Professional Documents
Culture Documents
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:
(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
a) Is there any indication that either factor influences brightness? Use α= 0.05
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
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
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
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
15
12.5
10
7.5
Residuals
5
2.5
0
-2.5 0 1 2 3
-5
-7.5
-10
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.
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
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
(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
MSE 6.78125
S 0.92
b 8
Sca l e d tDistri b ution
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
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
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
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
Penyelesaian:
Feed Rate (B)
Drill Speed (A)
0.015 0.030 0.045 0.060
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
A1 125
A2 200
2. 69
Force
2. 5506
2. 41121
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
Force =
+2.69
+0.096 * A
+0.047 * B
+0.13 * B2
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.
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
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
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.
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.
Yield =
+90.52
-0.092 *A
+0.075 *B
-0.41 2
*A
+0.24 *B
2
-0.087 *A*B
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:
a.
b.
c.
d.
e.
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
5.12. 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
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
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
⎧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:
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 )
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.
Penyelesaian:
SUM OF SQUARES (SS) :
2 𝑦… 2
𝑆𝑆𝑇𝑜𝑡𝑎𝑙 = ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑛𝑘=1 𝑦𝑖𝑗𝑘 − − 𝑆𝑆𝐴 − 𝑆𝑆𝐵
𝑎𝑏𝑛
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
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)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
= 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 =
SSB =
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
y^2
JUMLAH
YJ^2
JAWAB :
Sum Of Squares:
a =3
b =4
n =2
SSA =
SSB =
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)
Blok =
= 1,04
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
Sum of Mean F
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
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.
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
2 2
s
ual s
ual
d 242214
0. 000 d
0 .000242214
is is
e e
R 2 R 2
-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
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
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.
(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”?
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%.
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
Anneal
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
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.
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.
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.