You are on page 1of 35

ANALISIS KURVA RESPON DAN PERMUKAAN RESPON

Disusun untuk Memenuhi Tugas Mata Kuliah Biometrika


Dosen Pengampu :
Prof. Dr. Ir. H. Henny Pramoedyo, MS

Disusun Oleh:

AGATHA PURENDA SHAFIRRA (155090500111008)


KHOIRUNNISA FITRIANA (155090500111015)

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2018
BAB I
PENDAHULUAN
1.1 Latar belakang
Pada setiap penelitian kita harus mengamati apakah perlakuan tersebut memberikan
pengaruh yang nyata atau tidak pada respon.Jika perlakuan mempunyai pengaruh nyata
terhadap respon, maka kita harus mencari hubungan antara perlakuan (variabel bebas) dan
respon (variabel tidak bebas).Jika tidak ada hubungan antara perlakuan dengan respon yang
nyata, maka kita tidak perlu mencari hubungan antara kedua variabel tersebut.
Hubungan antara kedua variabel bersifat linier, kuadratik, dan kuadratik.Linier
artinya dari perlakuan terendah ke tertinggi masih memberikan kenaikan (untuk fungsi
linear yang mempunyai slope positif) atau penurunan (untuk fungsi linier yang mempunyai
slope negatif) secara proporsional. Kuadratik artinya pada level tertentu akan diperoleh
respon yang optimal tetapi jika level tersebut terus dinaikkan maka akan mengakibatkan
terjadinya penurunan respon.
Hubungan antara variabel bebas dan variabel tidak bebas dapat dibentuk dalam
persamaan polinomial berderajat ( =1,2,3,…). Oleh karena itu, perlakuan diuraikan ke
dalam tingkat-tingkat respon : linear (untuk =1), kuadratik (untuk =2), kubik (untuk =3)
atau tingkat respons yang lebih tinggi lagi beserta komponen-komponen
pembandingannya. Bentuk hubungan antara perlakuan dengan respons inilah yang
mendasari terbentuknya Kurva Respons.Kurva respon digunakan jika hanya berhubungan
dengan satu peubah tidak bebas ( ) dan satu peubah bebas ( ). Tetapi apabila peubah bebas
lebih dari satu ( i), maka bentuk responsnya bukan lagi berupa kurva respon akan tetapi
berupa permukaan respon
1.2 Tujuan
Untuk mengetahui dan mempelajari bentuk-bentuk pengaruh perlakuan ( jika memang
ada pengaruh perlakuan) apakah bersifat linear, kuadratik, kubik ataukah berbentuk
polinomial yang lebih tinggi dari itu, yang dijelaskan lewat kurva respon dan permukaan
respon yang didasarkan pada polinomial ortogonal. Sehingga nantinya bisa menentukan
nilai variabel independen yang dapat mengoptimalkan respon.
1.3 Batasan Masalah
Pada makalah tentang analisis kurva respon dan permukaan respon batasan masalah
yang akan dibahas adalah permasalahan dengan rancangan acak lengkap (RAL) dan
percobaan faktorial pada rancangan acak kelompok (RAK) dengan ketentuan level yang
dipakai berjarak berbeda.
BAB II
ISI

2.1 Analisis Kurva Respon


Analisis kurva respon merupakan analisis untuk menentukan nilai variabel
independent yang dapat mengoptimalkan respon.Dalam hal ini, variabel tidak bebasnya (Y)
yang bertindak sebagai respon hanya dipengaruhi oleh satu variabel bebas (X). Kurva
respon digunakan pada Rancangan Acak Lengkap (RAL) dan Rancangan Acak Kelompok
(RAK) dengan bentuk umum sebagai berikut :
𝑌 = 𝑓(𝑋)
Dimana:
𝑋 : variabel bebas yang menyatakan faktor perlakuan
𝑌: variabel tidak bebas yang menyatakan respons dari perlakuan
(Montgomery, 1984)
Bila selisih antara dua taraf 𝑋 yang berurutan sama dan nilai-nilai 𝑌 memiliki ragam
yang sama, tabel nilai-nilai polinomial ortogonal dapat digunakan dalam perhitungan pada
uji hipotesis mengenai kebaikan suai (goodness of fit) polinomial berbagai derajat. Dengan
polinom ortogonal itu kita juga dapat memperoleh persamaan regresinya (Montgomery,
1984).
Perhitungan untuk koefisien polinom dengan jarak yang sama adalah sebagai berikut

Untuk persamaan regresi yang dapat dibentuk oleh X terhadap Y maka dapat dinyatakan
sebagai berikut:
𝑌 = 𝛼0 + 𝛼1 𝜆1 𝜉1 + 𝛼2 𝜆2 𝜉2 + ⋯ + 𝛼𝑖 𝜆𝑖 𝜉𝑖
Dimana
 𝛼𝑖 adalah parameter regresi yang dapat diduga dengan
𝛼̂0 = 𝑌̅
∑𝑐 𝑇
𝛼̂𝑖 = 𝑟 ∑𝑖𝑐 2𝑖 dimana 𝑖 = 1, 2, … , 𝑝
𝑖

Dengan
𝑇𝑖 : jumlah total perlakuan ke-i
𝐶𝑖 : koefisien-koefisien ortogonal polynomial

