5.1. The yield of a chemical process is being studied.

The two most important variables

are thought to be the pressure and the temperature. Three levels of each factor are
selected, and a factorial experiment with two replicates is performed. The yield
data follow:
Pressure
Temperature 200 215 230
150 90.4 90.7 90.2
90.2 90.6 90.4
160 90.1 90.5 89.9
90.3 90.6 90.1
170 90.5 90.8 90.4
90.7 90.9 90.1

Penyelesaian:
a) Analyze the data and draw conclusions. Use α = 0.05.
Both pressure (A) and temperature (B) are significant, the interaction is not.

(b) Prepare appropriate residual plots and comment on the model’s adequacy.
The residual plots show no serious deviations from the assumptions.
(c) Under what conditions would you operate this process?
Solutions from Montgomery, D. C. (2001) Design and Analysis of Experiments,
Wiley, NY
Set pressure at 215 and Temperature at the high level, 170 degrees C, as this gives
the highest yield.
The standard analysis of variance treats all design factors as if they were
qualitative. In this case, both factors are quantitative, so some further analysis can
be performed. In Section 5-5, we show how response curves and surfaces can be fit
to the data from a factorial experiment with at least one quantative factor. Since
both factors in this problem are quantitative and have three levels, we can fit linear
and quadratic effects of both temperature and pressure, exactly as in Example 5-5
in the text. The Design-Expert output, including the response surface plots, now
follows.
5.2. Seorang insinyur mencurigai bahwa permukaan bagian akhir logam dipengaruhi
oleh tingkat umpan dan kedalaman potong. Dia memilih tiga tingkat umpan dan
empat kedalaman potong. Dia kemudian melakukan percobaan faktorial dan
memperoleh data sebagai berikut:

Depth of Cut (in)

Feed Rate 0.1 0.18 0.20 0.25
(in/min) 745 79 82 99
0.20 64 68 88 104
60 73 92 96
92 98 99 104
0.25 86 104 108 110
88 88 95 99
99 104 108 114
0.30 98 99 110 111
10 95 99 107
2
(a) Menganalisa data dan menarik kesimpulan. Menggunakan z=0.05
(b) Siapkan plot residual yang sesuai dan mengomentari kecukupan model.
(c) Mendapatkan perkiraan titik mean permukaan akhir pada setiap tingkat
umpan.
(d) Tentukan P-values untuk tes pada bagian (a).
Jawaban:
(a)

Source sum of DF Mean of F-Value Prob>F

 squares square
Model 5842.67 11 531.15 18.49 < 0.0001
A 2125.11 3 708.37 24.66 < 0.0001
B 3160.50 2 1580.25 55.02 < 0.0001
AB 557.06 6 92.84 3.23 0.0180
Residual 689.33 24 28.72
Lack of fit 0.000 0
Pure error 689.33 24 28.72
Cor total 6532.00 35

Model F-Value 18,49 menunjukan model adalah signifikan.Hanya ada 0.01%

kemungkinan bahwa “Model F-Value” ini besar bisa terjadi karena kebisingan.
Nilai-Nilai “Prob>F” kurang dari 0.05 menunjukkan istilah model yag
signifikan. Dalam hal ini A,B,AB adalah model yang signifikan.
(b) The residual plots shown indicate nothing unusual.
 (c)
Feed Average
0.20 81.58
0.25 97.58
0.30 103.83

(d) P-Values yang diberikan dalam output komputer pada bagian (a)

5.3. For the data in Problem 5-2. Compute a 95 percent confidence interval estimate of
the mean difference in response for feed rates of 0.20 and 0.25 in/min.
Penyelesaian:
Diketahui dari soal no.2 :
y1=81.58
y2=97.58
t=2.064
MSe=28.7222
n=3
Kita ingin menemukan confidence interval pada 𝜇1 − 𝜇2 dmn 𝜇1 adalah rata-rata
permukaan akhir untuk 0.20 in/min dan 𝜇2 adalah rata-rata permukaan akhir untuk
 0.25 in/min.

2𝑀𝑆𝑒 2𝑀𝑆𝑒
𝑦1 − 𝑦2 − 𝑡 √ ≤ 𝜇1 − 𝜇2 ≤ 𝑦1 − 𝑦2 + 𝑡 √
𝑛 𝑛

2(28.7222)
(81.58 − 97.58) ± (2.064)√ = 16 ± 9.032
3
Maka dari itu, 95% dari confidence interval untuk 𝜇1 − 𝜇2 adalah -16 ± 9.032

5.4. An article in Industrial Quality Control (1956,pp. 5-8) describes an experiment to

in vestigate the effect of the type of glass and the type of phospor on the brightness
of a television tube. The response variable is the current necessary ( in microamps)
to obtain a specified brightness level. The data are as follows:

a) Is there any indication that either factor influences brightness? Use α= 0.05

b) Do the two factor interact? Use α =0.05

c) Analyze the residuals from this experiment

Penyelesaian:

a) Pada data diatas terdapat dua faktor. Yaitu glass type dan phosphor type.
Dimana diasumsikan bahwa :

A = Phospor type
B = Glass type
Perhitungan manual :
1. Sum of Squares

𝑦2 …
SST = ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑛𝑘=1 𝑦 2 𝑖𝑗𝑘 −
𝑎𝑏𝑛

= (280)2 + (290)2 + (285)2 + (230)2 + (235)2 + (240)2 +(300)2 +

(310)2 +(295)2 +(260)2 + (240)2 + (235)2 + (290)2 + (285)2 +
(4740)2
(290)2 + (220)2 + (225)2 (230)2 − 18
= 16150
1 𝑦 2 ..
SSB = ∑𝑏𝑗=1 𝑦 2 𝑗. . −
𝑎𝑛 𝑎𝑏𝑛
 1 (4740)2
= [(2625)2 + (2115)2 ] − = 14450
(3)(3) 18
1 𝑦2 ..
SSA = 𝑏𝑛 ∑𝑎 2
𝑖=1 𝑦 𝑖. . − 𝑎𝑏𝑛
1 (4740)2
= [(1560)2 + (1640)2 + (1540)2 ] − = 933,33
(2)(3) 18
1 𝑎 𝑦 2 ..
SSAB = ∑𝑖=1 ∑𝑏𝑗=1 𝑦 2 𝑗. . − − 𝑆𝑆𝐵 − 𝑆𝑆𝐴
𝑛 𝑎𝑏𝑛
1 (4740)2
= [(855)2 + (905)2 + (865)2 + ⋯ + (675)2 ] − − 14450
3 18
− 933,33
= 133,33
SSE = 𝑆𝑆𝑇 − 𝑆𝑆𝐵 − 𝑆𝑆𝐴 − 𝑆𝑆𝐴𝐵
= 16150 − 14450 − 933,33 − 133,33 = 633,33
SS Model = 𝑆𝑆𝐵 + 𝑆𝑆𝐴 + 𝑆𝑆𝐴𝐵
= 14450 + 933,33 + 133,33 = 15516,66
2. Degrees of freedom
a.) A = a-1
a=3
A=3–1=2
b.) B = b – 1
b=2
B = 2 -1 = 1
c.) AB = (a – 1) (b – 1)
=2.1=2
d.) Model = A + B + AB
=2+1+2=5
e.) error = ab (n – 1)
= 6 (2) =12
f.) Total = abn – 1
= 18 – 1 = 17
3.Mean Square :
𝑆𝑆𝐴 933,33
a.) MSA= 𝑎−1 = 2
= 466,67
𝑆𝑆𝐵 14450
b.) MSB = 𝑏−1 = 1
= 14450
𝑆𝑆𝐴𝐵 133,33
c.) MSAB = (𝑎−1)(𝑏−1) =
2
= 66,67

𝑆𝑆𝐸 633,33
d.) MSE(error)= 𝑎𝑏(𝑛−1) = 12 = 52,78

𝑆𝑆𝑀𝑜𝑑𝑒𝑙 15516,66
e.) MSModel = 𝐴+𝐵+𝐴𝐵 = 5
= 3103,33

4. F0
 𝑀𝑆 𝑀𝑜𝑑𝑒𝑙 3103,33
a.) F0 untuk Model : 𝑀𝑆𝐸
= 52,78
= 58,80
𝑀𝑆𝐴 466,67
b.) F0 untuk A :𝑀𝑆𝐸 = 52,78
= 8,84
𝑀𝑆𝐵 144150
c.) F0 untuk B : 𝑀𝑆𝐸 = 52,78
= 273,79
𝑀𝑆𝐴𝐵 66,67
d.) F0 untuk AB : 𝑀𝑆𝐸
= 52,78 = 1,26
Source Sum of Squares DF Mean Square F Value
Model 15516,67 5 3103,33 58,80
A 933,33 2 466,67 8,84
B 14450,00 1 14450,00 273,79
AB 133,33 2 66,67 1,26
Residual 633,33 12 52,78
Total 16150,00 17
Error 633,33 12 52,78

 Kesimpulan : kedua faktor sangat mempengaruhi kecerahan. Sedangkan yang

paling berpengaruh adalah “B” yaitu Glass Type karena nilai F value memiliki
nilai terbesar.

b) Kedua faktor tidak saling berinteraksi. Namun memiliki pengaruh terhadap

kecerahan. Dapat dilihat pada tabel a hasil dari perhitungan bahwa F0 pada
glass type memiliki nilai terbesar yaitu 273.79 dan nilai lainnya yaitu pada
models sebesar 58.80

c) 1. Jumlah data yaitu abnadalah 18. Maka didapat tabel untuk residual dengan
perhitungan manual untuk Predicted Value (PV) :

𝟑𝟎𝟎+𝟑𝟏𝟎+𝟐𝟗𝟓
PV7,8,9= =301.67
𝟑
𝟐𝟔𝟎+𝟐𝟒𝟎+𝟐𝟑𝟓
PV10,11,12= = 245
𝟑
𝟐𝟗𝟎+𝟐𝟖𝟓+𝟐𝟗𝟎
PV13,14,15= = 288.33
𝟑
𝟐𝟐𝟎+𝟐𝟐𝟓+𝟐𝟑𝟎
PV16,17,18= = 225
𝟑

