Professional Documents
Culture Documents
Oleh:
ADNAN SAUDDIN
NRP. 1304 201 008
ABSTRAK
Rancangan faktorial dengan jumlah faktor yang sangat besar tidak memungkin-
kan untuk diterapkan didunia industri atau di bidang lainnya. Untuk mengatasi
hal tersebut, digunakan rancangan faktorial fraktional. Dalam penelitian, penen-
tuan faktor mana dari sejumlah faktor yang dinyatakan potensial memberikan
informasi terhadap masalah yang diteliti menjadi lebih sulit jika pengukurannya
dilakukan tanpa pengulangan untuk setiap kombinasi perlakuan. Hal tersebut
disebabkan oleh tidak adanya rata-rata kuadrat error yang dapat diperoleh pada
sebagian besar rancangan faktorial fraksional tanpa pengulangan. Untuk meng-
atasi hal tersebut, dalam penelitian ini dihasilkan statistik uji metode Bissell,
Lenth, dan Fang beserta penaksir-penaksirnya yang memberikan suatu analisis
formal tentang bagaimana menentukan suatu faktor signifikan atau tidak dalam
rancangan faktorial fraksional tanpa pengulangan. Juga diperoleh funsi power
dari ketiga metode tersebut, yang digunakan untuk membandingkan kekuatan uji
masing-masingnya. Power uji menunjukkan metode Lenth dan Fang lebih kuat
banding metode Bissell, dan antara metode Lenth dan Fang tidak memberikan
indikasi adanya perbedaan kekuatan uji.
Kata kunci : Fraksional Faktorial, fungsi power, metode Lenth, metode Fang,
metode Bissell.
iii
IDENTIFICATION SIGNIFICANT FACTORS OF
UNREPLICATED FRACTIONAL FACTORIAL DESIGN
BY USING BISSELL, LENTH, AND FANG METHODS
By : Adnan Sauddin
Supervisor : Prof. Dra. Susanti Linuwih, M.Stat., Ph.D
Co. Supervisor : Dr. Purhadi, M.Sc
ABSTRACT
iv
DAFTAR ISI
ABSTRAK iii
ABSTRACT iv
DAFTAR LAMPIRAN ix
KATA PENGANTAR x
BAB I. PENDAHULUAN 1
1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Permasalahan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Manfaat Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Batasan Permasalahan . . . . . . . . . . . . . . . . . . . . . . . . 3
v
BAB IV. PEMBAHASAN 31
4.1 Statistik uji dari Metode Bissell, Fang dan Lenth Serta Penaksirnya 31
4.1.1 Statistik Uji Metode Bissell dan Penaksirnya . . . . . . . . 31
4.1.2 Penaksiran Parameter dengan Metode Lenth . . . . . . . . 33
4.1.3 Penaksiran Parameter dengan Metode Fang . . . . . . . . 37
4.1.4 Fungsi Power Metode Bissell, Lenth dan Fang . . . . . . . 39
4.2 Perbandingan Power Uji Metode Bissell, Lenth dan Fang . . . . . 41
4.2.1 Kasus Rancangan Faktorial Fraksional 2-Level . . . . . . . 42
4.2.2 Kasus Rancangan Faktorial Fraksional 3-Level . . . . . . . 45
DAFTAR PUSTAKA 53
LAMPIRAN 54
vi
DAFTAR TABEL
2.1 Nilai Statistik Bissell, Metode Lenth dan Fang untuk Permainan
Golf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.2 Hasil Perhitungan Metode Bissell, Lenth dan Fang . . . . . . . . . 60
2.3 Hasil Perhitungan Metode Bissell, Lenth dan Fang . . . . . . . . . 61
vii
DAFTAR GAMBAR
4.1 Kurva Kuasa Metode Bissell, Lenth, dan Fang untuk Permainan
Golf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1 Kurva Kuasa Metode Bissell, Lenth dan Fang untuk Permainan Golf 65
viii
DAFTAR LAMPIRAN
ix
Kata Pengantar
Segala puji hanya milik Allah, hanya kepada-Nya kami berlindung dan
hanya kepada-Nya kami memohon ampunan, kami berlindung kepada-Nya dari
keburukan diri kami dan kejelekan amalan-amalan kami. Bahwa, barang siapa
diberi petunjuk oleh Allah SWT, tidak seorang yang dapat menyesatkannya dan
barang siapa yang disesatkan oleh-Nya, tidak seorang yang dapat memberinya
petunjuk. Saya bersaksi bahwa tidak ada illah yang berhak diibadahi kecuali Al-
lah SWT, dan aku bersaksi bahwa Muhammad rasulullah SAW adalah rasul-Nya.
Alhamdulillah, penulis dapat menyelesaikan tesis ini dengan judul ”Identifikasi
Faktor signifikan Rancangan Faktorial Fraksional tanpa Pengulangan Dengan
Metode Bissell, Lenth, dan Fang”. Tesis ini merupakan salah satu syarat un-
tuk mendapatkan gelar Magister Sains (M. Si.) pada Jurusan Statistika, Pro-
gram Pascasarjana Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Teknologi Sepuluh Nopember Surabaya. Penulis menyadari sepenuhnya bahwa
tesis ini masih sangat jauh dari kesempurnaan dan dalam penyelesaiannya tidak
terlepas dari bantuan, bimbingan, dan arahan dari berbagai pihak, oleh kare-
nanya pada kesempatan ini penulis mengucapkan terima kasih dan penghargaan
yang setinggi tingginya kepada yang terhormat:
x
3. Dr. Purhadi, M.Sc, selaku pembimbing dua yang telah meluangkan waktu
memberikan arahan dan bimbingan kepada penulis.
4. Para staf dosen Program Studi Statistika, Institut Teknologi Sepuluh Novem-
ber Surabaya yang telah membekali penulis dengan ilmu pengetahuan.
5. Semua pihak yang telah banyak membantu dan tidak sempat penulis se-
butkan namanya satu persatu.
Penulis
xi
BAB I
PENDAHULUAN
1
2
sional tanpa pengulangan, telah dikemukakan beberapa metode, diantaranya;
Lenth (1989) menggunakan nilai margin of error atau batas kesalahan, simul-
tan margin error dan pseudo sparsity of error untuk menentukan faktor yang
signifikan yang didasarkan pada distribusi t, Hamada dan Balakrishnan (1998)
mengemukakan bahwa kelemahan dari metode Lenth adalah lemah dalam me-
ngontrol kesalahan type I.
Dong (1993) memodifikasi metode Lenth, yaitu mengganti nilai s0 dengan
s1 yang merupakan trimmed median. Bissell (1989, 1992), mengadopsi uji dispersi
Cochran (1954) dalam mengkonstruksi uji statistik untuk mengidentifikasi fak-
tor yang signifikan. Menurut Hamada dan Balakrishnan (1998), kelemahan dari
metode Bissell adalah power ujinya akan mengalami penurunan tatkala terdapat
banyak faktor yang signifikan.