 𝜉𝑖 adalah polinom orthogonal untuk X yang berjarak sama


𝜉0 = 1
𝑥𝑖 − 𝑥̅
𝜉1 =
𝑑
𝑥𝑖 − 𝑥̅ 2 𝑝2 − 1
𝜉2 = {( ) −( )}
𝑑 12
.
.
dst
𝑘 2 (𝑝2 − 𝑘 2 )
𝜉𝑘+1 = 𝜉1 𝜉𝑘 − 𝜉
4(4𝑘 2 − 1) 𝑘−1
Dimana:
𝑑 = jarak antara dua taraf yang berurutan
𝑘= derajat polinomomial
𝑝 = banyaknya taraf atau level dari faktor
 Dimana nilai dari 𝜆𝑖 adalah harga-harga yang telah ditentukan sedemikian rupa sehingga
𝜉𝑖 merupakan bilangan bulat dan dapat dilihat pada tabel polinomial ortogonal
Tabel koefisien-koefisien ortogonal polinomial
Banyaknya Derajat Total perlakuan Pembagi
𝜆
perlakuan Polinom T1 T2 T3 T4 T5 T6 = ∑ 𝑐𝑖2
2 1 -1 1 2 2
1 -1 0 1 2 1
3
2 1 -2 1 6 3
1 -3 -1 1 3 20 2
4 2 1 -1 -1 1 4 1
3 -1 3 -3 1 20 10/3
1 -2 -1 0 1 2 10 1
2 2 -1 -2 -1 2 14 1
5
3 -1 2 0 -2 1 10 5/6
4 1 -4 6 -4 1 70 35/12
1 -5 -3 -1 1 3 5 70 2
2 5 -1 -4 -4 -1 5 84 3/2
6 3 -5 7 4 -4 -7 5 180 5/3
4 1 -3 2 2 -3 1 28 7/12
5 -1 5 -10 10 -5 1 252 21/10
Koefisien-koefisien tersebut dinamakan koefisien ortogonal polinomial dimana
koefisien komponen satu kontras dan ortogonal dengan komponen-komponen
lainnya.untuk𝑝buah perlakuan / taraf, terdapat (𝑝 − 1) buah respon yang saling orthogonal
(Ali, 1995).
Polinom ortogonal juga dapat digunakan meskipun level-level 𝑋-nya memiliki jarak
yang berbeda dan/atau pengamatanya mempunyai ragam yang diketahui tetapi tidak sama.
Polinom yang berurutan bersifat bebas satu sama lain, dan ini memungkinkan kita
menghitung jumlah kuadrat tambahan yang disumbangkan oleh berbagai pangkat 𝑋 (Ali,
1995).
Untuk peubah 𝑋 yang jaraknya berbeda dan/atau rata-rata 𝑌-nya tidak berasal dari
pengamatan yang sama banyaknya, Robson menggunakan apa yang pada hakikatnya
merupakan argumen fisher untuk mendapatkan sebuah rumus rekursi untuk menghitung
koefisien. (Rumus rekursi merupakan sebuah rumus yang diterapkan berulang-ulang, setiap
penerapan memanfaatkan hasil dari penerapan sebelumnya) (Steel, 1991).
Metode Robson yakni sembarang persamaan regresi kuadrat terkecil dapat dinyatakan
dalam bentuk :
𝑌̂𝑖 = 𝑏0 𝑓0 (𝑋𝑖 ) + 𝑏1 𝑓1 (𝑋𝑖 ) + ⋯ + 𝑏𝑟 𝑓𝑟 (𝑋𝑖 )
Dimana i=1,2,....,n > r , sedangkan𝑌̂𝑖 adalah nilai tengah populasi dugaan 𝑌pada 𝑋 = 𝑋𝑖 .
Polinom 𝑓𝑖 (𝑋𝑖 ) berderajat j dan polinom inilah yang menghasilkan nilai-nilai polinom
ortogonal, satu untuk setiap 𝑋, yang diperlukan untuk menentukan koefisien regresi.
Koefisien tersebut adalah

𝑏𝑗 = ∑ 𝑌𝑖 𝑓𝑗 (𝑋𝑖 )
𝑖

Masing-masing koefisien regresi menyatakan suatu kontras atau pembanding kontras-


kontras itu bersifat ortogonal, dan memberikan tambahan jumlah kuadrat akibat
memasukkan 𝑋 berpangkat j kedalam persamaan regresi. Jadi 𝑏0 adalah derajat nol atau
pengaruh rata-rata, 𝑏1 adalah derajat satu atau pengaruh linear, begitu seterusnya. Dan
terakhir :

∑ 𝑌𝑖2 = 𝑏02 + 𝑏12 + ⋯ + 𝑏𝑛−1


2

Bila r diambil sama dengan n-1 sehingga semua derajat bebas (db) = n telah
diperhitungkan.Rumus rekursi yang diberikan oleh Robson adalah sebagai berikut:
ℎ−1 𝑛
1
𝑓ℎ (𝑋𝑖 ) = [𝑋𝑖ℎ − ∑ 𝑓𝑗 (𝑋𝑖 ) ∑ 𝑋𝑔ℎ 𝑓𝑗 (𝑋𝑔 )]
𝑐ℎ
𝑗=0 𝑔=1

2
ℎ−1 𝑛

𝑐ℎ2 = ∑ [𝑋𝑖ℎ − ∑ 𝑓𝑗 (𝑋𝑖 ) ∑ 𝑋𝑔ℎ 𝑓𝑗 (𝑋𝑔 )]


𝑖 𝑗=0 𝑔=1

Jika analisis ragam yang telah kita lakukan didapatkan kesimpulan yang menyatakan
bahwa pengaruh perlakuan memberikan respon yang berbeda, maka selanjutnya dipelajari
bagaimanakah bentuk respon yang diberikan perlakuan.Oleh karena itu, dilakukan analisis
ragam untuk mengetahui bentuk respons.
Rumus Penguraian JK Perlakuan:
(∑ 𝑐𝑖 𝑇𝑖 )2
𝐽𝐾𝑃𝑖 =
𝑟 ∑ 𝑐𝑖2
Dimana :
Ti : jumlah total perlakuan ke-i
Ci : koefisien-koefisien ortogonal polinomial derajat ke-j
r : banyaknya ulangan atau kelompok