 Dari grafik Residual versus fosfor memberikan tanda bahwa kesetaraan

variasi sangat kecil dan tidak menyebar
 Residual dalam tabel didapat dari Nilai Aktual – Nilai Prediksi
Tabel hasil perhitungan
Standar Actual Predicted phospor
Residuals glass type
Order Value Value type
1 280 -5 1 1
2 290 285 5 1 1
3 285 0 1 1
4 230 -5 2 1
5 235 235 0 2 1
6 240 5 2 1
7 300 -1,67 1 2
8 310 301.67 8.33 1 2
9 295 -6,67 1 2
10 260 15 2 2
11 240 245 -5 2 2
12 235 -10 2 2
13 290 1,67 1 3
14 285 288.33 -3,33 1 3
15 290 1,67 1 3
16 220 -5 2 3
17 225 225 0 2 3
18 230 5 2 3

15
12.5
10
7.5
Residuals

5
2.5
0
-2.5 225 250 275 300 325 350
-5
-7.5
-10
Predicted value

Plot Residual Vs Predicted

 Plot Residual VS Glass Type

15
12.5
10
7.5
Residuals

5
2.5
0
-2.5 0 1 2 3
-5
-7.5
-10
Phospor type

Plot Residual VS Phospor Type

5.5. Johnson and Leone (Statistics and Experimental Design in Engineering and the
Physical Sciences, Wiley 1977) describe an experiment to investigate the warping of
copper plates. The two factors studies were the temperature and the copper content
of the plates. The response variable was ameasure of the amount of warping. The
data were as follows:
Copper Content (%)
Temperature(°C) 40 60 80 100
50 17,20 16,21 24,22 28,27
75 12,9 18,13 17,12 27,31
100 16,12 18,21 25,23 30,23
125 21,17 23,21 23,22 29,31

Penyelesaian:
Kedua faktor, efek kandungan tembaga (A) dan temperature (B) tidak memiliki
interaksi.

Design Expert Output

Response: Warping
ANOVA for Selected Factorial Model
Analysis of variance table [Partial sum of squares]
 Sumof Mean F
Source Squares DF Square Value Prob>F
Model 968.22 15 64.55 9.52 <0.0001 significant
A 698.34 3 232.78 34.33 <0.0001
B 156.09 3 52.03 7.67 0.0021
AB 113.78 9 12.64 1.86 0.1327
Residual 108.50 16 6.78
Lack of Fit 0.000 0
Pure Error 108.50 16 6.78
Cor Total 1076.72 31

(a) Analyze the residuals from this experiment.

Solution:
Tidak ada hal yang biasa dari plot residu
 Normal plot of Residualsvs. Predicted
residuals
3.5

99

Residuals
95
Normal%probability
1.75
90
80
70

50 1.06581E-014

30
20
10
-1.75
5

-3.5

-3.5 -1.75-1.06581E-0141.75 3.5 10.50 15.38 20.25 25.13 30.00

Residual Predicted
Residualsvs. Temperature
Residualsvs. Copper Content
3.5 3.5

Residuals
1.75 1.75
2
2
Residuals

1.06581E-014 1.06581E-014

2
2
-1.75 -1.75

-3.5 -3.5

1 2 3 4 1 2 3 4

Copper Content Temperature

(b) Plot the average warping at each level of copper content and compare them to an
appropriately scaled t distribution. Describe the differences in the effects of the
different levels of copper content on warping. If low warping is desirable, what
level of copper content would you specify?

Solution:
DesignExpertOutput
Factor Name Level LowLevel HighLevel
A CopperContent 40 40 100
B Temperature Average 50 125

Prediction SEMean 95%CIlow 95%CIhigh SEPred 95%PIlow 95%PIhigh

Warping15.50 1.84 11.60 19.40 3.19 8.74 22.26

Factor Name Level LowLevel HighLevel

A CopperContent 60 40 100
B Temperature Average 50 125

Prediction SEMean 95%CIlow 95%CIhigh SEPred 95%PIlow 95%PIhigh

Warping18.88 1.84 14.97 22.78 3.19 12.11 25.64
Factor Name Level LowLevel HighLevel
A CopperContent 80 40 100
B Temperature Average 50 125

Prediction SEMean 95%CIlow 95%CIhigh SEPred 95%PIlow 95%PIhigh

Warping 21.00 1.84 17.10 24.90 3.19 14.24 27.76

Factor Name Level LowLevel HighLevel

A CopperContent 100 40 100
B Temperature Average 50 125

Prediction SEMean 95%CIlow 95%CIhigh SEPred 95%PIlow 95%PIhigh

Warping 28.25 1.84 24.35 32.15 3.19 21.49 35.01

Gunakan kandungan tembaga 40 untuk waping yang paling rendah.

MSE 6.78125
S  0.92
b 8
 Sca l e d tDistri b ution

Cu=40 Cu=60 Cu=80 Cu= 1 0 0

15.018. 0 21.024.0 27.0

War p i n g

(c) Suppose that temperature can not be easily controlled in the environment in
which the copper plates are to be used. Does this change your answer for
part (c)?

Solution:

Gunakan kandungan tembaga 40. Hal ini sama seperti bagian (c).

DESIGN-EXPERT PLOT
Warping Temp e r a t u re
32.7602
2
X=A:CopperContentY=B:Temperature
2
26.5 0 5 1
DesignPoints

B150 2
2
B275 3
B3100 2 0 . 25
Warping

B4125 2
5.6. Faktor yang mempengaruhi kekuatan patahan dari fiber sintetis dipelajari. Empat
mesin produksi dan tiga operator dipilih dan sebuah faktorial eksperiment dijalankan
menggunakan fiber dari produksi yang sama. Hasilnya adalah berikut:
Mesin
Operator
1 2 3 4
109 110 108 110
1
110 115 109 108
110 110 111 114
2
112 111 109 112
116 112 114 120
3
114 115 119 117

a. Analisa data dan buatlah kesimpulan.Ambil α = 0.05

b. Gunakan pendekatan residual plots dan jelaskan pada model edequacy
Penyelesaian:
A. Analisa Data

Mesin
Operator
1 2 3 4 yi
109 110 108 110
1 219 225 217 218 879
110 115 109 108
110 110 111 114
2 222 221 220 226 889
112 111 109 112
116 112 114 120
3 230 227 233 237 927
114 115 119 117
yj 671 673 670 681 2695

𝑦2
a. SST = ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑛𝑘=1 𝑦𝑖𝑗𝑘
2
- 𝑎𝑏𝑐
(2695)2
SST = (109)2 + (110)2 + (110)2 + (115)2 + (108)2 + (109)2 + ... + (117)2 –
24
= 262.9583
1 𝑦2
b. SSfeed = 𝑏𝑛 ∑𝑎𝑖=1 𝑦𝑖2 – 𝑎𝑏𝑛
1 (2695)2
SSfeed = [(879)2 + (889)2 + (927)2] –
8 24
= 160.3333
1 𝑦2
c. SSdepth = 𝑎𝑛 ∑𝑏𝑗=1 𝑦𝑖2 – 𝑎𝑏𝑛
1 (2695)2
SSdepth = [(671)2 + (673)2 + (670)2 + (681)2] –
6 24
 = 12.48533
1 𝑦2
d. SSinteraction = ∑𝑎 ∑𝑏 𝑦 2 - - SSfeed - SSdepth
𝑛 𝑖=1 𝑗=1 𝑖𝑗 𝑎𝑏𝑛

1 (2695)2
SSinteraction = [(219)2 + (225)2 + (217)2 + ... + (237)2] – - (-100768)
2 24
– (-100867)

= 44.6667
SSError = SST - SSfeed - SSdepth - SSInteraction

SSError = 45.5

Table Sum of Square

Source of Interaction Sum of Square
Feed SSFeed 160.3333
Deep SSDeep 12.48533

Interaction SSInteraction 44.6667

Error SSError 45.5

Total SSTotal 262.9583

1.1.Table Degree of Freedom

Source of Interaction Degres of Freedom

Feed a-1 2
Deep b-1 3
Interaction (a-1)(b-1) 6
Error ab(n-1) 11
Total abn-1 23

1.2.Table of Mean Square

Source of Interaction Mean Square

Feed MSa = SSfeed / (a-1) 80.1667
 Deep MSb = SSdeep/ (b-1) 4.152778
Interaction MSab = SSinteraction / (a-1)(b-1) 7.4444
Error MSE = SSerror/ ab(n-1) 4.136364
Total - -

1.3.Table of Fo

Source of Interaction Fo
Feed MSa / MSE 19.38095
Deep MSb / MSE 1.00398
Interaction MSab / MSE 1.799756
Error - -
Total - -

Table of Analysis of Variance for the Two Factor Factorial,Fixed Effects Model
Source of Interaction Sum of Square Degrees of Freedom Mean Square Fo
Feed 160.3333 2 80.1667 19.38095
Deep 12.48533 3 4.152778 1.00398

Interaction 6 7.4444 1.799756

44.6667
Error 45.5 11 4.136364 -
Total 262.9583 23 - -

Table Analysis of Variance With Excel

ANOVA
Source of Variation SS df MS F P-value F crit
Feed 160.33333 2 80.1667 19.38095 1.09E-09 3.402826
Deep 12.48533 3 4.152778 1,00398 1.65E-07 3.008787
Interaction 44.6667 6 7.4444 1.799756 0.017973 2.508189
Error 45.5555 11 4.136364

Total 262.9583 23
 B. Plot Residuals
Mesin
Operator
1 2 3 4
109 110 108 110
1 109.5 112.5 108.5 109
110 115 109 108
110 110 111 114
2 111 110.5 110 113
112 111 109 112
116 112 114 120
3 115 113.5 116.5 118.5
114 115 119 117