1.2 Permasalahan
1. Bagaimana menentukan statistik uji dari metode Bissell, Lenth, dan Fang
serta penaksirnya dalam mengindentifikasi faktor yang signifikan dalam fak-
torial fraksional tanpa pengulangan
1. Menentukan penaksir dan statistik uji untuk mendapat faktor yang sig-
nifikan dengan metode Bissell, Lenth, dan Fang.
3
2. Membandingkan fungsi power metode Bissell, Lenth, dan Fang dalam meng-
identifikasi faktor yang signifikan dari rancangan faktorial fraksional 2k
tanpa pengulangan pada kasus permainan golf.
3. Membandingkan fungsi power metode Bissell, Lenth, dan Fang dalam meng-
identifikasi faktor yang signifikan dari rancangan faktorial fraksional 3k
tanpa pengulangan pada kasus pembakaran pada boiler.
TINJAUAN PUSTAKA
y = β0 + β1 x1 + β2 x2 + · · · + βk xk + (2.1)
Model terakhir ini dapat dituliskan dalam model linear, sebagai berikut:
y = Xβ + (2.2)
dimana;
y = [y1 y2 · · · yn ]T adalah vektor pengamatan berukuran n × 1,
β = [β0 β1 β2 · · · βk ]T adalah vektor dari parameter
X adalah matriks berukuran n × (k + 1), dan
= [1 2 · · · n ]T adalah vektor error berukuran n × 1 dan berdistribusi
Nn (0, σ 2 I). Persamaan (2.2) dapat dituliskan dalam bentuk sebagai berikut:
y1 1 x11 x21 · · · xk1 β0 1
y2 1 x12 x22 · · · xk2 β1 2
. = . .. .. .. . + .
..
. .
. . . . . . .. ..
yn 1 x1n x2n · · · xkn βk n
Pada analisis variansi dua arah rancangan faktorial fraksional dua faktor
tanpa pengulangan dengan model sebagai berikut:
4
5
dengan syarat τ1 + τ2 = 0 ⇒ τ1 = −τ2 dan θ1 + θ2 = 0 ⇒ θ1 = −θ2 .
Model tersebut juga dapat dituliskan dalam bentuk persamaan regresi linier,
yaitu
yi = β0 + β1 x1 + β2 x2 + i ; i = 1, 2, 3, 4 (2.4)
Keterkaitan antara kedua model tersebut dalam menetapkan kontras untuk pe-
Dari syarat τ1 = −τ2 dan θ1 = −θ2 serta nilai dari x1 (−1, +1), dan x2 (−1, +1),
selanjutnya
y11 = µ + τ1 + θ1 + 11 y1 = β0 + β1 + β2 + 1
y12 = µ + τ1 − θ1 + 12 y2 = β0 + β1 − β2 + 2
dan
y21 = µ − τ1 + θ1 + 21 y1 = β0 − β1 + β2 + 3
y22 = µ − τ1 − θ1 + 22 y1 = β0 − β1 − β2 + 4
karena (2.3) dan (2.4) ekuivalen, maka
y11 = y1 ⇒ µ + τ1 + θ1 = β0 + β1 + β2 (2.5)
y12 = y2 ⇒ µ + τ1 − θ1 = β0 + β1 − β2 (2.6)
y21 = y1 ⇒ µ − τ1 + θ1 = β0 − β1 + β2 (2.7)
y22 = y1 ⇒ µ − τ1 − θ1 = β0 − β1 − β2 (2.8)
µ + τ1 + θ1 = β0 + β1 + β2
µ + τ1 − θ1 = β0 + β1 − β2
µ + τ1 + θ1 = β0 + β1 + β2
µ − τ1 + θ1 = β0 − β1 + β2
µ + τ1 − θ1 = β0 + β1 − β2
µ − τ1 + θ1 = β0 − β1 + β2
2µ = 2β0 ⇒ µ = β0 (2.11)
(2.10), diperoleh
τ1 = β1 dan θ1 = β2
y = Xβ +
y = Xβ +
= y − Xβ
penaksir dari β.
a. Ekspektasi β
b
b = E{(XT X)−1 XT y}
E(β)
E(β)
b =β
Karena E(β)
b = β, maka β
b merupakan estimator tak bias dari β
b. Varians β
b
b = V ar{(XT X)−1 XT y}
V ar(β)
Oleh karena β
b merupakan kombinasi linear dari y1 , y2 , . . . , yn yang berdistribusi
y
b = Xβ
b
dan
= (y − y
b b)
b)T (y − y
SSE = (y − y b)
b T (y − Xβ)
= (y − Xβ) b
= yT y − yT Xβ b T XT y + β
b −β b T XT Xβ
b
XT y = XT Xβ
b
maka
b T XT y + β
SSE = yT y − 2β b T XT Xβ
b
T T
= yT y − 2β
b XT y + β
b XT y
b T XT y
= yT y − β
Xβ
b = Py, sehingga
y − Xβ
b = (In − P)y
b T (y − Xβ),
karena SSE = (y − Xβ) b maka
karena PXβ b dan E(yT (In − P)y) = tr((In − P)Σ + µT (In − P)µ)
b = Xβ
E(SSE ) = σ 2 (n − p)
1. Hipotesis:
H0 : βi = 0; i = 1, 2, 3, . . . , k
M SR
Fhitung =
M SE
1. Hipotesis:
H0 : βi = 0; i = 1, 2, 3, . . . , k
H1 : βi 6= 0
β
b
i
thitung =
se(β i )
b
Pada Tabel 2.1, jika dipisahkan interaksi tingkat tingginya, berdasarkan tanda
plus dan minusnya, maka akan terbentuk dua kelompok kontras yang masing-
masing terdiri dari empat kombinasi perlakuan, sebagaimana yang ditunjukkan
pada Tabel 2.2. Dimana, kolom kontras berkaitan dengan efek faktor, sedangkan
kolom I mewakili mean total untuk pengamatan dan disebut kolom identitas dan
−ABC dan +ABC disebut generator atau defining relation.
12
b. Estimasi Efek Perlakuan
KontrasA = CA = (a − b − c + abc)
Dari kontras tiap faktor tersebut kemudian dapat ditentukan penaksir efek dari
masing-masing faktor, sebagai berikut ini,
11
A
b= CA = (a − b − c + abc)
23−2 2
1 1
B
b=
3−2
CB = (−a + b − c + abc)
2 2
1 1
C
b= CC = (−a − b + c + abc)
23−2 2
1
1
BC
d= CA = (a − b − c + abc)
23−2 2
1 1
AC
d=
3−2
CB = (−a + b − c + abc)
2 2
1 1
AB
d= CC = (−a − b + c + abc)
23−2 2
Dari Penaksir efek di atas, nampak bahwa penaksir efek utama A dan
interaksi BC, B dengan interaksi AC, dan C dengan interaksi AB adalah sama,
sehingga tidak mungkin untuk menyatakan ada perbedaan antara A dan BC,
13
B dan AC, dan C dan AB. Oleh karena itu, A disebut alias dengan BC, atau
dibaurkan (confounded ), demikian halnya dengan B alias dengan AC, dan C
alias dengan AB.
AB.I = AB.ABC = A2 B 2 C = C
(i) Rancangan resolusi III, dimana tidak ada efek utama yang dibaurkan deng-
an efek utama yang lainnya, tapi efek utama dibaurkan dengan interaksi
dua faktor. sebagai contoh 23−1 rancangan resolusi III.