Tabel Analisis Ragam Untuk Mengetahui bentuk Respons


SK Db JK KT F hit
Perlakuan p-1 𝐽𝐾𝑃 𝐾𝑇𝑃
𝐽𝐾𝑃𝑙𝑖𝑛𝑖𝑒𝑟 𝐽𝐾𝑃𝑙𝑖𝑛𝑖𝑒𝑟
Linier 1 𝐽𝐾𝑃𝑙𝑖𝑛𝑖𝑒𝑟
1 𝐾𝑇𝐺
𝐽𝐾𝑃𝑘𝑢𝑎𝑑𝑟𝑎𝑡𝑖𝑘 𝐽𝐾𝑃𝑘𝑢𝑎𝑑𝑟𝑎𝑡𝑖𝑘
Kuadratik 1 𝐽𝐾𝑃𝑘𝑢𝑎𝑑𝑟𝑎𝑡𝑖𝑘
1 𝐾𝑇𝐺
... ... ... ... ...
... ... ... ... ...
Derajat (p- 𝐽𝐾𝑃𝑑𝑒𝑟𝑎𝑗𝑎𝑡 (𝑝−1) 𝐽𝐾𝑃(𝑝−1)
1 𝐽𝐾𝑃𝑑𝑒𝑟𝑎𝑗𝑎𝑡 (𝑝−1)
1) 1 𝐾𝑇𝐺
Galat p(r-1) 𝐽𝐾𝐺 𝐾𝑇𝐺
Total pr-1 𝐽𝐾𝑇
Dari analisis ragam untuk mempelajari respons di atas F hitung kita bandingkan
𝛼
dengan F tabel, dengan 𝐹 𝑡𝑎𝑏𝑒𝑙 = 𝐹(1,𝑑𝑏𝑔𝑎𝑙𝑎𝑡) (Steel, 1991).
Perbandingan ini dimaksudkan untuk melihat seberapa jauh tingkat respon yang dapat
dicapai akibat perlakuan yang diberikan. Setelah mengetahui tingkat responsnya beserta
persamaan regresinya maka dapat dibuat kurva resposnya (Steel, 1991).
2.3 Analisa Permukaan Respon
Menurut Montgomery (2001), Response Surface Methodology (RSM) atau Metode
Permukaan Respon adalah sekumpulan metode – metode matematika dan statistika yang
digunakan dalam pemodelan dan analisis yang bertujuan untuk melihat pengaruh beberapa
variabel kuantitatif terhadap suatu variabel respon dan untuk mengoptimalkan variabel respon
tersebut. Sebagai contoh, akan dicari level – level dari suhu (𝑥1 ) dan tekanan (𝑥2 ) yang dapat
mengoptimalkan suatu hasil produksi (y). Hubungan variabel – variabel tersebut dapat
dituliskan dalam sebuaj persamaan yaitu sebagai berikut :
𝑦 = 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑘 ) + 𝜀 (1)
Dimana ε merupakan error pengamatan pada respon y. Jika nilai harapan respon
dituliskan 𝐸(𝑦) = 𝑓(𝑥1 , 𝑥2 )= η , maka η = 𝑓(𝑥1 , 𝑥2 ) merepresentasikan sebuah permukaan
yang disebut permukaan respon.
Tujuan dari permukaan respon adalah mencari fungsi respon sebagai model yang
menunjukkan hubungan antara variabel-variabel bebas dan variabel-variabel respon dan
menentukan nilai stasioner yaitu nilai dari variabel bebas yang menghasilkan respon yang
optimal.
Pada umumnya, permukaan respon digambarkan dengan sebuah grafik, seperti yang
tampak pada Gambar 1. Untuk membantu visualisasi dari bentuk permukaan plot, sering
digunakan kontur dari permukaan respon, seperti yang terlihat pada Gambar 2. Pada kontur
tersebut, garis respon yang konstan berada pada permukaan datar (𝑥1 , 𝑥2 ), sedangkan garis
respon yang lain pada permukaan lengkung di atasnya.

Gambar 2.1. Plot Permukaan Respon


Gambar 2.2. Ilustrasi Plot Kontur Response Surface

2.4 Karakteristik Permukaan Respon


Karakteristik permukaan respon digunakan untuk menentukan jenis titik stasioner,
apakah maksimum, minimum, atau titik pelana. Berikut beberapa ilustrasi untuk titik – titik
tersebut beserta plot kontur masing – masing seperti yang ditunjukkan dalam Gambar 5,6, dan
7.

Gambar 2.3. Ilustrasi Permukaan Respon Maksimum

Gambar 2.4. Ilustrasi Permukaan Respon Minimum


2.5 Ilustrasi Permukaan Respon Pelana
BAB III
PERMASALAHAN DAN PENYELESAIAN

3.1 PERMASALAHAN I
Judul Skripsi : Pengaruh Pembekuan Sebagai Perlakuan Pendahuluan terhadap
Kerenyahan Keripik Salak Menggunakan Penggoreng Vakum
Oleh : Felli Ade Isa Romadhon
NIM : 0911020046
Asal : Jurusan Keteknikan Pertanian Fakultas Teknologi Pertanian
Tahun : 2017

Penelitian ini menggunakan Rancangan Acak Kelompok (RAK) Faktorial dua faktor
dengan 3 kali pengulangan. Faktor I yaitu perlakuan pendahuluan berupa pembekuan (A), yang
terdiri dari :
A1 : Tanpa perlakuan pendahuluan (tanpa pembekuan atau penurunan suhu)
A2 : Pembekuan dalam freezer suhu -18o C selama 24 jam
A3 : Pembekuan cepat nitrogen cair dengan suhu -100o C
Faktor II adalah konsentrasi natrium metabisulfit (B), yang terdiri dari :
B1 : Tanpa natrium metabisulfit
B2 : Konsentrasi natrium metabisulfit 20mg/liter

Data Hasil Pengujian Tekstur Keripik Salak


Kelompok
Perlakuan Total
I II III
A1B1 22,1 27 25,9 75
A1B2 24,3 21 25,9 71,2
A2B1 26 15,8 21,2 63
A2B2 17,3 20,9 13,2 51,4
A3B1 13,1 19,2 13,2 45,5
A3B2 12,8 15,4 20 48,2
Total 115,6 119,3 119,4 354,3
Tentukan pengaruh pembekuan sebagai perlakuan pendahuluan terhadap tekstur
keripik salak menggunakan penggoreng vakum!