Mesin
Operator
1 2 3 4
-0.5 -2.5 -0.5 1
1 0.5 2.5 0.5 -1
-1 -0.5 1 1
2 1 0.5 -1 -1
1 -1.5 -2.5 1.5
3 -1 1.5 2.5 -1.5

Mesin Vs Residual
3

0
0 1 2 3 4 5
-1

-2

-3
 Operator vs Residual
3

0
0 0.5 1 1.5 2 2.5 3 3.5
-1

-2

-3

5.7. Seorang insinyur teknik mesin mempelajari gaya dorong yang dikembangkan oleh
bor tekan. Dia menduga bahwa kecepatan pengeboran dan laju umpan dari
material adalah faktor yang paling penting. Dia memilih empat laju umpan dan
menggunakan kecepatan bor tinggi dan rendah yang telah dipilih untuk
menggambarkan kondisi operasi ekstrim. Dia memperoleh hasil sebagai berikut.
Analisa data dan gambarkan kesimpulannya. Gunakan α = 0.05

Feed Rate
Drill Speed
0.015 0.030 0.045 0.060

2.70 2.45 2.60 2.75

125
2.78 2.49 2.72 2.86

2.83 2.85 2.86 2.94

200
2.86 2.80 2.87 2.88

Penyelesaian:
 Feed Rate (B)
Drill Speed (A)
0.015 0.030 0.045 0.060

2.70 2.45 2.60 2.75

125
2.78 2.49 2.72 2.86

2.83 2.85 2.86 2.94

200
2.86 2.80 2.87 2.88

Design Expert Output

Response: Force
ANOVA for Selected Factorial Model Analysis
of variance table [Partial sum of squares]
Sumof Mean F
Source Squares DF Mean Square Value Prob> F

Model 0.28 7 0.040 15.53 0.0005 significant

A 0.15 1 0.15 57.01 < 0.0001
B 0.092 3 0.031 11.86 0.0026
AB 0.042 3 0.014 5.37 0.0256
Residual 0.021 8 2.600E-003
Lack of Fit 0.000 0
Pure Error 0.021 8 2.600E-003
Cor Total 0.30 15

The Model F-value of 15.53 implies the model is significant.

Thereisonlya0.05%chancethata"ModelF-Value"thislargecouldoccurduetonoise.

Values of "Prob > F" less than 0.0500 indicate model terms are significant.
In this case A, B, AB are significant model terms.

The factors speed and feed rate, as well as the interaction is important.
 DESIGN-EXPERT Plot
In te ra c ti o n G ra p h
Force 2. 96879 DrillSpeed

X = B: Feed Rate
Y = A: Drill Speed

Design Points 2. 8294

A1 125
A2 200
2. 69

Force
2. 5506

2. 41121

0.0 1 5 0.030 0.0 4 5 0.0 6 0

F e e d R a te

The standard analysis of variance treats all design factors as if they were qualitative.
In this case, both factors are quantitative, so some further analysis can be performed.
In Section 5-5, we show how response curves and surfaces can be fit to the data from
a factorial experiment with at least one quantative factor.
Since both factors in this problem are quantitative, we can fit polynomial effects of
both speed and feed rate, exactly as in Example 5-5 in the text. The Design-Expert
output with only the significant terms retained, including the response surface plots,
now follows
Design Expert Output
Response: Force
ANOVA for Selected Factorial Model
Analysis of variance table [Partial sum ofsquares]
Sum of Mean F
Source Squares DF Square Value Prob> F
Model 0.23 3 0.075 11.49 0.0008 significant
A 0.15 1 0.15 22.70 0.0005
B 0.019 1 0.019 2.94 0.1119
B2 0.058 1 0.058 8.82 0.0117
Residual 0.078 12 6.530E-003
Lack of Fit 0.058 4 0.014 5.53 0.0196 significant
Pure Error 0.021 8 2.600E-003
Cor Total 0.30 15

The Model F-value of 11.49 implies the model is significant. There is only
a 0.08% chance that a "Model F-Value" this large could occur due to noise.

Values of "Prob > F" less than 0.0500 indicate model terms are significant.
In this case A, B2 are significant model terms.
Values greater than 0.1000 indicate the model terms are not significant.
Iftherearemanyinsignificantmodelterms(notcountingthoserequiredtosupporthierarchy),
model reduction may0.081
Std. Dev. improve yourmodel. R-Squared 0.7417
Mean 2.77 Adj R-Squared 0.6772
C.V. 2.92 Pred R-Squared 0.5517
PRESS 0.14 Adeq Precision 9.269

Coefficient Standard 95% CI 95% CI

Factor Estimate DF Error Low High VIF
Intercept 2.69 1 0.032 2.62 2.76
A-Drill Speed 0.096 1 0.020 0.052 0.14 1.00
B-Feed Rate 0.047 1 0.027 -0.013 0.11 1.00
B2 0.13 1 0.045 0.036 0.23 1.00
 Final Equation in Terms of Coded Factors:

Force =
+2.69
+0.096 * A
+0.047 * B
+0.13 * B2

Final Equation in Terms of ActualFactors:

Force =
+2.48917
+3.06667E-003 * DrillSpeed
-15.76667 * FeedRate
+266.66667 * FeedRate2

Force
0.06 2 2
2.9
2.85

2.8

0.05 3

2 2 2.9

2.75 2.8
B:FeedRate

2.7
0.04 2.7
2.6
Force

2.6 2.65
2.5

2 2

0.03

0.06
2.8
200.00
2.85 0.05
0.02 2 2 181.25
0.04
125.00 143.75 162.50 181.25 200.00
162.50
5.8. Sebuah percobaan yang dilakukan untuk mempelajari pengaruh suhu operasi dan
tiga jenis piringan kaca pada output cahaya dari sebuah tabung osiloskop.
Dikumpulkan data berikut:
Temperature
Glass Type 100 125 150
580 1090 1392
1 568 1087 1380
570 1085 1386
550 1070 1328
2 530 1035 1312
579 1000 1299
546 1045 867
3 575 1053 904
599 1066 889
a. Gunakan α = 0,05 dalam analisis. Apakah ada efek interaksi yang signifikan?
Apakah jenis kaca atau suhu mempengaruhi responnya? Kesimpulan apa yang
dapat Anda gambarkan?
b. Sesuaikan model yang tepat berkaitan cahaya keluaran untuk jenis kaca dan
suhu.
c. Analisis residual dari percobaan ini. Komentari kecukupan model yang telah
Anda dipertimbangkan.
Penyelesaian:
Menggunakan metode yang dibahas dalam teks untuk partisi efek suhu
menjadi linear dan komponen kuadrat. Memecah interaksi ke dalam komponen
yang sesuai.
Tanggapan: Output Cahaya
ANOVA untuk Model faktorial Dipilih
Analisis tabel varian
Sumber Jumlah kuadrat DF MS Nilai F Prob > F
Model 2.412E+006 8 3.015E+005 824.77 < 0.0001
A 1.509E+005 2 75432.26 206.37 < 0.0001
B 1.970E+006 2 9.852E+005 2695.26 < 0.0001
AB 2.906E+005 4 72637.93 198.73 < 0.0001
Residual 6579.33 18 365.52
Lack of fit 0.000 0
Pure error 6579.33 18 365.52
Cor total 2.418E+006 26
Model F-nilai 824,77 menyiratkan model adalah signifikan. Hanya ada 0,01%
kemungkinan bahwa "Model Nilai-F" ini besar bisa terjadi karena kebisingan.
Nilai-nilai "Prob> F" kurang dari 0,0500 menunjukkan Model yang signifikan.
Dalam hal ini A, B, AB adalah Model istilah signifikan.
Kedua faktor, Kaca Type (A) dan Suhu (B) yang signifikan, serta interaksi (AB).
untuk kaca jenis 1 dan 2 respon cukup linier, untuk kaca tipe 3, ada efek kuadrat.

Tanggapan: Output Cahaya

ANOVA untuk Model faktorial Dipilih
Analisis tabel varian
Sumber Jumlah kuadrat DF MS Nilai F Prob > F
Model 2.412E+006 8 3.015E+005 824.77 < 0.0001
A 1.509E+005 2 75432.26 206.37 < 0.0001
B 1.780E+006 1 1.780E+006 4869.13 < 0.0001
B2 1.906E+005 1 1.906E+005 521.39 < 0.0001
AB 2.262E+005 2 1.131E+005 309.39 < 0.0001
AB2 64373.93 2 32186.96 88.06 < 0.0001
Pure error 6579.33 18 365.52
Cor Total 2.418E+006 26

Model nilai-F 824,77 menyiratkan model adalah signifikan. Ada saja kesempatan
0,01% bahwa "Model Nilai-F" ini besar bisa terjadi karena kebisingan. Nilai-nilai
"Prob> F" kurang dari 0,0500 menunjukkan hal Model yang signifikan. Dalam hal
ini A, B, B2, AB, AB2 adalah Model istilah signifikan. Nilai lebih besar dari
0,1000 menunjukkan istilah model yang tidak signifikan. Jika ada banyak istilah
model yang tidak signifikan (tidak termasuk mereka yang diperlukan untuk
mendukung hirarki), reduksi model dapat meningkatkan model Anda.
Std. Dev = 19.12
R-Squared = 0.9973
Mean = 940.19
Adj R-Squared = 0.9961
C.V. = 2.03
Pred R-Squared = 0.9939
PRESS = 14803.50
Adeq Precision = 75.466
Faktor Coefficient DF Standard 95% CI 95% CI VIF
Estimate Error Low High
Intersep 1059.00 1 6.37 1045.61 1072.39
A[1] 28.33 1 9.01 9.40 47.27
A[2] -24.00 1 9.01 -42.93 -5.07
B-Temperature 314.44 1 4.51 304.98 323.91 1.00
B2 -178.22 1 7.81 -194.62 -161.82 1.00
A[1]B 92.22 1 6.37 78.83 105.61
A[2]B 65.56 1 6.37 52.17 78.94
A[1]B2 70.22 1 11.04 47.03 93.41
A[2]B2 76.22 1 11.04 53.03 99.41

Persamaan akhir dalam Faktor Kode:

Cahaya Keluaran =
+1059.00
+28.33 *A[1]
-24.00 *A[2]
+314.44 *B
-178.22 *B2
+92.22 *A[1]B
+65.56 *A[2]B
+70.22 *A[1]B2
+76.22 *A[2]B2

Persamaan akhir dalam Faktor Aktual:

Glass Type 1
Cahaya Keluaran:
-3646.00000
+59.46667 * Temperature
-0.17280 * Temperature2

Glass Type 2
Cahaya Keluaran:
-3415.00000
 +56.00000 * Temperature
-0.16320 * Temperature2

Glass Type 3
Cahaya Keluaran:
-7845.33333
+136.13333 * Temperature
-0.51947 * Temperature2

5.9. Berdasarkan experiment dari problem 5-1. Cocokkan dengan permodelan yang
tepat untuk menanggapi data. Gunakan permodelan ini untuk memberikan kondisi
operasi berkenaan dengan proses.
Penyelesaian:
Berdasarkan problem 5-1 dapat kita buatkan grafik sebagai berikut.