(ii) Rancangan resolusi IV, dimana tidak ada efek utama yang dibaurkan dengan
efek utama yang lain atau efek interaksi dua faktor, tapi interaksi dua faktor
dibaurkan dengan sesamanya. Contoh 24−1 rancangan resolusi IV.
(iii) Rancangan resolusi V, dimana tidak ada efek utama atau interaksi dua
faktor yang dibaurkan efek faktor utama dan interaksi dua faktor yang
lainnya. Tapi interaksi dua faktor dibaurkan dengan interaksi tiga faktor.
Contoh 25−1 rancangan resolusi V.
14
Secara umum, suatu rancangan resolusi R adalah keadaan dimana tidak
ada efek faktor p yang dibaurkan dengan efek lainnya yang memuat kurang lebih
R − p faktor. Untuk mengidentifikasi resolusi dari rancangan faktorial fraksional,
digunakan angka romawi sebagai indeks.
Box dan Wilson (1951), Bisgaard (1991) menunjukkan bahwa konsep alias
didasarkan pada struktur kelompok antara kolom-kolom ekuivalen yang memung-
kinkan adanya penyimpangan dari penaksir kuadrat terkecil dari efek utama yang
muncul akibat dari dihilangkannya efek interaksi tingkat tinggi.
Selanjutnya, struktur alias dari rancangan dapat diperoleh dengan meng-
gunakan defining relation. Misalkan, rancangan faktorial fraksional 23 , dengan
faktor-faktornya A, B, dan C. Defining relation dari rancangan tersebut adalah
interaksi tingkat tingginya yaitu, ABC, dengan mengalikan setiap faktor utama
dengan ABC dan faktor interaksi, maka akan diperoleh faktor yang akan di-
ikutkan dalam perhitungan selanjutnya dan struktur alias dari faktor tersebut.
Akan tetapi, metode penentuan struktur alias dengan menggunakan defining re-
lation hanya dapat bekerja dengan baik pada rancangan yang sederhana, dan
tidak dapat digunakan pada rancangan yang kompleks, seperti irregular fraction
dan partial fold-over design. Lebih lanjut, terdapat beberapa rancangan fakto-
rial fraksional yang tidak mempunyai defining relation, seperti Plackett-Burman
designs, sedemikian hingga metode ini, tidak mungkin untuk digunakan.
Dalam suplemen buku Design and Analysis of Experiment, Montgomery
(2005) mengemukakan bahwa, terdapat suatu metode yang secara umum da-
pat bekerja dengan baik dalam banyak keadaan. Metode tersebut menggunakan
polynomial atau model regresi yang merupakan representasi dari model. Se-
cara formal, faktor yang diikutkan dalam penelitian adalah β 1 dan X1 matriks
rancangan yang berkaitan dengan β 1 . Diberikan model linear sebagai berikut ;
y = X1 β 1 +
15
dimana y vektor respon n × 1, X1 matriks berukuran n × p1 yang memuat
rancangan matriks yang telah diperluas pada model yang ditetapkan oleh peneliti
berdasarkan faktor yang dipilih, β 1 vektor dari parameter model berukuran p1 ×1,
dan vektor error. Diketahui taksiran dari β 1 adalah
y = X1 β 1 + X2 β 2 +
dimana X2 matriks berukuran n×p2 yang memuat variabel tambahan yang tidak
diikutkan dalam model dan β 2 vektor berukuran p2 × 1 dari parameter yang
berkaitan dengan variabel yang terpilih. Struktur aliasnya dapat ditunjukkan
sebagai berikut:
b 1 = (XT X1 )−1 X1 y
β 1
b 1 ) = E{(XT X1 )−1 X1 y}
E(β 1
= β 1 + (XT1 X1 )−1 X1 X2 β 2
b ) = β + (XT X1 )−1 (XT X2 )β
E(β 1 1 1 1 2
E(β
b ) = β + Aβ
1 1 2
y = β0 + β1 x1 + β2 x2 + β3 x3 +
β0 1 −1 −1 1
β 1 1 −1 −1
1
β1 = , dan X1 =
β2 1 −1 1 −1
β3 1 1 1 1
Andaikan bahwa, model yang sebenarnya memuat seluruh interkasi dua faktor,
dan untuk bagian interaksi dua faktor dari persamaan (2.16), dimana x1 x2 , x1 x2 ,
dan x2 x3 berturut menyatakan komponen kolom faktor AB, AC, dan BC, yang
1 −1 −1
β12 −1 −1 1
β 2 = β13 , dan X2 = .
−1 1 −1
β23
1 1 1
0 0 0
1 0 0 4
(XT1 X1 )−1 = I dan XT1 X2 =
4
0 4 0
4 0 0
Oleh karena itu,
b 1 ) = β 1 + (XT X1 )−1 XT X2 β 2
E(β 1 1
17
βb0 β0 0 0 0
β β12
b β1 1 0 0 4
E 1 = + β13
βb 2 β2 4 0 4 0
β23
βb
3 β3 4 0 0
β0
β + β
1 23
=
β2 + β13
β3 + β12
L = α1 x1 + α2 x2 + · · · + αk xk mod(3)
dimana αi pangkat dari faktor ke i dalam efek yang akan dibaurkan dan xi level
dari faktor ke i dalam tiap kombinasi perlakuan.
(a) Tiga baris pertama memuat jumlah dari ketiga kombinasi perlakuan
tersebut, yaitu 00, 10, 20
(b) Tiga baris kedua diperoleh dengan minus dari kombinasi perlakuan
pertama ditambahkan dengan kombinasi perlakuan ketiga pada tiap-
tiap kelompok kombinasi perlakuan
(c) Tiga baris ketiga diperoleh dengan kombinasi perlakuan pertama diku-
rangi dengan dua kali kombinasi perlakuan ketiga dari ketiga kelompok
pengamatan
(d) Kolom kedua (2) dihitung dengan cara yang sama pada kolom satu
(1) dengan menggunakan kolom (1) sebagai acuan.
Untuk mendapatkan alias dari suatu efek dapat dilakukan dengan menga-
likan kolom dari suatu efek tertentu dari matriks rancangan dengan defining re-
lation. Sebagai contoh, untuk mendapatkan alias dari faktor yang diperhatikan,
dapat dilakukan dengan memilih sembarang komponen dari interaksi ABC untuk
19
A = A(AB 2 C 2 ) = A2 B 2 C 2 = ABC
A = A(AB 2 C 2 )2 = A3 B 4 C 4 = BC
B = B(AB 2 C 2 ) = AB 3 C 2 = AC 2
B = B(AB 2 C 2 )2 = A2 B 5 C 4 = ABC 2
C = C(AB 2 C 2 ) = AB 2 C 3 = AB 2
C = C(AB 2 C 2 )2 = A2 B 4 C 5 = AB 2
AB = AB(AB 2 C 2 ) = A2 B 3 C 2 = AC
AB = AB(AB 2 C 2 )2 = A3 B 5 C 4 = BC 2
20
2.4.1 Identifikasi Struktur Alias
Sebagaimana yang telah diuraikan pada bagian 2.3 tentang metode umum
untuk mendapatkan struktur alias yang berkaitan dengan rancangan faktorial
fraksional dua level, metode tersebut juga dapat diterapkan pada rancangan fak-
torial fraksional tiga level.