Penyelesaian :
a. Manual
Hipotesis
H0 : α1 = α2 = α3 = 0
H1 : paling sedikit terdapat satu αi tidak sama dengan nol, α = 1,2,3
H0 : β1 = β2 = 0
H1 : paling sedikit terdapat satu βj tidak sama dengan nol, β = 1,2
H0 : αβ(11) = αβ(12) = .... = αβ(32) = 0
H1 : paling sedikit terdapat satu αβ(ij) tidak sama dengan nol, α = 1,2,3 ; β = 1,2

Perhitungan
354,32
𝑭𝑲 = = 6973,805
18

𝑱𝑲 𝒕𝒐𝒕𝒂𝒍 = 22,12 + 272 + ⋯ + 202 − 𝐹𝐾 = 417,625


115,62 +119,32 +119,42
𝑱𝑲 𝒌𝒆𝒍𝒐𝒎𝒑𝒐𝒌 = – FK = 1,563
6
752 +71,22 +⋯+48,22
𝑱𝑲 𝒑𝒆𝒓𝒍𝒂𝒌𝒖𝒂𝒏 = – FK = 259,158
3

𝑱𝑲 𝑮𝒂𝒍𝒂𝒕 = 𝐽𝐾 𝑡𝑜𝑡𝑎𝑙 − (𝐽𝐾 𝑘𝑒𝑙𝑜𝑚𝑝𝑜𝑘 + 𝐽𝐾 𝑝𝑒𝑟𝑙𝑎𝑘𝑢𝑎𝑛)


= 417,625 −(1,563 + 259,158) = 156,903

Tabel 2 arah perlakuan


Perlakuan A1 A2 A3 Total
B1 75 63 45,5 183,5
B2 71,2 51,4 48,2 170,8
Total 146,2 114,4 93,7 354,3

146,22 +114,42 +93,72


𝑱𝑲 𝑨 = − 𝐹𝐾 = 233,11
𝑘𝑒𝑙𝑜𝑚𝑝𝑜𝑘 𝑥 𝑡𝑎𝑟𝑎𝑓 B

183,52 +170,82
𝑱𝑲 𝑩 = 𝑘𝑒𝑙𝑜𝑚𝑝𝑜𝑘 𝑥 𝑡𝑎𝑟𝑎𝑓 𝐴 − 𝐹𝐾 = 8,96

𝑱𝑲 𝐀𝐁 = 𝐽𝐾 𝑝𝑒𝑟𝑙𝑎𝑘𝑢𝑎𝑛 − (𝐽𝐾 A + 𝐽𝐾 B)
= 259,158 − (233,11 + 8,96) = 17,088
Tabel ANOVA
SK DB JK KT F-hitung F-tabel(5%)
Kelompok 2 1,563 0,782 0,0498 4,10
Perlakuan 5 259,158 51,832 3,3035 3,33
A 2 233,11 116,55 7,4283* 4,10
B 1 8,96 8,96 0,5711 4,96
AB 2 17,088 8,54 0,5443 4,10
Galat 10 156,903 15,69
Total 17 417,625

Keputusan dan Kesimpulan


- Dengan tingkat kepercayaan 95%, dapat dilihat bahwa pada perlakuan pendahuluan
berupa pembekuan (A) F hitung > F tabel, maka keputusannya adalah tolak Ho, sehingga
dapat disimpulkan bahwa perbedaan perlakuan pendahuluan berupa pembekuan
memberi pengaruh nyata terhadap tekstur keripik salak.
- Sedangkan dengan taraf nyata 5%, kelompok dan pemberian natrium metabisulfit tidak
berpengaruh signifikan terhadap tekstur keripik salak.

Tabel Penguraian JK A melalui polynomial orthogonal

RESPON
JK A
c i
2 c T
i
i i

A1 A2 A3 i

Linier -1 0 1 2 -52,5

Kuadratik 1 -2 1 6 11,1

Total 146,2 114,4 93,7

(−52,5)2
𝐽𝐾𝐿𝑖𝑛𝑖𝑒𝑟 = = 459,375
3(2)

(11,1)2
𝐽𝐾𝑘𝑢𝑎𝑑𝑟𝑎𝑡𝑖𝑘 = =6,845
3(6)
Tabel Penguraian JK B melalui polynomial orthogonal

RESPON
JK B
c i
2 c T
i
i i
i
B1 B2

Linier -1 1 2 12,7

Total 183,5 170,8

(12,7)2
𝐽𝐾𝐿𝑖𝑛𝑖𝑒𝑟 = = 26,88
3(2)

ANOVA
SK db JK KT F hitung F 5%
Kelompok 2 1,563
Perlakuan 5 259,158 51,832 3,303 3,33
1. A 2 233,11 116,55 7,428* 4,10
a.linier 1 459,375 459,375 29,278* 4,96
b.kuadratik 1 6,845 6,845 0,436 4,96
2. B 1 8,96 8,96 0,571 4,96
a.linier 1 26,88 26,88 1,713 4,96
3. AB 2 17,088 8,54 0,544 4,10

Galat 10 156,903 15,69

Berdasarkan hasil analisis ragam di atas menunjukkan bahwa perlakuan pendahuluan berupa
pembekuan sampai linear. Disini ada tidaknya natrium metabisulfit dan pengaruh interaksi
keduanya tidak dipertimbangkan karena tidak berbeda nyata sejak awal. Sehingga dilakukan
analisis kurva respon.

b. Software Minitab
Regression Analysis: C2 versus perlakuan

The regression equation is


C2 = 5,089 + 0,05042 perlakuan

S = 0,573978 R-Sq = 5,3% R-Sq(adj) = 1,5%


Analysis of Variance

Source DF SS MS F P
Regression 1 0,45761 0,457612 1,39 0,250
Error 25 8,23628 0,329451
Total 26 8,69389

Fitted Line: C2 versus perlakuan

Fitted Line Plot


C2 = 5,089 + 0,05042 perlakuan
7,0 S 0,573978
R-Sq 5,3%
R-Sq(adj) 1,5%
6,5

6,0

5,5
C2

5,0

4,5

4,0
0 1 2 3 4 5 6 7 8 9
perlakuan

Berdasarkan gambar diatas dapat dikatakan bahwa kurva respon pengaruh perlakuan
penambahan asam sitrat dan asam tartrat (R) terhadap Karakteristik Tablet Effervescent Hasil
Sampling Perlebahan dengan model Y=5,089 + 0.05042 R. Sehingga dapat dikatakan bahwa
setiap penambahan asam sitrat dan asam tartrat dapat meningkatkan karakteristik tablet
effervescent sebesar 0.05042.