DESIGN-EXPERT Plot
Inte ra ctio n G rap h
Yield
9 1 .0 0 0 8
T e m p e ra tu re

X = A: Pressure
Y = B: Temperature
9 0 .7 1 2 9
Design Points
2
B1 150
B2 160
l d

B3 170
9 0 .4 2 5 2
i
Y e

9 0 .1 3 7 1
2

8 9 .8 4 9 2

200 215 230

P re s s u re

Dengan men setting tekanan pada 215 dan temperatur pada level yang tinggi
dengan 170 C, berdasarkan dengan ini di dapatkan hasil produksi.

Analisis standar yang bervariasi memperlakukan semua faktor desain seolah-olah

mereka kualitatif. Dalam hal ini, kedua faktor yang kuantitatif, sehingga beberapa
analisis lebih lanjut dapat dilakukan. Dalam Bagian 5- 5, kita tunjukkan
bagaimana kurva respon dan permukaan dapat cocok dengan data dari percobaan
faktorial dengan setidaknya satu faktor kuantitatif. Karena kedua faktor dalam
masalah ini adalah kuantitatif dan memiliki tiga tingkatan, kita bisa cocokan efek
linear dan kuadrat dari suhu dan tekanan, persis seperti pada Contoh 5-5 dalam
 teks. Design-Expert output, termasuk plot permukaan respon, sekarang mengikuti
sebagai berikut.

Design Expert Output

Response:Surface Finish
ANOVA for Selected Factorial Model
Analysis of variance table [Partial sum of squares]
Sum of Mean F
Source Squares DF Square Value Prob > F
Model 1.13 5 0.23 16.18 < 0.0001 significant
A 0.10 1 0.10 7.22 0.0198
B 0.067 1 0.067 4.83 0.0483
A2 0.67 1 0.67 47.74 < 0.0001
B2 0.23 1 0.23 16.72 0.0015
AB 0.061 1 0.061 4.38 0.0582
Residual 0.17 12 0.014
Lack of Fit 7.639E-003 3 2.546E-003 0.14 0.9314 not significant
Pure Error 0.16 9 0.018
Cor Total 1.30 17

The Model F-value of 16.18 implies the model is significant. There is only
a 0.01% chance that a "Model F-Value" this large could occur due to noise.

Values of "Prob > F" less than 0.0500 indicate model terms are significant.
2 2
In this case A, B, A , B are significant model terms.
Values greater than 0.1000 indicate the model terms are not significant.
If there are many insignificant model terms (not counting those required to support
hierarchy),
model reduction may improve your
model.

Std. Dev. 0.12 R-Squared 0.8708

Mean 90.41 Adj R-Squared 0.8170
C.V. 0.13 Pred R-Squared 0.6794
PRESS 0.42 Adeq Precision 11.968

Coefficient Standard 95% CI 95% CI

Factor Estimate DF Error Low High VIF

Intercept 90.52 1 0.062 90.39 90.66
A-Pressure -0.092 1 0.034 -0.17 -0.017 1.00
B-Temperature 0.075 1 0.034 6.594E-004 0.15 1.00
A2 -0.41 1 0.059 -0.54 -0.28 1.00
B2 0.24 1 0.059 0.11 0.37 1.00
AB -0.087 1 0.042 -0.18 3.548E-003 1.00

Final Equation in Terms of Coded Factors:

Yield =
+90.52
-0.092 *A
+0.075 *B
-0.41 2
*A
+0.24 *B
2
-0.087 *A*B

Final Equation in Terms of Actual Factors:

Yield =
+48.54630
+0.86759 * Pressure
-0.64042 * Temperature
-1.81481E-003 2
* Pressure
+2.41667E-003 * Temperature
2
-5.83333E-004 * Pressure * Temperature
 2 2
1 7 0 .0 0 Yield 2
90.8

90.7

1 6 5 .0 0
90.6
91
B: Tem perature

90.2 90.8
90.5 90.6
90.5 2
1 6 0 .0 0 2 2 90.4 90.3 90.1 90.4
90.4
90.2

Yield
90.3 90

1 5 5 .0 0

170.00
90.6
165.00
200.00
2 2 2
1 5 0 .0 0 207.50 160.00

2 0 0 .0 0 2 0 7 .5 0 2 1 5 .0 0 2 22 .5 0 2 3 0 .00 215.00
155.00B: Tem perature
222.50
A: Pres s ure 230.00 150.00
A: Pres s ure
5.10. Gunakan Test Tukey untukmenentukan level factor tekanan yang berbeda secara
signifikan untuk data Prob.5-1.
Penyelesaian:
y3.rata-rata = 90.18
y1.rata-rata= 90.37
y2.rata-rata= 90.68
Syj = (√MSe/an) = (√0.01777/(3*2)) = 0.0543
r0.01(2.9) = 4.60
r0.01(3.9) = 4.86
R2=(4.60)*(0.0543) = 0.2498
R3 = (4.86)*(0.0543) = 0.2640
2 vs. 3 = 0.50>0.2640 (R3)
2 vs. 1 = 0.31>0.2498 (R2)
1 vs. 3 = 0.19<0.2498 (R2)
Dengan begitu, 2 berbeda dari 1 dan 3.

5.11. Sebuah percobaan dilakukan untuk menentukan apakah temperatur atau keadaan
furnace yang mempengaruhi densitas pembakaran dari anoda karbon. berikut ini
adalah datanya :

Temperatur (oC)
Position
800 825 850
570 1063 565
1 565 1080 510
583 1043 590
528 988 526
2 547 1026 538
521 1004 532
Asumsikan bahwa tidak ada interaksi. Tuliskan model statistikanya. Tuliskan analisis
dari variasi dan hipotesisnya pada efek utama. Kesimpulan apa yang bisa dituliskan?
Berikan komentar dalam model adequacy.
Penyelesaian:

Model untuk 2 faktor dan tidak ada interaksi adalah .

Kedua faktor, keadaan furnace (A) dan Temperatur (B) adalah signifikan.
Diketahui :
 A = Keadaan furnace. maka, a=2
 B = Temperatur. maka, b=3
 n = jumlah data pada setiap kondisi. maka, n=3

1. Jumlahkan masing-masing hasil percobaan pada setiap kondisi.

Contoh :
a. Pada keadaan furnace (1) dan temperatur 800oC
500+565+583 = 1718.
Keadaan Temperatur (oC)
Furnace 800 825 850
570 1063 565
1 565 1718 1080 3186 510 1665 6569
583 1043 590
528 988 526
2 547 1596 1026 3018 538 1596 6210
521 1004 532
3314 6204 3261 12779

2. Hitung Sum of Square untuk masing-masing Source, dengan rumus sebagai

berikut :

a.

SStotal = (570)2 + (565)2 + (583)2 +...+ (532)2 - ((12779)2/18)

SStotal = 958690,9444.

b.

SSA = [(1/9)*((6569)2 + (6210)2)] - ((12779)2/18)

 SSA = 7160,055556

SSB = [(1/6)*((3314)2 + (6204)2 + (3216)2)] - ((12779)2/18)

SSB = 945342,1111

c.

SSinteraction = [(1/3)*(1718)2 +(3186) 2+...+(1596)2] - ((12779)2/18) - SSA - SSB

SSinteraction = 818,1111111

d.

SSmodel = 7160,055556 + 94 5342,1111 + 818,1111111

SSmodel = 953320,2778

e.

SSerror = 958690,9444 - 818,1111111 - 7160,055556 - 945342,1111

SSerror = 5370,666667
Jadi,
Source Sum of square
Total 958690,9444
Model 953320,2778
A (position) 7160,055556
B (temperature) 945342,1111
Interaction 818,1111111
Error 5370,666667

3. Hitung Degree of Freedom dengan rumus sebagai berikut :

 Dari rumus di atas, didapatkan hasil sebagai berikut :
Source Degree of Freedom
Total 17
Model 3
A (position) 1
B
(temperature) 2
Interaction 2
Error 12

4. Hitung Mean square dengan rumus sebagai berikut :

Dari data-data yang sudah didapat sebelumnya, maka hasil dari mean square adalah
sebagai berikut :
Source Sum of square DF Mean Square
Total 958690,9444 17 -
Model 953320,2778 3 317773,4
A (position) 7160,055556 1 7160,056
B (temperature) 945342,1111 2 472671,1
Interaction 818,1111111 2 409,0556
 Error 5370,666667 12 447,5556

5. Hitung nilai F value nya

Source Mean Square F value
Total - - dengan rumus
Model 317773,4 710,0201 sebagai berikut :
A (position) 7160,056 15,99814
B (temperature) 472671,1 1056,117
Interaction 409,0556 0,913977
Error 447,5556 -

Didapatkan nilai untuk F valuenya adalah sebagai berikut :

Jadi, setelah seluruh data dikumpulkan diperoleh hasil sebagai berikut :

Source Sum of square DF Mean Square F value
Total 958690,9444 17 - -
Model 953320,2778 3 317773,4 710,0201
A (position) 7160,055556 1 7160,056 15,99814
B (temperature) 945342,1111 2 472671,1 1056,117
Interaction 818,1111111 2 409,0556 0,913977
Error 5370,666667 12 447,5556 -

Analisis datanya sebagai berikut :

1. Nilai dari F0 untuk model adalah 710,0201. Hal tersebut mengindikasikan
bahwa model tersebut adalah signifikan.

Catatan : semua perhitungan dihitung menggunakan microsoft excel.