Contoh penerapannya, diberikan rancangan faktorial fraksional 32 , andikan model
yang akan diuji dengan faktor-faktornya adalah
Model tersebut dapat dinyatakan dalam bentuk vektor β 1 dan matriks X1 sebagai
berikut
1 −1 −1 1 1/3 1/3
1 −1 0 0 1/3 −2/3
β0
1 −1 1 −1 1/3
1/3
β1
1 0 −1 0 −2/3 1/3
β2
β ,
β1 = dan X1 =
1 0 0 0 −2/3 −2/3
12
1 0 1 0 −2/3 1/3
β11
1 1 −1 −1 1/3 1/3
β22
1 1
0 0 1/3 −2/3
1 1 1 1 1/3 1/3
Andaikan model lengkapnya adalah
dengan
1 −1 −1
1
−1 0
1
−1 −1
1 0 0 β111
X2 =
1 0 ,
0 β 2 = β222
1 0 0 β122
1
−1 1
1
−1 0
1 −1 1
Selanjutnya, diketahui bahwa
21
9 0 0 0 0 0 0 0 0
0 6 0 0 0 0 6 0 4
T
0 0 6 0 0 0 T
0 6 0
X1 X1 =
dan X1 X2 = 0 0 0
0 0 0 4 0 0
0 0 0 0 2 0 0 0 0
0 0 0 0 0 2 0 0 0
Oleh karena itu, nilai ekspektasi dari parameter model adalah
E(βb0 ) = β0
E(βb2 ) = β2 + β222
E(βb12 ) = β12
E(βb11 ) = β11
E(βb22 ) = β22
X1 −µ
2. Jika X1 , X2 , . . . , Xn berdistribusi IIDN (µ, σ 2 ) maka σ2
, . . . , Xnσ−µ
2 adalah
IIDN (0, 1), sehingga
n
1 X
(Xi − µ)2 ∼ χ2n
σ 2 i=1
dan
2
e∆ /2 (∆2 /2)2
Qi =
Γ(i + 3/2)
∞
X eβ/2 (β/2)i e−x/2 xn/2+i−1
g(x) = n/2+i Γ(n/2 + i)
∼ χ2n , x>0 (2.17)
i=0
i! 2
Dari persamaan (2.17) diberikan fungsi distribusi kumulatif dari chi kuadrat non-
(n − 1)S 2
∼ χ2n−1 (2.19)
σ2
(n − 1)s2
σ2
24
2 1
Pn 2
diketahui bahwa s = n−1 i=1 (xi − x̄) , dengan mengalikan kedua ruas dengan
sebagai
n
X n
X
zi2 = (zi − z̄ + z̄)2
i=1 i=1
n
X
= (zi − z̄) + z̄)2
i=1
n
X n
X n
X
2
= (zi − z̄) + 2z̄ (zi − z̄) + z̄ 2
i=1 i=1 i=1
Pn
karena i=1 (zi − z̄) = 0, maka
n
X n
X
2
= (zi − z̄) + z̄ 2
i=1 i=1
n
X
= (zi − z̄)2 + nz̄ 2 (2.21)
i=1
Pn 2 2
dimana i=1 (zi − z̄) dan nz̄ saling bebas.
Fungsi pembangkit momen dari ni=1 zi2 dapat dinyatakan dengan fungsi pem-
P
MPni=1 (zi −z̄)2 +nz̄2 (t) = MPni=1 (zi −z̄)2 Mnz̄2 (t)
sehingga MPni=1 zi2 (t) = MPni=1 (zi −z̄)2 Mnz̄2 (t), maka diperoleh
MPni=1 zi2 (t)
MPni=1 (zi −z̄)2 = .
Mnz̄2 (t)
Pn 2 n
Diketahui bahwa i=1 zi ∼ χn dengan mgf (1/(1 − 2t)) . Demikian halnya
2
√ √
dengan z̄ ∼ N (0, n1 ), kz̄ adalah normal standar, oleh karena itu ( nz̄)2 = nz̄ 2
1
berdistribusi χ21 dengan mgf (1/(1 − 2t)) 2 .
Karena itu
(1/(1 − 2t))n/2
MPni=1 (zi −z̄)2 (t) =
(1/(1 − 2t))1/2
(n−1)/2
1
= (2.22)
1 − 2t
Persamaan (2.22) merupakan fungsi pembangkit momen dari variabel random
dimana;
|β
b |; i = 1, 2, . . . , k adalah nilai mutlak dari efek penaksir , β
i
b ,β
1
b ,··· ,β
2
b .
k
melalui simulasi.
BAB III
METODOLOGI PENELITIAN
y = Xβ + ε
27
28
(b) Metode Lenth
y = Xβ + ε
y = Xβ + ε
y = Xβ + ε
y = Xβ + ε
y = Xβ + ε
iii. Menghitung s0 , σ
bs1 ,
y = Xβ + ε
(b) Menghitung fungsi power untuk metode Lenth, dengan langkah seba-
gai berikut:
y = Xβ + ε
iii. Menghitung s0 , σ
bP SE (Pseudo Standar Error (PSE)),
(c) Menghitung fungsi power untuk metode Fang, dengan langkah sebagai
berikut:
y = Xβ + ε
iii. Menghitung s0 , σ
bs1 ,
PEMBAHASAN
4.1 Statistik uji dari Metode Bissell, Fang dan Lenth Serta Penaksirnya
Pada bagian ini akan dijelaskan tiga metode yang akan memberikan statistik
uji dalam mengidentifikasi apakah suatu faktor signifikan atau tidak.
H0 : βi = 0
H1 : βi 6= 0; i = 1, 2, 3, . . . , k
Selanjutnya, diketahui
k
1 X
2
(yi − ȳ)2 ∼ χ2k
σ i=1
dan untuk rata-rata kuadrat dari masing-masing faktor diberikan sebagai berikut
Xk
(yi − ȳ)2
i=1
R=
v
k
X
vR = (yi − ȳ)2
i=1
1
dengan mengalikan kedua ruas dari persamaan terakhir dengan , diperoleh
σ2
k
X
(yi − ȳ)2
vR i=1
=
σ2 σ2
k
X Pk
Karena 1
σ2
(yi − ȳ)2 berdistribusi chi kuadrat, maka 1
σ2 i=1 (yi − ȳ)2 juga
i=1
vR
berdistribusi chi kuadrat, akibatnya juga berdistribusi chi kuadrat dengan
σ2
31
32
derajat bebas v. Dengan demikian untuk Ri i = 1, 2, 3 . . . k, yaitu
vR1
∼ χ2v ; db = v
σ2
vR2
∼ χ2v ; db = v
σ2
.. ..