3.2 Permasalahan II
Judul Skripsi : Pengaruh Penggunaan Jenis dan Konsentrasi Plasticizer terhadap
Karakterstik Edible Film Berbahan Campuran Kappa IOTA Karaginan
dan Kitosan Kulit Udang Windu (Panaeus monodon)
Oleh : Rahayu Puti Mayang Sari
NIM : 115080301111034
Asal : Program Studi Hasil Perikanan, Jurusan Manajemen Sumberdaya
Perairan, Fakultas Perikanan dan Ilmu Kelautan
Penelitian ini menggunakan dua jenis plasticizer, yang terdiri dari :
A1 : Gliserol
A2 : Sorbitol
Dengan 4 volume yang berbeda yaitu :
B1 : 0,5%
B2 : 1%
B3 : 1,5%
B4 : 2%

Data Hasil Analisis Kuat Tarik Edible Film Campuran Kappa lota Karaginan dan
Kitosan pada Penelitian Utama

Volume (B)
Plasticizer (A) Pengulangan 0,5% 1% 1,5% 2% Total
(B1) (B2) (B3) (B4)
1 17,4725 22,9650 15,0444 10,7653 66,2472
Gliserol (A1) 2 19,5010 18,3895 15,3595 9,8753 63,1253
3 15,6040 16,3898 15,0729 10,2170 57,2837
1 26,7340 16,6970 14,7840 8,6380 66,853
Sorbitol (A2) 2 12,9430 17,0134 12,3475 10,4570 52,7609
3 18,2903 16,8377 10,8800 12,3408 58,3488
TOTAL 110,5448 108,2924 83,4883 62,2934 364,6189

Tentukan bentuk pengaruh dari jenis dan konsentrasi plasticizer terhadap kuat tarik
edible film campuran kappa lota karaginan dan kitosan kulit udang windu!

Penyelesaian
a. Manual
Hipotesis
H0 : α1 = α2 = 0
H1 : paling sedikit terdapat satu αi tidak sama dengan nol, α = 1,2
H0 : β1 = β2 = β3 = β4 = 0
H1 : paling sedikit terdapat satu βj tidak sama dengan nol, β = 1,2,3,4
H0 : αβ(11) = αβ(12) = .... = αβ(24) = 0
H1 : paling sedikit terdapat satu αβ(ij) tidak sama dengan nol, α = 1,2 ; β = 1,2,3,4
Perhitungan
364,61892
𝑭𝑲 = = 5539,456
24

𝑱𝑲 𝒕𝒐𝒕𝒂𝒍 = 22,12 + 272 + ⋯ + 202 − 𝐹𝐾 = 425,2153


Tabel 2 Arah
Perlakuan B1 B2 B3 B4 Total
A1 52,5775 57,7443 45,4768 30,8576 186,6562
A2 57,9673 50,5481 38,0115 31,4358 177,9627
Total 110,5448 108,2924 83,4883 62,2934 364,6189

52,57752 +57,74432 +⋯+31,43582


𝑱𝑲 𝒑𝒆𝒓𝒍𝒂𝒌𝒖𝒂𝒏 = – FK = 283,0542
3
186,65622 +177,96272
𝑱𝑲 𝑨 = − 𝐹𝐾 = 3,149
𝑘𝑒𝑙𝑜𝑚𝑝𝑜𝑘 𝑥 𝑡𝑎𝑟𝑎𝑓 B

110,54482 +108,29242 +83,48832 +62,29342


𝑱𝑲 𝑩 = − 𝐹𝐾 = 260,2375
𝑘𝑒𝑙𝑜𝑚𝑝𝑜𝑘 𝑥 𝑡𝑎𝑟𝑎𝑓 𝐴

𝑱𝑲 𝐀𝐁 = 𝐽𝐾 𝑝𝑒𝑟𝑙𝑎𝑘𝑢𝑎𝑛 − (𝐽𝐾 A + 𝐽𝐾 B)
= 283,0542 − (3,149 + 260,2375) = 19,667
𝑱𝑲 𝑮𝒂𝒍𝒂𝒕 = 𝐽𝐾 𝑡𝑜𝑡𝑎𝑙 − ( 𝐽𝐾 𝐴 + 𝐽𝐾 𝐵 + 𝐽𝐾 𝐴𝐵)
= 425,2153 −(3,149+260,2375+19,667) = 161,8288

Tabel ANOVA dua arah

SK db JK KT Fhitung F 5%

Jenis Plasticizer 1 3,149 3,149 0,311 4,49

Konsentrasi Plasticizer 3 260,2375 86,75 8,58* 3,24

Interaksi 3 19,667 6,56 0,65 3,24

Galat 16 161,8288 10,1143


Total 23 425,2153

Keputusan dan Kesimpulan:


 Pada konsentrasi plasticizer, dapat dilihat bahwa Fhitung > Ftabel, maka keputusannya
adalah menolak H0. Oleh karena itu dapat disimpulkan bahwa dengan tingkat
kepercayaan 95%, data menyediakan cukup bukti bahwa konsentrasi plasticizer
berpengaruh signifikan terhadap kuat tarik edible film campuran kappa lota karaginan
dan kitosan.
 Pada jenis plastizer, dapat dilihat bahwa Fhitung < Ftabel, maka keputusannya adalah
menerima H0. Oleh karena itu dapat disimpulkan bahwa dengan tingkat kepercayaan
95%, data menyediakan cukup bukti bahwa jenis plasticizer tidak berpengaruh
signifikan terhadap kuat tarik edible film campuran kappa lota karaginan dan kitosan.

Hasil dengan Software


General Linear Model: C3 versus C1, C2

Factor Type Levels Values


C1 fixed 4 1, 2, 3, 4
C2 fixed 5 1500, 2000, 2500, 3000, 3500

Analysis of Variance for C3, using Adjusted SS for Tests

Source DF Seq SS Adj SS Adj MS F P


C1 3 0.43189 0.43189 0.14396 15.63 0.000
C2 4 12.97609 12.97609 3.24402 352.16 0.000
C1*C2 12 0.08130 0.08130 0.00677 0.74 0.709
Error 40 0.36847 0.36847 0.00921
Total 59 13.85776

S = 0.0959781 R-Sq = 97.34% R-Sq(adj) = 96.08%

Unusual Observations for C3

Obs C3 Fit SE Fit Residual St Resid


27 7.87600 7.63733 0.05541 0.23867 3.05 R
45 7.16000 7.39867 0.05541 -0.23867 -3.05 R
55 6.44400 6.65283 0.05541 -0.20883 -2.66 R
R denotes an observation with a large standardized residual.