5.12. Dapatkan nilai harapan square rata- rata untuk 2 variasi faktor analisa dengan satu
 pengamatan per cell, asumsikan keduanya tetap.
Penyelesaian:
Tiap nilai squares yang dibagi degree of freedom adalah square rata- rata
𝑆𝑆𝑎 𝑏𝑛 ∑𝑎𝑖=1 𝜏𝑖2
𝐸(𝑀𝑆𝑎) = 𝐸 ( ) = 𝜎2 +
𝑎−1 𝑎−1
𝑆𝑆𝑏 𝑎𝑛 ∑𝑏𝑗=1 𝛽𝑗2
𝐸(𝑀𝑆𝑏) = 𝐸 ( ) = 𝜎2 +
𝑏−1 𝑏−1

𝑆𝑆𝑎𝑏 2
𝑛 ∑𝑎𝑖=1 ∑𝑏𝑗=1(𝛽𝜏)2𝑖𝑗
𝐸(𝑀𝑆𝑎𝑏) = 𝐸 ( )= 𝜎 +
(𝑎 − 1)(𝑏 − 1) (𝑎 − 1)(𝑎 − 𝑏)

5.13. Consider the following data from a two-factorial experiment. Analyze the data and
draw conclusions. Perform a test for nonaditivity. Use α=0.05

Row Factor Column Factor

1 2 3 4
1 36 39 36 32
2 18 20 22 20
3 30 37 33 34

Penyelesaian:
Row Factor Column Factor
1 2 3 4 yi.
1 36 39 36 32 143
2 18 20 22 20 80
3 30 37 33 34 134
y.j 84 96 91 86 357 = y..
𝑎
1 𝑦..2
𝑆𝑆𝐴 = ∑ 𝑦𝑖.2 −
𝑏 𝑎𝑏
𝑖=1
1 3572
= [1432 + 802 + 1342 ] − = 580.5
4 (3)(4)
𝑏
1 𝑦..2
𝑆𝑆𝐵 = ∑ 𝑦.𝑗2 −
𝑎 𝑎𝑏
𝑗=1
1 2 2 2 2]
3572
= [84 + 96 + 91 + 86 − = 28.92
3 (3)(4)
𝑎 𝑏
2
𝑦..2
𝑆𝑆𝑇 = ∑ ∑ 𝑦𝑖𝑗 −
𝑎𝑏
𝑖=1 𝑗=1
3572
= [362 + 392 + 362 + 322 + 182 + 202 + 222 + 202 +. . . +342 ] −
(3)(4)
= 638,25
𝑆𝑆𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙 = 𝑆𝑆𝐴 + 𝑆𝑆𝐵 + 𝑆𝑆𝑇
= 638,25 − 580,5 − 28,92 = 28,83
 𝑎 𝑏

∑ ∑ 𝑦𝑖𝑗 𝑦𝑖. 𝑦.𝑗 = (36)(143)(84) + (39)(143)(96)+. . . +(34)(134)(86)

𝑖=1 𝑗=1
= 4010014
2
𝑦2
[∑𝑎𝑖=1 ∑𝑏𝑗=1 𝑦𝑖𝑗 𝑦𝑖. 𝑦.𝑗
− 𝑦.. (𝑆𝑆𝐴 + 𝑆𝑆𝐵 + .. )]
𝑎𝑏
𝑆𝑆𝑁 =
𝑎𝑏𝑆𝑆𝐴 𝑆𝑆𝐵
3572
[4010014 − (357) (580.50 + 28.92 + )]
(4)(3)
=
(4)(3)(580.5)(28.92)
= 3.54
𝑆𝑆𝐸𝑟𝑟𝑜𝑟 = 𝑆𝑆𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙 − 𝑆𝑆𝑁 = 28.83 − 3.54 = 25.29

Sumber Variasi Jumlah square Derajat Rata-Rata F0

kebebasan square
Row 580.5 2 290.25 57.38
Column 28.92 3 9.64 1.91
Nonaddivity 3.54 1 3.54 0.70
Error 25.29 5 5.06
Total 638,25 11

5.14. The shear strength of an adhesive is thought to be affected by the application pressure
and temperature. A factorial experiments is performed in which both factors are
assumed to be fixed. Analyze the data and draw conclusions. Perform a test for
nonadditivity
Kekuatan geser dari perekat diduga dipengaruhi oleh aplikasi tekanan dan suhu.
Sebuah percobaan faktorial dilakukan di mana kedua faktor diasumsikan tetap.
Menganalisis data dan menarik kesimpulan. Melakukan tes untuk nonadditivity

Penyelesaian :
Kekuatan ANOVA (Analysis of Variance) untuk Model Faktorial (Model-F) Terpilih
Tabel Analisis Keragaman [Penjumlahan Partial Persegi]
Jumlah Rata-rata
Sumber DF Nilai F Prob > F
persegi persegi
Model 5.24 5 1.05 2.92 0.1124
A 0.58 3 0.19 0.54 0.6727
B 4.66 2 2.33 6.49 0.0316
Residual 2.15 6 0.36
Cor Total 7.39 11
 Besar “Nilai-F dari Model” 2.92 menyiratkan bahwa Model ini tidak relatif signifikan
dari pengaruh.
Ada 11,24% kemungkinan bahwa "Nilai-F dari Model" ini besar terjadi karena
pengaruh yang diberikan
Nilai-nilai "Prob> F" kurang dari 0.0500 menunjukkan dari segi model yang
signifikan.
Dalam hal ini B adalah model yang signifikan.
Suhu (B) adalah faktor yang signifikan

Sumber dari Derajat Rata-rata

Jumlah persegi F0
keragaman Kebebasan persegi
Baris 0.5806917 3 0.1935639 0.5815
Kolom 4.65765 2 2.328825 6.9960
Nonadditivity 0.48948 1 0.48948 1.4704
Error 1.6644 5 0.33288
Total 7.392225 11

5.15. Pertimbangkan bentuk tiga faktor berikut

⎧i =1,2,...,a
yijk =µ+τi +βj +γk +(τβ)ij +(βγ)jk +εijk⎨⎪ j =1,2,...,b
⎪
⎩k =1,2,...,c

Dengan kondisi satu kali pengulangan, dan asumsi seluruh faktor yang
mempengaruhi tetap. tuliskan analisa tabel variansi, termasuk Expected Mean Square
(nilai rata rata harapan). apa yang akan anda gunakan sebagai “percobaan
kesalahan” untuk mengetahui kebenaran hipotesis?

Penyelesaian:

Source Degrees of Freedom Expected Mean Square

A a-1 ()Σ=−+aiiabc1221τσ

B b-1 ()Σ=−+bjjbac1221βσ
 C c-1 ()Σ=−+ckkcab1221γσ

()()(
AB (a-1)(b-1)
ΣΣ ==−−+aibjijbac112211

βτσ )

()()(
BC (b-1)(c-1)
ΣΣ ==−−+bjckjkcba11221

1βγσ )

Error (AC + ABC) b(a-1)(c-1) σ2

Total abc-1

5.16. Persentase konsentrasi kayu pulp baku, tekanan tong, dan waktu memasak pulp
sedang diselidiki untuk pengaruh mereka pada kekuatan kertas. Tiga tingkat
konsentrasi kayu, tiga tingkat tekanan, dan dua kali memasak yang dipilih. Sebuah
percobaan faktorial dengan dua ulangan yang dilakukan, dan data berikut diperoleh:
Percentage Cooking Time 3.0 Hours Cooking Time 4.0 Hours
of Hardwood Pressure Pressure
Concentration 400 500 650 400 500 650
2 196.6 197.7 199.8 198.4 199.6 200.6
196.0 196.0 199.4 198.6 200.4 200.9
4 198.5 196.0 198.4 197.5 198.7 199.6
197.2 196.9 197.6 198.1 198.0 199.0
8 197.5 195.6 197.4 197.6 197.0 198.5
196.6 196.2 198.1 198.4 197.8 199.8
(a) Analyze the data and draw conclusions. Use α = 0.05.
Design Expert Output
Ketiga tersebut pengaruh utama, konsentrasi (A), tekanan (C) dan waktu (B), serta
interaksi

konsentrasi x tekanan (AC) yang signifikan pada tingkat 5%. Konsentrasi x waktu
(AB) dan waktu interaksi tekanan x (BC) yang signifikan pada tingkat 10%.

(b) Prepare appropriate residual plots and comment on the model’s adequacy.

(c) Under what set of conditions would you run the process? Why?
Untuk kekuatan tertinggi, menjalankan proses dengan persentase kayu pada 2 variabel,
tekanan pada 650, dan waktu pada 4 jam.
Analisis standar varians memperlakukan semua faktor desain seolah-olah bermutu
tinggi. Dalam hal ini, semua faktor harus kuantitatif, sehingga analisis lebih lanjut
dapat dilakukan. Dalam Bagian 5-5, kami menunjukkan bagaimana respon kurva dan
permukaan bisa sesuai dengan data dari percobaan faktorial dengan setidaknya satu
faktor kuantitatif. Karena faktor-faktor dalam masalah ini adalah kuantitatif dan dua
memiliki tiga tingkat faktoryang sesuai dengan linear untuk faktor dua tingkat dan
linear, komponen kuadrat untuk faktor tiga tingkat. Mini tab output, dengan interaksi
ABC dihapus karena tidak signifikan. Juga termasuk dengan output Desain Ahli;
Namun, jika siswa memilih untuk menggunakan Desain Ahli, sum berurutan dari
kotak harus dipilih untuk menjamin bahwa jumlah kotak untuk model sama dengan
total jumlah kuadrat untuk setiap faktor termasuk dalam model.
General Linear Model: Strength versus
5.17. Departemen kontrol kualitas dari pabrik kain mempelajari pengaruh beberapa faktor
pada pencelupan kain katun-sintesis yang digunakan untuk memproduksi kemeja
pria.Tiga operator,tiga siklus kerja dan dua temperatur dipilih, dan tiga spesimen
kecil kain yang dicelup dibawah setiap pengaturan kondisi.Penyelesaian kain
dibedakan sesuai standar dan nilai numerik ditetapkan.Hasil mengikuti.Analisa data
dan gambarkan kesimpulan.Komentari dengan model kecukupan.