. .
vRk
∼ χ2v ; db = v
σ2
vR
Karena berdistribusi chi kuadrat dengan derajat bebas v, maka dapat diny-
σ2
vR
atakan ekspektasi dan varian dari 2 berdasarkan definisi 2.3, yaitu
σ
vR v
E 2
= v ⇒ 2 E(R) = v
σ σ
E(R) = σ 2
v2
vR
V ar = 2v ⇒ V ar(R) = 2v
σ2 (σ 2 )2
2(σ 2 )2
V ar(R) =
v
Jika m merupakan faktor skala dari distribusi chi kuadrat, maka
2m2
V ar(R) = (4.1)
v
dan jika s2 merupakan penaksir variansi dari sampel, maka:
(k − 1)s2
∼ χ2k−1 (4.2)
σ2
dari persamaan (4.1) dan (4.2) diperoleh
2
m
V\ b2 = 2
ar(R) = σ
v
maka
(k − 1)s2 (k − 1)s2
=
b2
σ 2m2 /v
2
(k − 1)v s
=
2 m
yang selanjutnya dinyatakan sebagai nilai dari statistik Bissell, yaitu:
(k − 1)v
Bk = (s/m)2 . (4.3)
2
Karena persamaan (4.2) berdistribusi chi kuadrat, dan nilai statistik Bk dikon-
E(Bk ) = k − 1
Untuk menentukan apakah suatu faktor signifikan atau tidak, diuji hipotesis
dibawah H0 untuk setiap nilai Bk yang diperoleh, dengan kriteria
Tolak H0 jika
dimana
y = Xβ +
masing-masing faktor terdiri dari dua level dan pada tiap-tiap kombinasi per-
lakuan hanya dilakukan satu kali pengamatan, dengan kontras untuk tiap faktor,
β 1 , β 2 , · · · , β k , dan penaksir yang berkaitan dengannya adalah β b 2, · · · , β
b 1, β bk.
Hipotesis yang berkaitan dengan suatu faktor signifikan atau tidak dalam
memberikan pengaruh terhadap variabel respon, dirumuskan sebagai berikut:
H0 : βi = 0
H1 : βi 6= 0; i = 1, 2, . . . , k
a. Estimasi Awal, s0
selanjutnya
1
a0 (0, 5) =
Φ−1
0 (0, 5)
diketahui
q+1
Φ−1
0 (q) =Φ −1
2
−1 −1 0, 5 + 1
Φ0 (0, 5) = Φ
2
0, 5 + 1
Φ−1 =z
2
Φ−1 (0, 75) = z
z = 0, 6745
1
a0 (0, 5) =
0, 6745
= 1, 4825797 ≈ 1, 5
s0 = 1, 5 × median{|β
b |};
i i = 1, 2, . . . , k
bP SE = 1, 5 × median |β
σ b |;
i i = 1, 2, . . . , k (4.4)
|β
b |<2,5s0
i
Selanjutnya akan dikonstruksi suatu statistik uji, dimana diketahui distribusi dari
β,
b sebagaimana yang diberikan pada persamaan (2.14), yaitu
H0 : β i = 0; i = 1, 2, · · · , k
H1 : β i 6= 0
atau
1 − α = P {tk < c(k, α)|H0 }
36
Kasus k cukup besar
b
. |β|
P {tk ≤ c|H0 } = ≤ c; i = 1, · · · , k|H0 (4.6)
σ
bP SE
= [Φ(c) − Φ(−c)]k
= [2(Φ(c) − 21 )]k
dimana
Z k
1 2
Φ(k) = √ e−u /2 du
2π −∞
∗
Didefinisikan c = c(k, α) dengan :
k
∗ 1
1 − α = 2 Φ(c (k, α)) − 2
dengan
∗ −1 1 (1−α)1/k
c (k, α) = Φ 2
+ 2
(4.7)
Dari persamaan (4.6), dengan memilih k dan α untuk suatu nilai c, diperoleh
|β
b|
i
P( < tα/2; d ) = 1 − α
σ
bP SE
b|<σ
P (|β bP SE × tα/2; d ) = 1 − α (4.8)
i
Untuk α = 0, 05
b|<σ
P (|β bP SE × t0,025; d ) = 0, 95
i
bP SE × t0,025,
ME = σ d (4.9)
dimana, nilai 0,025 merupakan kuantil ke 0,975 dari distribusi t dan dengan
SM E = tγ,d × σ
bP SE (4.10)
Dengan cara yang sama pada metode Lenth, bahwa sebelum mengkon-
struksi statistik uji dari metode Fang, terlebih dahulu dirumuskan hipotesis yang
berkaitan dengan signifikan atau tidak pengaruh suatu faktor terhadap variabel
respon. Hipotesisnya dirumuskan sebagai berikut:
H0 : βi = 0
H1 : βi 6= 0; i = 1, 2, . . . , k
Untuk menguji hipotesis tersebut, terlebih dahulu ditentukan estimasi dari metode
Lenth, yang dijelaskan sebagai berikut:
a. Estimasi awal
Dengan cara yang sama pada penaksir metode Lenth, penaksir awal dari
metode Fang dapat dituliskan sebagi berikut:
s0 = 1, 5 × median{|β
b |};
i i = 1, 2, . . . , k
b. Estimasi Akhir
Dengan cara yang sama pada penaksir akhir dari metode Lenth, penaksir
akhir dari metode Fang dapat diturunkan dari definisi (2.6) sebagai berikut:
s X
bs1 (q, b) = l−1
σ b |2
|β i
|β
b |≤2,50×s0
i
38
(4.11)
Untuk uji statistik, Fang menggunakan suatu statistik uji yang menyerupai statis-
tik uji-t, sebagai berikut
|β
b i|
tσs1 =
σbs1
b i| < σ
P (|β bs1 × tα/2;l ) = 1 − α
b|<σ
P (|β bs1 × t0.01;l ) = 0, 98
i
bs1 × t0.01;l
ME = σ
dengan df = l
Pada bagian ini akan diturunkan fungsi power dari metode Bissell, Lenth
dan Fang. Fungsi power yang diperoleh selanjutnya akan digunakan untuk mem-
banding kekuatan uji dari ketiga metode tersebut. Power uji dari metode Bissell
diturunkan dari distribusi chi kuadrat noncentral yang didasarkan pada statistik
uji dari metode ini, sedangkan untuk metode Lenth dan Fang, fungsi powernya di-
turunkan dari distribusi t noncentral, hal tersebut juga didasarkan pada statistik
uji dari keduanya.
central. Dari definisi (2.5), diberikan fungsi padat peluang dari distribusi chi
dimana
Z k
Φ(x) = φ(x)dx
−∞
2 ∞ i i/2
v v/2 e−β /2 2x2
X v+i+1 β
φ(x) = v √ Γ
Γ( 2 ) π(v + x2 )(v+1)/2 i=1 2 i! v + x2
dimana
Sebagaimana yang telah dijelaskan pada bagian 4.1.4, bahwa fungsi power
yang diperoleh akan digunakan untuk membandingkan kekuatan uji dari ketiga
metode tersebut. Pada bagian ini, dengan menggunakan kasus yang diberikan,
yaitu faktor yang mempengaruhi jarak tempuh bola golf dalam permainan golf
untuk rancangan faktorial fraksional 2-level dan faktor yang mempengaruhi pem-
bakaran pada boiler untuk rancangan faktorial fraksional 3-level.