Dari tabel diatas dapat dilihat bahwa:


 Untuk faktor putaran, karena nilai elektromagnetik nilai p-value(0.000) > α(0.05) maka
diputuskan menolak Ho sehingga dengan tingkat kepercayaan sebesar 95% bahwa
terdapat pengaruh pada putaran
 Untuk faktor intensitas induksi elektromagnetik, karena nilai elektromagnetik nilai p-
value(0.000) > α(0.05) maka diputuskan menolak Ho sehingga dengan tingkat
kepercayaan sebesar 95% bahwa terdapat pengaruh pada intensitas induksi
elektromagnetik
 Untuk faktor interaksi putaran dan variasi intensitas induksi elektromagnetik, karena
nilai Fhitung p-value(0.709) > α(0.05) maka diputuskan menerima Ho sehingga dengan
tingkat kepercayaan sebesar 95% bahwatidak terdapat pengaruh pada interaksi putaran
dan variasi intensitas induksi elektromagnetik terhadap unjuk kerja motor .

Tabel Penguraian JK komponen jenis Plasticizer (A) melalui polynomial ortogonal.

Jenis Plasticizer c
i
i
2
c T
i
i i

Respons
Gliserol Sorbitol
Linier -1 1 2 -8,69
186,6562 177,9627
Total

(−8,69)2
𝐽𝐾𝐿𝑖𝑛𝑖𝑒𝑟 = = 3.15
(4)(3)(2)

Tabel Penguraian JK komponen konsentrasi Plasticizer (B) melalui polynomial


ortogonal.

Konsentrasi Plasticizer
𝑛 𝑛

∑ 𝑐𝑖2 ∑ 𝑐𝑖 𝑇𝑖
Respons 0,5% 1% 1,5% 2% 𝑖=1 𝑖=1

Linier -3 -1 1 3 20 -169,558
Kuadratik 1 -1 -1 1 4 -18,94
Kubik -1 3 -3 1 20 26,16
Total 110.5448 108,2924 83,4883 62,2934

(−169,558)2
 𝐽𝐾𝐿𝑖𝑛𝑖𝑒𝑟 = (2)(3)(20)
= 239,582
(−18,94)2
 𝐽𝐾𝑘𝑢𝑎𝑑𝑟𝑎𝑡𝑖𝑘 = (2)(3)(4)
= 14,95
(26,16)2
 𝐽𝐾𝑘𝑢𝑏𝑖𝑘 = (2)(3)(20) = 5,703
 Tabel Analisis Ragam untuk penguraian komponen perlakuan

SK Db JK KT Fhit Ftabel
A 1 3,149 3.149 0,311 4,49
*Linier 1 3,15 3,15 0,311 4,49
B 3 260,2375 86,75 8,58* 3,24
*Linier 1 239,582 239,582 23,68* 4,49

*Kuadratik 1 14,95 14,95 1,478 4,49


*Kubik 1 5,703 5,703 0,564 4,49
A*B 3 19,667 6,56 0,65 3,24

Galat 16 161,8288 10,1143


Total 23 425,2153
Dari tabel analisis ragam diatas menunjukkan bahwa konsentrasi (B) sampai derajat
linier. Jenis dan interaksi tidak dipertimbangkan karena pengaruhnya kecil dan dari awal tidak
berbeda nyata. Berdasarkan hasil analisis diatas, maka regresi permukaan respon yang cocok
adalah model:
𝑌̂ = 𝑌̅ + 𝛼1 𝜆1 𝜉1 + 𝛼2 𝜆2 𝜉2
𝑄𝑙𝑖𝑛𝑖𝑒𝑟 𝑥𝐴 − 𝑥̅𝐴 𝑄𝑙𝑖𝑛𝑖𝑒𝑟 𝑥𝑃 − 𝑥̅𝑃
𝑌̂ = 𝑌̅ + 2 𝜆1 ( )+ 2 𝜆1 ( )
𝑛𝑟 ∑𝑖 𝑐𝑖 𝑑𝐴 𝑛𝑟 ∑𝑖 𝑐𝑖 𝑑𝑃
(−33.74)2 𝑥𝐴 −0.5625 (−11.013)2 𝑥 −2400
𝑌̂ = 7.4837 + (4)(3)(10)
1( )+ (5)(3)(20)
2 ( 𝐴 500 )
0.5

Response Surface Regression: C4 versus induksi; putaran

The analysis was done using coded units.

Estimated Regression Coefficients for C4

Term Coef SE Coef T P


Constant 26,2007 0,62252 42,088 0,000
induksi -0,6867 0,09408 -7,299 0,000
putaran 0,8342 0,11086 7,525 0,000
induksi*induksi -4,0119 0,66411 -6,041 0,000
putaran*putaran -2,2146 0,16557 -13,375 0,000
induksi*putaran 0,0821 0,11738 0,699 0,488

S = 0,5365 R-Sq = 88,5% R-Sq(adj) = 87,4%


Analysis of Variance for C4

Source DF Seq SS Adj SS Adj MS F P


Regression 5 119,299 119,2993 23,8599 82,89 0,000
Linear 2 57,158 31,6352 15,8176 54,95 0,000
Square 2 62,000 62,0005 31,0002 107,70 0,000
Interaction 1 0,141 0,1407 0,1407 0,49 0,488
Residual Error 54 15,544 15,5438 0,2878
Lack-of-Fit 14 4,158 4,1581 0,2970 1,04 0,434
Pure Error 40 11,386 11,3857 0,2846
Total 59 134,843

Estimated Regression Coefficients for C4 using data in uncoded units

Term Coef
Constant 4,57977
induksi 14,7703
putaran 0,0117998
induksi*induksi -9,49556
putaran*putaran -2,21458E-06
induksi*putaran 0,000126238

Dari hasil output Minitab diatas, diperoleh persamaan permukaan respon yaitu
𝑌̂ = 4.5797 + 14.77𝐶1 + 0.0117998𝐶3 − 9.4956𝐶12 − 2.21458𝐶32 + 0.000126𝐶1𝐶3
Dimana C1 adalah putaran dan C3 adalah intensitas. Dari persamaan tersebut, dapat
disimpulkan bahwa dengan meningkatnya putaran tiap satu satuan maka akan meningkatkan
Kinerja Motor Bensin 4 Langkah Berbahan Bakar Campuran Premium dan Bioetanol sebesar
14.77 − 9.4956𝐶1 . Dan tiap meningkatnya intensitas Induksi elektromagnetik dapat
meningkatkan Kinerja Motor Bensin 4 Langkah Berbahan Bakar Campuran Premium dan
Bioetanol sebesar . 0117998𝐶3 − 2.21458𝐶3 . Ketika naiknya putaran dan intensitas induksi
elektromagnetik naik satu satuan secara bersama-sama akan menaikkan kinerja motor bensin
4 langkah berbahan campuran premium dan bioetanol sebesar 0.000126.

