (+) Minus (-) Saddle Point
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design
|B – λI|= -0.6870- λ -0.6250
-0.6250 -6.6900- λ

= 4,59603 + 7,377 λ +λ - 0,390625

= λ + 7,377 λ + 4,205405
λ = -0,06226
λ = -6,75438
Karena kedua nilai eigen bernilai negatif maka titik stasioner merupakan titik maksimum,
sehingga bentuk permukaan responnya maksimum.

Surface Plot of Y2_(VISCOSITY) vs X1, X2

70

Y2 _( V IS CO S ITY) 65

60 92
88
55 84 X1
170 80
175
X2 1
180
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design

Surface Plot of Y2_(VISCOSITY) vs X1, X2

70

Y2 _( V IS CO S ITY) 65

60 92
88
55 84 X1
170 80
175
X2 1 80

Contour Plot of Y2_(VISCOSITY) vs X1, X2

Y2_(VISCOSITY)
< 60
60 – 64
90.0
64 – 68
68 – 72
> 72
87.5
X1

85.0

82.5

80.0

170.0 172.5 175.0 177.5 180.0

X2
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design

Assigments
1. Apa yang dimaksud dengan confounding (pembauran) perlakuan suatu percobaan dan
kapan ini dilakukan?
Penyelesaian :
Banyaknya perlakuan pada percobaan faktorial merupakan kombinasi taraf dari masing-
masing faktor, sehingga banyaknya perlakuan yang dihasilkan sering kali besar. Semakin
banyak jumlah faktor atau pun jumlah taraf yang dilibatkan, maka banyak perlakuan pun
akan semakin besar. Besarnya jumlah perlakuan ini terkadang membuat jumlah blok yang
cukup atau pun blok yang homogen tidak memungkinkan untuk diperoleh. Karena alasan
tersebut, penggunaan blok yang tak lengkap akan sangat membantu. Blok yang tak lengkap
mengakibatkan beberapa perlakuan akan berada dalam satu blok yang sama, sedangkan
perlakuan lainnya terpisah ke dalam blok-blok yang berbeda. Sehingga hal ini akan
menyebabkan adanya informasi mengenai pengaruh suatu perlakuan yang harus
dikorbankan karena terbaur dengan pengaruh dari pemblokan. Adanya pembauran
pengaruh perlakuan dengan pengaruh pemblokan inilah yang disebut sebagai Sistem
Pembauran (System of Confounding). Dengan demikian, Confounding adalah suatu teknik
rancangan untuk menyusun sebuah percobaan faktorial lengkap dalam blok (unit
eksperimen) ketika jumlah kombinasi perlakuan yang lebih besar dibandingkan dengan
ukuran blok yang homogen pada satu ulangan Percobaan Faktorial .

2. Apa kelemahan dan kelebihan confounding dalam rancangan percobaan?

Penyelesaian :
• Kelebihan
Mengurangi error pada percobaan dengan membagi bahan baku percobaan ke dalam
kelompok yang homogen sehingga perbandingan antar pengaruh perlakuan dengan metode
confounding lebih tepat daripada rancangan blok lengkap.
• Kelemahan
Informasi pengaruh perlakuan tertentu (biasanya interaksi tingkat tinggi) tidak dapat
dibedakan (terbaur/ confounded) dengan blok.

3. Bagaimana prosedur melakukan confounding perlakuan, berikan ilustrasinya masing-

masing satu contoh kasus confounding perlakuan untuk 2 faktor dan 3 faktor.
Penyelesaian :
• Prosedur :
1. Tentukan p pengaruh bebas (biasanya interaksi tingkat tinggi) yang akan dibaurkan
/ confounded dengan blok.
2. Susun blok dengan tabel plus dan minus (2 blok) atau defining contrast (≥ 2 blok).
3. Tentukan 2p-p-1 pengaruh lain yang akan dibaurkan dengan blok. Pengaruh ini
disebut generalized interaction.
• Contoh kasus:
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design
1. Confounding perlakuan untuk 2 faktor
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design

2. Confounding perlakuan untuk 3 faktor

Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design
Magdalena Effendi Rabu, 6 Mei 2020
06211840000069 Table 11-6 Central Composite Design