42
4.2.1 Kasus Rancangan Faktorial Fraksional 2-Level
H0 : β i = 0 lawan H1 : β i 6= 0 dimana i = 1, 2, 3, . . . , 15
2. Metode Lenth,
Dengan menggunakan nilai dari penaksir efek, dihitung:
(a) s0 = 1, 5 × median{|β
b i |} = 1, 5 × 4, 6250 = 6, 9375
bP SE = 1, 5 × median{|β
(b) σ b |} = 5, 4375
i
b ≤2,5
β i
(c) M E = t0,025 × σ
bP SE = 13, 9775
(d) SM E = tγ,d × σ
bP SE = 28, 3764
Untuk menyatakan faktor signifikan dari metode Lenth, bahwa nilai
mutlak dari penaksir efek yang lebih besar dari SM E, faktor tersebut
yang dinyatakan signifikan, yaitu faktor Ability, groung dan teeing.
3. Metode Fang,
Dengan cara yang sama pada metode lenth, penetapan faktor yang sig-
44
nifikan adalah dengan mengambil nilai dari penaksir efek yang lebih besar
dari nilai SM E. Faktor yang dinyatakan signifikan pada metode ini sama
dengan yang teridentifikasi pada metode Lenth. Hasil perhitungan yang
lengkap dapat dilihat pada Lampiran B Tabel 2.1.
Dari tabel tersebut, terlihat untuk metode Bissel, faktor-faktor yang signifikan
adalah ground, teeing dan ability, untuk metode Lenth dengan menggunakan
SM E diperoleh faktor signifikan sama dengan faktor yang teridentifikasi pada
metode Bissell. Dengan menggunakan metode Fang, diperoleh faktor signifikan
ground, ability, teeing.
Selanjutnya, untuk mengetahui kekuatan uji dari metode Lenth dan Fang
dalam mengidentifikasi faktor signifikan, digunakan fungsi power dari masing-
masing metode dengan nilai noncentral (β) yang berbeda. Dari hasil analisis
statistik, dapat dijelaskan sebagai berikut: Dari kasus, diperoleh nilai power
untuk metode Bissell bahwa untuk suatu nilai parameter nonsentral yang dite-
tapkan, β, mempunyai nilai yang lebih kecil dari nilai statistik Bk memberikan
power yang cenderung kecil. Dengan kata lain, semakin nilai statistik Bk power
cenderung membesar. Akan tetapi, bahwa dari hasil ini juga memperlihatkan
bahwa untuk suatu nilai Bk yang dinyatakan signifikan, dimana nilai nonsentral
yang diberikan lebih besar, maka akan memperlihat nilai power yang kecil. Dari
kasus, untuk Bk = 24, 766, nilai ini dinyatakan signifikan dengan nilai P sebe-
sar 0,03 untuk α = 0, 05 dari distribusi chi kuadrat, juga diberikan nilai power
untuk suatu parameter noncentral, β = 10 yaitu 0,579, suatu nilai power yang
cukup kecil dalam untuk pengambilan keputusan. Jika dikaitkan dengan kesala-
han dalam pengambilan keputusan secara statistik, bahwa untuk statistik Bissell
jika jumlah faktor semakin banyak atau k besar, dengan α yang sama cenderung
melakukan kesalahan dalam menyatakan suatu faktor signifikan dalam keadaan
faktor tersebut tidak signifikan atau cenderung melakukan kesalahan jenis I, yaitu
menerima H0 saat H0 salah.
Dari hasil tersebut juga memberikan nilai power untuk metode Lenth bahwa
45
untuk suatu nilai β yang ditentukan lebih kecil dari β power cenderung kecil, se-
b
b ≤ β(9) mempunyai power yang kecil keadaan ini mempunyai
bagai contoh β 2
b ≥ β
kecenderungan yang sama dengan metode Fang. Pada kasus dimana β
menunjukan kecenderungan nilai power besar, walaupun faktor tersebut diny-
atakan tidak signifikan. Sebagai contoh; Bk ≥ β(9) , Bk = 40, 758, secara lengkap
disajikan pada Lampiran C Tabel 3.1, Tabel 3.2, dan Tabel 3.3. Dalam ka-
sus ini, untuk faktor yang signifikan mungkin tidak menjadi masalah yang ber-
arti oleh karena hasil uji yang menunjukkan power yang besar. Tetapi yang
perlu diperhatikan dari kasus ini adalah pada saat faktor tersebut dinyatakan
tidak signifikan, baik dengan menggunakan metode Lenth maupun Fang, ke-
cenderungan keduanya memberikan suatu power yang besar. Jika hal tersebut
dikaitkan dengan kesalahan yang mungkin terjadi dalam setiap pengujian hipote-
sis, yaitu kesalahan type II. Kondisi dimana terjadi penerimaan H0 saat H1 be-
nar, diberikan contoh dari hasil analisis, βb2 = −4, 875 (tidak signifikan , baik
metode Lenth maupun Fang) dengan β = −8, 38652 diberikan nilai power sebe-
sar 0,99957 (Lampiran C Tabel 3.2), dengan peluang terjadi kesalahan type II
sebesar 0,00043 suatu tingkat kesalahan yang mungkin sangat kecil.
Melalui uraian kasus di atas, baik metode Lenth maupun metode Fang cen-
derung memberikan nilai power yang sama untuk suatu parameter noncentral
yang ditetapkan dan lebih kuat jika dibandingkan dengan metode Bissell, ke-
cuali pada keadaan dimana parameter nonsentral yang diberikan semakin besar
dibanding dengan efek dari suatu faktor terlihat perbedaan antara kedua metode
ini (Lenth dan Fang), dimana metode Fang cenderung lebih kuat dibandingkan
dengan metode Lenth dan Bissell. Gambar 4.1 berikut memberikan gambaran
power dari ketiga metode tersebut.
Pada kasus ini, kasus yang digunakan adalah proses pembakaran pada
boiler dengan faktor-faktornya (1) sudut pengarah nosel (A), distribusi udara
(D),kombinasi elemen nosel (C), dan tarikan udara pada furnace (D) disusun
46
Gambar 4.1: Kurva Kuasa Metode Bissell, Lenth, dan Fang untuk Permainan
Golf
4−1
dalam rancangan faktorial fraksional 3IV atau rancangan resolusi IV dengan
defining relation I = AB 2 CD dan jumlah run 27. dengan model yang akan diuji
Model dengan 7 kontras, dari hasil analisis diperoleh tabel analisis variansi seba-
gai berikut Hipotesis yang akan diuji adalah
H0 : β i = 0 lawan H1 : β i 6= 0 dimana i = 1, 2, 3, . . . , 7
47
Tabel 4.2: Rangkuman Hasil Analisis Varian
Sumbe variansi DF SS MS F P
Regresi 7 1301,2 185,9 0,37 0,908
Kesalahan 19 9500,9 500,0
Total 26 10802,1
1. Metode Bissell,
Dilakukan perhitungan dengan iterasi sebagai berikut:
(a) Dari hasil penghitungan rata-rata sebesar 185,886 dan standar deviasi
sebesar 335,397 dari rata-rata kuadrat
(a) s0 = 1, 5 × median |β
b | = 2, 1833
i
bP SE = 1, 5 × median |β|
(b) σ b = 2.1666
|β|<2.5×s
b 0
(c) M E = t0,025 × σ
bP SE = 6, 5210
(d) SM E = tγ, d × σ
bP SE = 14, 2538
Untuk menyatakan faktor signifikan dengan menggunakan metode Lenth,
48
bahwa nilai multak dari penaksir efek yang lebih besar dari SM E.