 Hasil Surface dan Countorsoftware Minitab


Contour Plot of C2 vs C3, C1
3.0
C2
< 4.50
4.50 - 4.75
4.75 - 5.00
2.5 5.00 - 5.25
5.25 - 5.50
5.50 - 5.75
> 5.75

2.0
C3

1.5

1.0
1 2 3 4 5 6 7 8 9
C1

Berdasarkan contour plot diatas, dapat diketahui bahwa Kinerja Motor Bensin 4
Langkah Berbahan Bakar Campuran Premium dan Bioetanol pada putaran 3-4 rpm dengan
intensitas induksi elektromagnetik pada 2,5 – 3 tesla didapat kinerja motor bensin 4 langkah
berbahan bakar campuran premium dan bioetanol sebesar 5-5,25.

Surface Plot of C2 vs C3, C1

5.5

C2
5.0

3
4.5
2 C3
0.0
2.5 5.0 1
C1 7.5

Plot surface dalam gambar diatas menampilkan plot contour dalam 3 dimensi, tetapi masih
belum diketahui dengan jelas besarnya variabel independen (putaran dan intensitas induksi
elektromagnetik) yang mengoptimalkan kinerja motor bensin 4 langkah berbahan bakar
campuran premium dan bioetanol. Untuk mendapatkan nilai optimal yang pasti digunakan
persamaan yang sudah didapatkan 𝑌̂ = 4.5797 + 14.77𝐶1 + 0.0117998𝐶3 − 9.4956𝐶12 −
2.21458𝐶32 + 0.000126𝐶1𝐶3
BAB IV

LATIHAN SOAL

4.1 Soal 1

1. Seorang peneliti ingin mengetahui pengaruh kadar protein ransum terhadap kadar
globulin darah (gram %) kelinci dewasa jantan. Untuk tujuan tersebut peneliti
menggunakan ransom dengan kadar protein (10, 16, 22 dan 28 %) setelah dilakukan
penelitian diperoleh hasil sebagai berikut :

Protein Ulangan
Total
Ransum (i) 1 2 3 4 5 6
10% 1.08 0.82 0.96 0.99 0.97 0.91 5.73
16% 0.96 0.98 1.01 1.01 0.98 0.81 5.75
22% 1.23 1.18 1.01 1.01 1.07 1.02 6.52
28% 1.18 1.03 1.17 1.15 1.32 1.23 7.08
Total 25.08

Untuk data diatas, tentukan kurva respon dan variabel bebas yang dapat mengoptimalkan
respon !

4.2 Soal 2
Suatu penelitian dilakukan untuk mengetahui pengaruh varietas terhadap temperatur
pahat pada variasi sudut miring pahat. Dari data hasil pengujian pengaruh varietas
terhadap temperatur pahat dengan variasi sudut miring pahat diambil data temperatur
yang maksimum untuk satu kali pemotongan memanjang. Hal ini dikarenakan data yang
diambil tersebut sudah bisa mewakili dari keseluruhan data. Data yang diambil adalah
sebagai berikut :
Tabel. Data hasil pengaruh varietas terhadap temperatur maksimum pahat dengan
variasi sudut miring pada pahat.
Variasi sudut miring (0)
Varietas Ulangan
50 100 150 200 250
1 90.3 75.6 70.4 69.7 69.7
A 2 88.8 77.2 69.2 65.3 65.3
3 90.8 75.6 71.2 68.9 63.4
B 1 90.7 76.7 64.7 68.7 65.4
2 92.2 74.9 68.8 67.7 68
3 92.2 76.6 68.9 69.6 69.9
1 122.9 93.8 110.1 108.5 102.5
D 2 123.9 98.8 98.1 101.2 102.7
3 121.8 96.8 107.1 106 102.8
1 175.2 132.5 126.2 119.6 116.1
E 2 182.2 135.2 112 122.9 120.5
3 181.3 133.3 119.8 117.9 115.4
BAB V

JAWABAN LATIHAN SOAL

5.1 Soal 1

Hipotesis
H0 : α1 = α2 = α3 = α4 = 0
H1: paling sedikit terdapat satu αi  0 , i = 1,2,3,4

Perhitungan
Manual
2
(∑𝑛 𝑘
𝑖=1 ∑𝑗=1 𝑌𝑖𝑗 ) (25.08)2
𝑭𝑲 = = (4)(6)
=26.2086
𝑛𝑘

𝑱𝑲𝑻𝒐𝒕𝒂𝒍 = ∑𝑛𝑖=1 ∑𝑘𝑗=1 𝑌𝑖𝑗2 − 𝐹𝐾 = (1.082 + 0.962 + ⋯ + 1.232 ) −26.2086= 0.3704

2
∑𝑘 𝑛
𝑗=1[∑𝑖=1 𝑌𝑖 ] 32.83292 +33.06352 +42.51042 +50.12642
𝑱𝑲𝑷𝒆𝒓𝒍𝒂𝒌𝒖𝒂𝒏 = − 𝐹𝐾 = 26.2086 =0.213433
𝑛𝑖 5

𝑱𝑲𝑮𝒂𝒍𝒂𝒕 = 𝐽𝐾𝑇 − 𝐽𝐾𝑃 = 0.3704 − 0.213433 = 0.156967

Tabel Analisis Ragam


SK db JK KT F hitung F tabel
Perlakuan 3 0,213433 0,071144 9,064911 * 3,10
Galat 20 0,156967 0,007848
Total 23 0,3704

Menggunakan Software Minitab 14

One-way ANOVA: RESPON versus PERLAKUAN

Source DF SS MS F P
PERLAKUAN 3 0,21343 0,07114 9,06 0,001
Error 20 0,15697 0,00785
Total 23 0,37040