Penyelesaian:
Seluruh 3 pengaruh utama , dan interaksi antara AB, AC ,dan ABC signifikan.Ada
yang tidak biasa tentang plot residual.
5.17.
5.18. Pada soal no 5-1. misalkan kita ingin menolak hipotesis nol dengan probabilitias
yang tinggi, jika perbedaan yield rata-rata antara dua tekanan bernilai 0.5 dan jika
estimasi sebelumnya dari deviasi standar adalah 0.1 berapa banyak ulangan yang
harus dilakukan?

Penyelesaian:
2
𝑛𝑎𝐷
𝜑2 =
2𝑏𝜏 2
N= replicate =2
A= variasi temperature =3
D= perbedaan yied rata-rata antara dua tekanan = 0.5
B= variasi tekanan = 3
τ= standar deviasi yield = 0.1

2
𝑛𝑎𝐷2
𝜑 =
2𝑏𝜏 2
2
𝑛. 3. (0.5)2
𝜑 =
2.3. (0.5)2
𝜑 2 = 12.5𝑛

n 𝜑2 φ 𝑉1 = (𝑏 − 1) 𝑉2 = 𝑎𝑏(𝑛 − 1 β
2 25 5 2 9 0.014
3 37.5 6.1237 2 18 0.18
4 50 7.0711 2 27 0.06
5 62.5 7.9057 2 36 0.05
 Harga β didapat dari table apendix V plot antara φ (0.05) 𝑉1 𝑑𝑎𝑛 𝑉2
Dari nilai β, makin kecil nilai β maka bessar kesempatan menolak hipotesis nol. Jadi
n= 2 β= 0.014 (1.4%),artinya 99.6% kesempatan menolak hipotesis nol replicate 2
cukup kuat mendekteksi perbedaan mean.

5.19. Rendemen hasil (yield) dari suatu proses kimia diteliti. Dua variabel yang dianggap
penting sebagai objek penelitian dari proses tersebut adalah temperature dan
tekanan. Dari kedua variable ini, dipilih tiga factor untuk setiap variable penelitian;
akan tetapi, hanya 9 run yang dapat dilakukan dalam satu hari.Seorang penguji
mengulangi kembali percobaan untuk hari selanjutnya dengan desain eksperimen
yang persis sama dengan hari sebelumnya.
Data hasil percobaan ditunjukkan pada table berikut. Analisalah data tersebut
dengan mengasumsikan hari sebagai block.

Hari Ke-1 Hari Ke-2

Temperatur Tekanan Tekanan
250 260 270 250 260 270
 Rendah 86,3 84,0 85,8 86,1 85,2 87,3
Moderat 88,5 87,3 89,0 89,4 89,9 90,3
Tinggi 89,1 90,2 91,3 91,7 93,2 93,7

Penyelesaian:
SUM OF SQUARES (SS) :
2 𝑦… 2
 𝑆𝑆𝑇𝑜𝑡𝑎𝑙 = ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑛𝑘=1 𝑦𝑖𝑗𝑘 − − 𝑆𝑆𝐴 − 𝑆𝑆𝐵
𝑎𝑏𝑛

= [86,32 + 84,02 + 85,82 + 88,52 + 87,32 + 89,02 + 89,12

+ 90,22 + 91,32 + 86,12 + 85,22 + 87,32 + 89,42
+ 89,92 + 90,32 + 91,72 + 93,22 + 93,72 ]
1
− 𝑥(86,3 + 84,0 + 85,8 + 88,5 + 87,3
(3)(3)(2)
+ 89,0 + 89,1 + 90,2 + 91,3 + 86,1 + 85,2 + 87,3
+ 89,4 + 89,9 + 90,3 + 91,7 + 93,2 + 93,7)2
− 5,51 − 99,85
1
= 142047,23 − 𝑥 2554562,89
18
= 127,07

1 𝑦… 2
 𝑆𝑆𝐵𝑙𝑜𝑐𝑘 = ∑𝑛𝑘=1 𝑦..𝑘 2 −
𝑎𝑏 𝑎𝑏𝑛
𝑛
1
= ∑[(86,3 + 84,0 + 85,8 + 88,5 + 87,3 + 89,0 + 89,1
(3)(3)
𝑘=1

+ 90,2 + 91,3)2
+ (86,1 + 85,2 + 87,3 + 89,4 + 89,9 + 90,3
+ 91,7 + 93,2 + 93,7)2 ]
1
− 𝑥(86,3 + 84,0 + 85,8 + 88,5 + 87,3
(3)(3)(2)
+ 89,0 + 89,1 + 90,2 + 91,3 + 86,1 + 85,2 + 87,3
+ 89,4 + 89,9 + 90,3 + 91,7 + 93,2 + 93,7)2
1 1
= 𝑥 1277398,49 − 𝑥 2554562,89
9 18
= 13,01

1 𝑦… 2
 𝑆𝑆𝐴 = 𝑆𝑆𝑇𝑒𝑘𝑎𝑛𝑎𝑛 = 𝑏𝑛 ∑𝑎𝑖=1 𝑦𝑖.. 2 − 𝑎𝑏𝑛
 𝑎
1
= ∑[(86,3 + 88,5 + 89,1 + 86,1 + 89,4 + 91.7)2
(3)(2)
𝑖=1

+ (84,0 + 87,3 + 90,2 + 85,2 + 89,9 + 93,2)2

+ (85,8 + 89,0 + 91,3 + 87,3 + 90,3 + 93,7)2 ]
1
− 𝑥(86,3 + 84,0 + 85,8 + 88,5 + 87,3
(3)(3)(2)
+ 89,0 + 89,1 + 90,2 + 91,3 + 86,1 + 85,2 + 87,3
+ 89,4 + 89,9 + 90,3 + 91,7 + 93,2 + 93,7)2
1 1
= 𝑥 141925,67 − 𝑥 2554562,89
6 18
= 5,51

1 𝑦… 2
 𝑆𝑆𝐵 = 𝑆𝑆𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟 = 𝑎𝑛 ∑𝑏𝑗=1 𝑦.𝑗. 2 − 𝑎𝑏𝑛
𝑏
1
= ∑[(86,3 + 86,1 + 84,0 + 85,2 + 85,8 + 87,3)2
(3)(2)
𝑗=1

+ (88,5 + 89,4 + 87,3 + 89,9 + 89,0 + 90,3)2

+ (89,1 + 91,7 + 90,2 + 93,2 + 91,3 + 93,7)2 ]
1
− 𝑥(86,3 + 84,0 + 85,8 + 88,5 + 87,3
(3)(3)(2)
+ 89,0 + 89,1 + 90,2 + 91,3 + 86,1 + 85,2 + 87,3
+ 89,4 + 89,9 + 90,3 + 91,7 + 93,2 + 93,7)2
1 1
= 𝑥 142020,02 − 𝑥 2554562,89
6 18
= 99,85

 𝑆𝑆𝐴𝐵 = 𝑆𝑆𝐼𝑛𝑡𝑒𝑟𝑎𝑘𝑠𝑖 = 𝑆𝑆𝑆𝑢𝑏𝑡𝑜𝑡𝑎𝑙 − 𝑆𝑆𝐴 − 𝑆𝑆𝐵

𝑎 𝑏
1 𝑦… 2
= ∑ ∑ 𝑦𝑖𝑗. 2 − − 𝑆𝑆𝐴 − 𝑆𝑆𝐵
𝑛 𝑎𝑏𝑛
𝑖=1 𝑗=1
 𝑏
1
= ∑[(86,3 + 86,1)2 + (84,0 + 85,2)2 +(85,8 + 87,3)2
2
𝑗=1

+ (88,5 + 89,4)2
+ (89,1 + 91,7)2 +(87,3 + 89,9)2 +(89,0
+ 90,3)2 +(90,2 + 93,2 + 87,3)2 + (91,3 + 93,7)2 ]
1
− 𝑥(86,3 + 84,0 + 85,8 + 88,5 + 87,3
(3)(3)(2)
+ 89,0 + 89,1 + 90,2 + 91,3 + 86,1 + 85,2 + 87,3
+ 89,4 + 89,9 + 90,3 + 91,7 + 93,2 + 93,7)2 − 5,51
− 99,85
1 1
= 𝑥 284059,95 − 𝑥 2554562,89
2 18
= 4,45

 𝑆𝑆𝑀𝑜𝑑𝑒𝑙 = 𝑆𝑆𝐴 + 𝑆𝑆𝐵 + 𝑆𝑆𝐴𝐵

= 5,51 + 99,85 + 4,45
= 109,81

 𝑆𝑆𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 (𝐸𝑟𝑟𝑜𝑟) = 𝑆𝑆𝑇𝑜𝑡𝑎𝑙 − 𝑆𝑆𝐵𝑙𝑜𝑐𝑘 − 𝑆𝑆𝐴 − 𝑆𝑆𝐵 − 𝑆𝑆𝐴𝐵

= 127,07 − 13,01 − 5,51 − 99,85 − 4,45
= 4,25

DERAJAT KEBEBASAN (DF) :