Dari hasil tersebut tidak satupun dari faktor yang dinyatakan sig-
nifikan
3. Metode Fang, Dengan yang sama pada metode fang, penetapan faktor yang
signifikan adalah dengan mengambil nilai dari penaksir efek yang lebih besar
dari nilai SM E. Dari hasil perhitungan, tidak satupun dari faktor yang
ada dinyatakan signifikan.
BAB V
5.1 Kesimpulan
1. Statistik uji dan penaksir parameter untuk metode Bissel, Lenth dan Fang
sebagai berikut:
• s0 = 1.5 × median{|β
b |} sebagai penaksir awal yang akan di-
i
• σ
bP SE = 1, 5 × median {|β
b |} sebagai penaksir akhir.
i
|β
b |≤2,5×s0
i
• ME = σ
bP SE × t0,025,d sebagai batas kesalahan
• SM E = tγ,d × σ
bP SE sebagai batas kesalahan simultan, meru-
pakan statistik yang digunakan untuk menetapkan apakah su-
atu faktor signifikan atau tidak, yaitu estimasi efek faktor
yang lebih besar dari SM E dinyatakan sebagai faktor yang
signifikan.
49
50
(c) Penaksir dan statistik uji dari Metode Fang adalah
• s0 = 1.5 × median{|β
b |} sebagai penaksir awal yang akan di-
i
• ME = σ
bs1 × t0,025,l sebagai batas kesalahan
• SM E = tγ,l × σ
bs1 , sebagai batas kesalahan simultan, meru-
pakan statistik yang digunakan untuk menetapkan apakah su-
atu faktor signifikan atau tidak, yaitu estimasi efek faktor
yang lebih besar dari SM E dinyatakan sebagai faktor yang
signifikan.
2. Kekuatan uji untuk metode Metode Lenth dan Fang memberikan indikasi
yang lebih kuat dibandingkan dengan metode Bissell. Untuk Metode Lenth
dan Fang, memberikan kecenderungan yang sama dalam hal nilai power
yang diberikan untuk setiap parameter nonsentral. Namun, kekuatan uji
metode ini untuk suatu parameter yang noncentral yang diberikan semakin
besar, memperlihat metode Fang lebih kuat dibanding dengan metode Lenth.
5.2 Saran
Bisgaard, 1991. ”A Methode for Identification Defining Contrasts for 2K−P De-
sign”. Report Series No. 72 of Center for Quality and Productivity Impovement,
University of Wisconsin, Madison.
Cochran, W.G. 1954. ”Some Methods For Strengthening the Common χ2 Test”.
Biometric, pp. 418-450
Dodgson, J.H. 2003. ”A Graphical Method for Assessing Mean Square in Satu-
rated Fractional Designs”. Journal of Quality Technology, 35, No. 2, pp. 206-
212.
Lenth, R.V. 1989. ”Quick and Easy Analysis of Unreplicated Factorial”. Techno-
metrics 31, pp 469-473.
Luftig, J., 1991. ”Special Techniques For The Analysis Of Unreplicated Fractional
Factorial (Screening) Designs, Luftig & Warren International.
52
53
Montgomery, 2005. supplemental text material for each chapter of the 6th
edition of Design and Analysis of Experiments. http://www.wiley.com/ col-
lege/montgomery
54
Lampiran A
55
56
57
58
Tabel 2.1: Nilai Statistik Bissell, Metode Lenth dan Fang untuk Permainan Golf
Analysis of Variance
Source DF SS MS F P
Regression 10 1443,9 144,4 0,25 0,985
Residual Error 16 9358,2 584,9
Total 26 10802,1
No replicates.
Cannot do pure error test.
Source DF Seq SS
x1 1 0,2
x2 1 26,9
x3 1 37,6
x4 1 938,9
x1x2 1 65,3
x1x3 1 147,0
x1x4 1 21,3
x2x3 1 69,7
x2x4 1 1,8
x3x4 1 135,2
60
Tabel 2.2: Hasil Perhitungan Metode Bissell, Lenth dan Fang
Regression Analysis: y versus x1; x2; x3; x4; x1x2; x1x3; x2x3
Analysis of Variance
Source DF SS MS F P
Regression 7 1301,2 185,9 0,37 0,908
Residual Error 19 9500,9 500,0
Total 26 10802,1
No replicates.
Cannot do pure error test.
Source DF Seq SS
x1 1 0,2
x2 1 26,9
x3 1 37,6
x4 1 938,9
x1x2 1 65,3
x1x3 1 147,0
x2x3 1 85,3
Hasil Penghitungan Power dan Kurva Kuasa Metode Bissell, Lenth, dan Fang untuk Permainan Golf
β
Bk 1 2 3 4 5 6 7 8 9 10
24,7662 0,941941 0,915733 0,884624 0,849012 0,809458 0,766639 0,721306 0,674242 0,626221 0,577984
31,2315 0,990186 0,983313 0,973836 0,961419 0,945808 0,926848 0,904490 0,878790 0,849906 0,818089
40,7580 0,999507 0,998948 0,998000 0,996507 0,994287 0,991140 0,986853 0,981209 0,973995 0,965014
62
13,7841 0,462393 0,396737 0,337581 0,285036 0,238944 0,198966 0,164638 0,135431 0,110788 0,090155
13,5729 0,446725 0,381832 0,323691 0,272315 0,227473 0,188759 0,155664 0,127626 0,104066 0,084417
12,6369 0,376641 0,316320 0,263607 0,218107 0,179260 0,146418 0,118898 0,096024 0,077152 0,061690
3,3778 0,001215 0,000815 0,000546 0,000366 0,000245 0,000164 0,000109 0,000073 0,000049 0,000032
3,3073 0,001078 0,000722 0,000483 0,000323 0,000215 0,000144 0,000096 0,000064 0,000042 0,000028
2,9810 0,000593 0,000393 0,000261 0,000173 0,000114 0,000076 0,000050 0,000033 0,000022 0,000014
2,3178 0,000133 0,000086 0,000056 0,000037 0,000024 0,000015 0,000010 0,000006 0,000004 0,000003
2,4452 0,000183 0,000120 0,000078 0,000051 0,000033 0,000022 0,000014 0,000009 0,000006 0,000004
2,5132 0,000216 0,000142 0,000093 0,000061 0,000040 0,000026 0,000017 0,000011 0,000007 0,000005
1,6793 0,000018 0,000011 0,000007 0,000005 0,000003 0,000002 0,000001 0,000001 0,000000 0,000000
0,8521 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000
Tabel 3.2: Power Metode Lenth untuk Permainan Golf
β
βb 1 2 3 4 5 6 7 8 9 10
-15,8750 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
-4,8750 0,0023 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
-2,8750 0,0174 0,0017 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
-2,3750 0,0318 0,0034 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
-1,3750 0,1138 0,0162 0,0010 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