 𝐷𝐹𝐵𝑙𝑜𝑐𝑘 = 𝑛 − 1 = 2 − 1
=1
 𝐷𝐹𝐴 = 𝑎 − 1 = 3 − 1
=2
 𝐷𝐹𝐵 = 𝑏 − 1 = 3 − 1
=2
 𝐷𝐹𝐴𝐵 = (𝑎 − 1)(𝑏 − 1) = (3 − 1)(3 − 1) = 2 𝑥 2
=4
 𝐷𝐹𝑀𝑜𝑑𝑒𝑙 = 𝐷𝐹𝐴 + 𝐷𝐹𝐵 + 𝐷𝐹𝐴𝐵 = 2 + 2 + 4
=8
 𝐷𝐹𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 (𝐸𝑟𝑟𝑜𝑟) = (𝑎𝑏 − 1)(𝑛 − 1) = (3 𝑥 3 − 1)(2 − 1)
 =8
 𝐷𝐹𝑇𝑜𝑡𝑎𝑙 = 𝑎𝑏𝑛 − 1 = 3 𝑥 3 𝑥 2 − 1
= 17

MEAN SQUARE (MS) :

𝑆𝑆 13,01
 𝑀𝑆𝐵𝑙𝑜𝑐𝑘 = 𝐷𝐹𝐵𝑙𝑜𝑐𝑘 =
𝐵𝑙𝑜𝑐𝑘 1

= 13,01
𝑆𝑆 109,81
 𝑀𝑆𝑀𝑜𝑑𝑒𝑙 = 𝐷𝐹𝑀𝑜𝑑𝑒𝑙 =
𝑀𝑜𝑑𝑒𝑙 8

= 13,73
𝑆𝑆 5,51
 𝑀𝑆𝐴 = 𝐷𝐹𝐴 =
𝐴 2

= 2,75
𝑆𝑆 99,85
 𝑀𝑆𝐵 = 𝐷𝐹𝐵 =
𝐵 2

= 49,93
𝑆𝑆 4,45
 𝑀𝑆𝐴𝐵 = 𝐷𝐹𝐴𝐵 =
𝐴𝐵 4

= 1,11
𝑆𝑆 4,25
 𝑀𝑆𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 (𝐸𝑟𝑟𝑜𝑟) = 𝐷𝐹𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 (𝐸𝑟𝑟𝑜𝑟) =
𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 (𝐸𝑟𝑟𝑜𝑟) 8

= 0,53

F-VALUE (F):
𝑀𝑆𝑀𝑜𝑑𝑒𝑙 13,01
 𝐹𝑀𝑜𝑑𝑒𝑙 = 𝑀𝑆 =
𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 (𝐸𝑟𝑟𝑜𝑟) 0,53

= 25,84
𝑀𝑆𝐴 2,75
 𝐹𝐴 = 𝑀𝑆 =
𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 (𝐸𝑟𝑟𝑜𝑟) 0,53

= 5,18
𝑀𝑆𝐵 49,93
 𝐹𝐵 = 𝑀𝑆 =
𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 (𝐸𝑟𝑟𝑜𝑟) 0,53

= 93,98
𝑀𝑆𝐴𝐵 1,11
 𝐹𝐴𝐵 = 𝑀𝑆 =
𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 (𝐸𝑟𝑟𝑜𝑟) 0,53

= 2,10
PROB >F :
PenentuannilaiProb>F dengan Microsoft Excel adalahberdasarkankeyword “FDIST”.
 𝑃𝑟𝑜𝑏 > 𝐹𝑀𝑜𝑑𝑒𝑙 = 0.00000004746
 𝑃𝑟𝑜𝑏 > 𝐹𝐴 = 0.01747053619
 𝑃𝑟𝑜𝑏 > 𝐹𝐵 = 0.00000000065
 𝑃𝑟𝑜𝑏 > 𝐹𝐴𝐵 = 0.12620867543

Nilai F dari model ini adalah sebesar 25,84. Karena p-value model ini bernilai
 0,00000004746, maka hanya ada 0,000004746% kemungkinan nilai 25,84 didapat
secara kebetulan. Karena alasan yang dimaksud, dapat dikatakan bahwa model
tersebut bersifat signifikan dalam menghasilkan rendemen hasil (yield).
Nilai “Prob > F” untuk A dan B adalah 0,01747053619 dan 0,00000000065. Kedua
nilai tersebut berada dalam jangkauan standar signifikansi yang ditetapkan para
ilmuwan (<0,0500). Oleh sebab itu, A dan B (tekanan dan temperatur) memegang
peranan signifikan dalam penentuan rendemen hasil.
Berdasarkan analisa data-data di atas, dapat disimpulkan bahwa perubahan nilai pada
temperatur dan tekanan akan menyebabkan perubahan pada rendemen (yield) yang
dihasilkan.

5.20. Consider the data in problem 5-5. Analyze the data,assumsing that replicates are
block
Data problem 5-5
Temperature Copper Content (%)
(C) 40 60 80 100
50 17 20 16 21 24 22 28 27
75 12 9 18 13 17 12 27 31
100 16 12 18 21 25 23 30 23
125 21 17 23 21 23 22 29 31

Penyelesaian:
Sum of squares:
a =4
b =4
n =2
(Untuk nilai hasil pengolahan data, liat table akhir)

SSA =

SSA = ( 1/8)*(113139)– [(447561/32]

= 698,34375

SSB =

SSB = (1/8)*(117477)- [(447561/32]

= 156,09375

Interaction AB =

= (1/2)*(29909)-(447561/32)-( 698,34375-156,09375)
= 113,781
SST = (15063)-(447561/32)
= 1076,7188
Residual(SSE)

= 1076,7188 - 113,781-698,34375-156,09375
= 97.22
BLOK =

= 11.28
MODEL = SSA + SSB + SSAB
= 698,34375 + 156,09375+ 113,781
= 968.2185
Degree of freedom
Blok = (n-1) = (2-1) = 1
Model = [(a-1) (b-1) ] + (a-1) + (b-1)] = 15
A = (a-1) = (4-1) = 3
B = (b-1) = (4-1) = 3
AB = (a-1) (b-1) = 9
Residu = 15
Total = 31
Mean square
MSblok = (SSblok/DF)
= (11.28/1) = 11.28
MSmodel = ( SSmodel/DF)
= (968.2185/15) = 64.548

MSA = (698,34375/3) = 232.78

MSB = (156,09375/3) = 52.03

MSAB = ( 113.78/(9) = 12.642

MSE = (97.22/16) = 6.48

F Value
Model = MSmodel/MSE
= (64.548/6.48) = 9.961
A =MSA/MSE
=(232.78/6.48) = 35.922
B = MSB/MSE
= (52.03/6.48) = 8.03
AB =MSAB/MSE
= (12.642/6.48) = 1.95
TABEL HASIL PERHITUNGAN DATA

Temperature Copper Content (%)

(C)
40 yj yij 60 yj yij 80 yj yij 100 yj
50 17 20 37 1369 16 21 37 1369 24 22 46 2116 28 27
75
12 9 21 441 18 13 31 961 17 12 29 841 27 31
100
16 12 28 784 18 21 39 1521 25 23 48 2304 30 23
125
21 17 38 1444 23 21 44 1936 23 22 45 2025 29 31

jumlah 124 4038 151 5787 168 7286

yj^2 15376 22801 28224 51

y^2
JUMLAH
YJ^2

(Tabel Untuk Perhitungan Sum Square Total / SST)

40 60 80
SST 289 400 256 441 576 484
144 81 324 169 289 144
256 144 324 441 625 529
441 289 529 441 529 484
JUMLAH 1130 914 1433 1492 2019 1641
JUMLAH TOTAL 15063
5.21. Consider the data in problem 5-6. Analyze the data,assumsing that replicates are
block
Data problem 5-6
operator machine
1 2 3 4 yi
1 109 110 108 110 879
110 115 109 108
2 110 110 111 114 889
112 111 109 112
3 116 112 114 120 927
114 115 119 117
yj 671 675 670 681 2695

JAWAB :
Sum Of Squares:
a =3
b =4
n =2

SSA =

SSA = ( 1/8)*[(879)^2+(889)^2+(927)^2] – [(2695)^2/24]

= 160,333

SSB =

SSB = (1/6)*[(671)^2+(675)^2+(670)^2+(681)^2] - [(2695)^2/24)]

= 12,458

InteractionAB =

=(1/2)*[(219)^2+(222)^2+(230)^2+(225)^2+(221)^2+(220)^2+(233)^
2+(218)^2+(226)^2+(237)^2 ] - [(2695)^2/24)] - 160,333 - 12,458
= (605687/2) - (302626,0417) - 160,333 - 12,458
= 217,458- 160,333 - 12,458
= 44,6673
 SST = 302889 - [(2695)^2/24)]
=262,9583

Residual(SSE)

= 262,9583 - 44,6673 - 12,458 - 160,333

= 44,46

Blok =

= 1,04

Model = SSA + SSB + SSAB

= 160,333 + 12,458 + 44,6673
= 217,4583

5.22. Sebuah arikel pada Journal of Testing and Evaluation (Vol. 16, no.2, pp. 508-515)
menginvestigasi efek dari jalannya siklus dan kondisi lingkungan dari perkembangan
retak patah pada tekanan kosntan 22MPa untuk suatu jenis material. dara dari
percobaan ini ditunjukkan dalam data berikut. ( respon adalah laju perkembangan
patahan)

Environment
Frequency Air H2O Salt H2O
2.29 2.06 1.90
10 2.47 2.05 1.93
2.48 2.23 1.75
2.12 2.03 2.06

2.65 3.20 3.10

1 2.68 3.18 3.24
2.06 3.96 3.98
2.38 3.64 3.24

2.24 11.00 9.96

0.1 2.71 11.00 10.01
2.81 9.06 9.36
2.08 11.30 10.40

(a) Analisa data dari percobaan ini (nilaiα = 0.05).

Design Expert Output

Response:Crack Growth
ANOVA for Selected Factorial Model
Analysis of variance table [Partial sum of squares]

Sum of Mean F

Source Squares DF Square Value Prob > F

Model 376.11 8 47.01 234.02 < 0.0001 significant

A 209.89 2 104.95 522.40 < 0.0001

B 64.25 2 32.13 159.92 < 0.0001

AB 101.97 4 25.49 126.89 < 0.0001

Residual 5.42 27 0.20

Lack of Fit 0.000 0

Pure Error 5.42 27 0.20

Cor Total 381.53 35

Kedua faktor frekuensi dan lingkungan signifikan.

(b) Analisa Residual

Plot yang ditunjukkan oleh residual mengindikasikan ada kemungkinan masalah pada
tidak seimbangnya variansi. hal ini dapat diketahui pada plot residual vs respon
terprediksi dan juga pada plot residual vs frekuensi
Residuals vs. Predicted Normal plot of residuals
0. 71

0. 15

2
sdu
l
a -0.4 1
is
e
R

-0 .9 7

-1 .5 3

1.91 4.08 6.25 8.42 10.59 -1.53 -0.97 -0.41 0.15 0.71

Predicted Residual

Residuals vs. Environment Residuals vs. Frequency

 0. 7 1 0. 7 1

2 2

0. 1 5 0. 1 5

2 2
s
ual s
ual
d -0 .4 1 d -0.4 1
is is
e e
R R

-0 .9 7 -0.9 7

-1 .5 3 -1.5 3

1 2 3 1 2 3

Environment Frequency

(c) Ulangi analisa dari bagian (a) dan (b) menggunakan ln(y) sebagai respon nya.

Design Expert Output

Response:Crack Growth Transform: Natural log Constant:0.000
ANOVA for Selected Factorial Model
Analysis of variance table [Partial sum of squares]

Sum of Mean F
Source Squares DF Square Value Prob > F
Model 13.46 8 1.68 179.57 < 0.0001 significant
A 7.57 2 3.79 404.09 < 0.0001
B 2.36 2 1.18 125.85 < 0.0001
AB 3.53 4 0.88 94.17 < 0.0001
Residual 0.25 27 9.367E-003
Lack of Fit 0.000 0
Pure Error 0.25 27 9.367E-003
Cor Total 13.71 35

The Model F-value of 179.57 implies the model is significant. There is only a
0.01% chance that a "Model F-Value" this large could occur due to noise.

Values of "Prob > F" less than 0.0500 indicate model terms are significant. In this
case A, B, AB are significant model terms.

.
 Residuals vs. Predicted
0. 165324

0. 0827832

2
s
la
du
0. 000 242214
Re
i
s
2

-0 .0822988

-0 . 16484

0. 65 1. 07 1. 50 1. 93 2. 36

Predicted Residual

Resi duals vs. Environment Residuals vs. Frequency

0. 165324 0. 165 324

0. 0827832 0. 0827 832

2 2
s
ual s
ual
d 242214
0. 000 d
0 .000242214
is is
e e
R 2 R 2

-0 .0822988 -0 .0822 988

-0 . 16484 -0 . 1 6 484

1 2 3 1 2 3

Environment Frequency

Degree Of Freedom
Blok = (n-1) = (2-1) = 1
Model = [(a-1) (b-1) ] + (a-1) + (b-1)] = 11
A = (a-1) = (3-1) = 2
B = (b-1) = (4-1) = 3
AB = (a-1) (b-1) = 6
Residu = 11
Total = 23

Mean Square
MSblok = (SSblok/DF)
 = (1,04/1) = 1,04

MSmodel= ( SSmodel/DF)
= (217,46/11) = 19,77

MSA = (160,333/2) =80,17

MSB = (12,458/3) = 4,153

MSAB = ( 44,6673/6) = 7.445

MSE = (44,46/11) = 4,04

F Value
Model = MSmodel/MSE
= (19,77/4,04) = 4,89
A = MSA/MSE
=(80,17/4,04) = 19,84
B = MSB/MSE
= (4,153/4,04) = 1,03
AB = MSAB/MSE
= (7,445/4,04) =1,84

Analisis data dengan asumsinya adalah blok

source Sum of Degree of Mean F value Prob>F
squares freedom squere
Block 1,04 1 1,04
Model 217,46 11 19,77 4,89 0,007
A 160,33 2 80,17 19,84 0,002
B 12,46 3 4,15 1,03 0,4179
AB 44,67 6 7,44 1,84 0,124
Residual 44,46 11 4,04
 total 262,96 23

Nilai dari model F value adalah 4,89 sehingga merupakan model yang significant.
Nilai dari prob>F kurang dari 0,05 mengindikasikan model yang significan dan A,B
dapat dikatakan model significant.

5.23. An article in the IEEE Transactions on Electron Devices (Nov. 1986, pp. 1754)
describes a study on polysilicon doping. The experiment shown below is a variation
of their study. The response variable is base current.
Sebuah artikel di IEEE Transactions on Electron Devices (Nov. 1986, pp. 1754)
menjelaskan sebuah penelitian pada doping polysilicon. Eksperimen dibawah
menunjukkan sebuah variasi dari penelitian mereka. Variabel respon berdasarkan
yang tersedia.

Polysilicon Anneal Temperature (°C)

Doping (ions) 900 950 1000
1 x 10 20 4.60 10.15 11.01
4.40 10.20 10.58
2 x 10 20
3.20 9.38 10.81
3.50 10.02 10.60

(a) Is there evidence (with α = 0.05) indicating that either polysilicon doping level or
anneal temperature affect base current?
Adakah bukti (dengan α = 0.05) mengindikasikan bahwa baik doping polysilicon
atau penguatan temperatur berefek pada “base current”?

Design Expert Output

Response: Base Current
ANOVA for Selected Factorial Model
Analysis of variance table [Partial sum of squares]
Sum of Mean F
Source Squares DF Square Value Prob> F
Model 112.74 5 22.55 350.91 < 0.0001 significant
A 0.98 1 0.98 15.26 0.0079
B 111.19 2 55.59 865.16 < 0.0001
AB 0.58 2 0.29 4.48 0.0645
Residual 0.39 6 0.064
Lack of Fit 0.000 0
Pure Error 0.39 6 0.064
Cor Total 113.13 11
The Model F-value of 350.91 implies the model is significant. There is only
a 0.01% chance that a "Model F-Value" this large could occur due to
noise.

Values of "Prob> F" less than 0.0500 indicate model terms are significant.
In this case A, B are significant model terms.

Both factors, doping and anneal are significant. Their interaction is significant at
the 10% level.
Kedua faktor tersebut doping dan penguatan signifikan. Interaksi mereka
signifikan pada level 10%.

(b) Prepare graphical displays to assist in interpretation of this experiment.

Persiapkan display grafik untuk membantu dalam interpretasi eksperimen.

Interacti on Graph
Dop i ng
11 .1 0 5 1

9. 08 8 8 2

tn
e
rr
uC 7. 0 72 5
e
s
Ba

5. 05 6 1 8
A-

A+
3. 03 9 8 6

900 950 1000

Anneal

(c) Analyze the residuals and comment on model adequacy.

Analisa sisa dan komen pada kecukupan model.
Residuals vs. Predicted Normal plot of residuals
0. 3 2

0. 1 6

s
la
du
8. 8 8178 E -016
Re
i
s

-0 .1 6

-0 .3 2

3.35 5.21 7.07 8.93 10.80 -0.32 -0.16 -8.88178E-016 0.16 0.32
 Predicted Residual

Residuals vs. Doping Residuals vs. Anneal

0. 3 2 0. 32

0. 1 6 0. 16

s
ual s
ldu
d E -016
8. 8 8178 8 .8 8a
178E- 0 1 6
is is
e e
R R

-0 .1 6 -0 .1 6

-0 .3 2 -0 .3 2

1 2 1 2 3

Doping Anneal

There is a funnel shape in the plot of residuals versus predicted, indicating some
inequality of variance.
Ada bentuk corong dalam plot sisa-sisa dibandingkan diprediksi, indikasikan
beberapa ketidaksamaan variasi.

(d) Is the model y=β0 +β1x1 +β2x2 +β22x22 +β12x1x2 +ε supported by this experiment
(x1 = doping level, x2 = temperature)? Estimate the parameters in this model and
plot the response surface.
Apakah model y =β0 +β1x1 +β2x2 +β22x22 +β12x1x2 +εdidukung oleh eksperimen ini
(x1 = doping level, x2 = temperatur)? Perkirakan parameter dalam model ini dan
plot respon permukaan.

Design Expert Output

Response: Base Current
ANOVA for Response Surface Reduced Quadratic Model
Analysis of variance table [Partial sum of squares]
Sum of Mean F
Source Squares DF Square Value Prob> F
Model 112.73 4 28.18 493.73 < 0.0001 significant
A 0.98 1 0.98 17.18 0.0043
B 93.16 1 93.16 1632.09 < 0.0001
2 18.03 1 18.03 315.81 < 0.0001
B
AB 0.56 1 0.56 9.84 0.0164
Residual 0.40 7 0.057
Lack of Fit 0.014 1 0.014 0.22 0.6569not significant
Pure Error 0.39 6 0.064
Cor Total 113.13 11

The Model F-value of 493.73 implies the model is significant. There is only a
0.01% chance that a "Model F-Value" this large could occur due to noise.

Values of "Prob> F" less than 0.0500 indicate model terms are significant. In
2
this case A, B, B , AB are significant model terms.

Coefficient Standard 95% CI 95% CI

Factor Estimate DF Error Low High VIF
Intercept 9.94 1 0.12 9.66 10.22
A-Doping -0.29 1 0.069 -0.45 -0.12 1.00
B-Anneal 3.41 1 0.084 3.21 3.61 1.00
2 -2.60 1 0.15 -2.95 -2.25 1.00
B
AB 0.27 1 0.084 0.065 0.46 1.00

All of the coefficients in the assumed model are significant. The quadratic effect is
easily observable in the response surface plot.
Semua koefisien dalam model asumsi adalah penting. Efek kuadrat sangat mudah
dilihat dalam respon plot permukaan.