0,1250 0,5473 0,1893 0,0301 0,0020 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
0,6250 0,7203 0,3452 0,0838 0,0091 0,0004 0,0000 0,0000 0,0000 0,0000 0,0000
3,1250 0,9869 0,9258 0,7553 0,4844 0,2272 0,0750 0,0172 0,0027 0,0003 0,0000
4,1250 0,9954 0,9706 0,8858 0,7092 0,4699 0,2484 0,1028 0,0331 0,0083 0,0016
4,6250 0,9971 0,9808 0,9214 0,7857 0,5784 0,3550 0,1782 0,0726 0,0239 0,0064
10,6250 0,9999 0,9995 0,9974 0,9908 0,9745 0,9425 0,8897 0,8141 0,7179 0,6075
13,1250 1,0000 0,9998 0,9991 0,9965 0,9899 0,9762 0,9518 0,9138 0,8605 0,7919
41,6250 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9995 0,9992 0,9986
48,6250 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9996 0,9993
50,1250 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9997 0,9994
63
Tabel 3.3: Power Metode Fang untuk Permainan Golf
β
βb 1 2 3 4 5 6 7 8 9 10
-15,8750 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
-4,8750 0,0002 0,6957 0,0127 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
-2,8750 0,0070 0,0004 1,1077 0,0134 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
-2,3750 0,0175 0,0013 0,4027 0,0565 0,0003 0,0000 0,0000 0,0000 0,0000 0,0000
-1,3750 0,0971 0,0118 0,0006 1,3370 0,0012 0,0000 0,0000 0,0000 0,0000 0,0000
0,1250 0,5487 0,1902 0,0303 0,0020 5,3022 0,0054 0,0000 0,0000 0,0000 0,0000
0,6250 0,7282 0,3502 0,0843 0,0089 0,0004 0,0674 0,0046 0,0000 0,0000 0,0000
3,1250 0,9956 0,9603 0,8148 0,5183 0,2129 0,0514 0,0070 0,0005 2,1065 0,0466
4,1250 0,9993 0,9914 0,9432 0,7869 0,5085 0,2291 0,0675 0,0126 0,0015 0,0001
4,6250 0,9997 0,9960 0,9698 0,8688 0,6470 0,3618 0,1417 0,0375 0,0066 0,0008
10,6250 1,0000 1,0000 1,0000 0,9997 0,9983 0,9924 0,9738 0,9292 0,8451 0,7172
13,1250 1,0000 1,0000 1,0000 1,0000 0,9998 0,9989 0,9955 0,9856 0,9625 0,9173
41,6250 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
48,6250 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
50,1250 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
64
65
Gambar 3.1: Kurva Kuasa Metode Bissell, Lenth dan Fang untuk Permainan
Golf
Lampiran D
Listing Program
MACRO
BTAUTO DF REF MS REFORD BK PVALUE
MCONSTANT DF K CVT PV I J L
MCOLUMN REF MS REFORD BK PVALUE MSORD KMIN1
%BTEST DF MS CVT PV
LET BK(1) = CVT
LET PVALUE(1) = PV
DO I = 1:K - 2
LET MSORD(I) = ’*’
%BTEST DF MSORD CVT PV
LET J = I + 1
LET BK(J) = CVT
LET PVALUE(J) = PV
ENDDO
LET BK(K)=’*’
LET PVALUE(K) = ’*’
LET L = K - 1
SET KMIN1 L:1*
END
66
67
NAME BK ’Bk’
NAME KMIN1 ’k - 1’
PLOT BK*KMIN1;
LINE KMIN1 KMIN1.
ENDMACRO
# Macro: BTEST.MAC
# Deskripsi: Menyatakan statistik Bk dan p-value
# yang berkaitan untuk satu mean square
# Input: DF - derajat bebas
# MS - mean square
# Output Bk - Statistik Bk
# PVALUE - p-value
MACRO
BTEST DF MS BK PVALUE
MCONSTANT DF BK PVALUE K L CV QVALUE
MCOLUMN MS
LET K = N(MS)
LET L = K - 1
LET CV = STDEV(MS)/MEAN(MS)
LET BK = 0,5*L*DF*CV**2
CDF BK QVALUE;
CHISQUARE L.
LET PVALUE = 1 - QVALUE
ENDMACRO
# Macro: EFFTOMS.MAC
# Deskripsi: Menyatakan mean square dari efek
# untuk eksperimen 2**k
# Input: EFFECTS - kolom efek
# Output: MS - kolom mean square
MACRO
EFFTOMS EFFECTS MS
MCOLUMN EFFECTs MS
LET MS = (EFFECTS**2)*(N(EFFECTS)+1)/4
ENDMACRO
68
4.2 Listing Program Perhitungan Metode Lenth dan Fang
clc
clear
effect = [-15.875;-4.875;-2.875;-2.375;-1.375;0.125;0.625;
3.125;4.125;4.625;10.625;13.125;41.625;48.625;50.125]
PERMAINAN GOLF
So = 1.5 * median(abs(effect))
% =========================================================
% Perhitungan Metode Lenth
% =========================================================
k = length(effect);
m = 0;
for i=1:k
if abs(effect(i))<2.5 *So
m = m + 1;
hasil1(m) = effect(i);
end
end
% ===========================================================
% Perhitungan Power Metode Lenth
% ===========================================================
for i=1:k;
lower=-MEL;
upper=+MEL;
dh =(upper-lower)/10;
j = 1;
delta =lower;
for j=1:10
power(i,j) = nctcdf(effect(i),k/3,delta);
delta = delta + dh;
del(i,j) =delta;
end
end
% ===========================================================
% Perhitungan Metode Fang
69
% ===========================================================
w = 0;
for i=1:k
if abs(effect(i))<2.5 *So
w = w + 1;
hasil2(w) = effect(i)^2;
end
end
l =length(hasil2);
jum = sum(hasil2);
S1 = sqrt((jum)/l)
MEF = tinv(0.98,l) * S1
gammaF = (1 + (0.98)^(1/k) )/ 2;
SMEF = tinv(gammaF,l) * S1
for i=1:k;
bawah=-MEL;
atas=+MEL;
dhf =(atas-bawah)/10;
t = 1;
deltaf =bawah;
for t=1:10;
powerf(i,t) = nctcdf(effect(i),l,deltaf);
deltaf = deltaf + dhf;
delf(i,t) =deltaf;
end
end
%===========================================================
% Mencentak Power Methode Lenth dan Fang
%===========================================================
display1 = [effect del];
disp(’===================================================’);
disp(’beta delta ’);
disp(’===================================================’);
disp(num2str(display1));
disp(’===================================================’);
display = [effect power];
disp(’===================================================’);
disp(’beta power ’);
disp(’===================================================’);
disp(num2str(display));
disp(’===================================================’);
display2 = [effect delf];