S = 0,08859 R-Sq = 57,62% R-Sq(adj) = 51,27%

Individual 95% CIs For Mean Based on


Pooled StDev
Level N Mean StDev --+---------+---------+---------+-------
1 6 0,9550 0,0864 (------*-------)
2 6 0,9583 0,0752 (-------*------)
3 6 1,0867 0,0956 (-------*------)
4 6 1,1800 0,0955 (-------*-------)
--+---------+---------+---------+-------
0,90 1,00 1,10 1,20

Pooled StDev = 0,0886

Keputusan dan Kesimpulan

Dengan taraf nyata 5% terlihat bahwa nilai F hitung > F tabel atau p-value(0.001) < α(0.05),
maka diputuskan untuk menolak H0. Maka dapat disimpulkan bahwa terdapat perbedaan yang
nyata antara kadar protein ransum terhadap kadar globulin darah (gram %) kelinci dewasa
jantan. Langkah selanjutnya yaitu mencari tahu sejauh mana pengaruh tersebut apakah linear,
kuadratik, kubik atau lebih tinggi dari itu.

Tabel Penguraian JK perlakuan melalui polynomial orthogonal

𝑛 𝑛
Protein Ransum (i)
2
∑ 𝑐𝑖 ∑ 𝑐𝑖 𝑇𝑖
Respons
10% 16% 22% 28% 𝑖=1 𝑖=1

Linier -3 -1 1 3 20 4,82
Kuadratik 1 -1 -1 1 4 0,54
Kubik -1 3 -3 1 20 -0,96
Total 5,73 5,75 6,52 7,08

(4.82)2
𝐽𝐾𝐿𝑖𝑛𝑖𝑒𝑟 = =0.1936
6(20)

(0.54)2
𝐽𝐾𝑘𝑢𝑎𝑑𝑟𝑎𝑡𝑖𝑘 = =0.01215
6(4)

(−0.96)2
𝐽𝐾𝑘𝑢𝑏𝑖𝑘 = =0.00768
6(20)

Tabel Analisis Ragam

SK db JK KT F hit F tabel
Perlakuan 3 0,213433 0,071144 9,064911 3,10
Linier 1 0,193603 0,193603 24,66808* 4,351
Kuadratik 1 0,01215 0,01215 1,548099 4,351
Kubik 1 0,00768 0,00768 0,978552 4,351
Galat 20 0,156967 0,007848
Total 23 0,3704

Dari tabel analisis ragam di atas menunjukkan bahwa hanya pengaruh linier saja yang
sangat nyata dari kadar protein ransum terhadap kadar globulin darah (gram %) kelinci dewasa
jantan. Untuk menentukan kurva responnya maka perlu menggunakan polinom ortogonal :

𝑌̂ = 𝑌̅ + 𝛼1 𝜆1 𝜉1
𝑄𝑙𝑖𝑛𝑖𝑒𝑟 𝑥 − 𝑥̅𝑝.𝑟
= 𝑌̅ + 2 𝜆1 ( )
𝑟 ∑𝑖 𝑐𝑖 𝑑𝑝.𝑟
4.82 𝑥 − 19
= 1.045 + (2) ( )
6(20) 6
𝑥 − 19
= 1.045 + 0.08033 ( )
6

Perhitungan Menggunakan Software Genstat

***** Regression Analysis *****

Response variate: respon


Fitted terms: Constant + perlakuan
Submodels: POL(perlakuan; 1)

*** Summary of analysis ***

d.f. s.s. m.s. v.r. F pr.


Regression 1 0.1936 0.193603 24.09 <.001
Residual 22 0.1768 0.008036
Total 23 0.3704 0.016104

Percentage variance accounted for 50.1


Standard error of observations is estimated to be 0.0896
* MESSAGE: The following units have large standardized residuals:
Unit Response Residual
12 0.8100 -2.23

*** Estimates of parameters ***

estimate s.e. t(22) t pr.


Constant 0.8442 0.0448 18.83 <.001
perlakuan Lin 0.0803 0.0164 4.91 <.001
Perhitungan Menggunakan Software Minitab

Regression Analysis: RESPON versus PERLAKUAN

The regression equation is


RESPON = 0,8442 + 0,08033 PERLAKUAN

S = 0,0896449 R-Sq = 52,3% R-Sq(adj) = 50,1%

Analysis of Variance

Source DF SS MS F P
Regression 1 0,193603 0,193603 24,09 0,000
Error 22 0,176797 0,008036
Total 23 0,370400

Fitted Line: RESPON versus PERLAKUAN

Fitted Line Plot


RESPON = 0,8442 + 0,08033 PERLAKUAN

S 0,0896449
1,3 R-Sq 52,3%
R-Sq(adj) 50,1%

1,2
RESPON

1,1

1,0

0,9

0,8
1,0 1,5 2,0 2,5 3,0 3,5 4,0
PERLAKUAN

Karena hanya pengaruh linier yang nyata maka kurva respon yang dihasilkan berbentuk
linier seperti grafik fitted line plot di atas, dengan persamaan regresi yaitu kadar globulin darah
= 0,8442 + 0,08033x protein ransum, yang berarti bahwa dengan meningkatnya kadar protein
ransum sebesar 1 % maka kadar globulin darah (gram %) kelinci dewasa jantan akan
bertambah sebesar 0,08033 satu satuan.
5.2 Soal 2

Hipotesis

1. Pengaruh utama varietas pemotongan


𝐻0 : 𝛼1 = 𝛼2 = 𝛼3 = 𝛼4 = 0
𝐻1 : paling sedikit terdapat satu 𝛼𝑖 yang tidak sama dengan nol, 𝛼𝑖 = 1,2,3,4
2. Pengaruh utama variasi sudut
𝐻0 ∶ 𝛽0 = 𝛽1 = 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0
𝐻1 : paling sedikit terdapat satu 𝛽𝑖 yang tidak sama dengan nol, 𝛽𝑗 = 0,1,2,3,4,5
3. Interaksi faktor kecepatan pemotongan dan faktor variasi sudut
𝐻0 : (𝛼𝛽)10 = (𝛼𝛽)11 = ⋯ = (𝛼𝛽)45 = 0
𝐻1 : paling sedikit terdapat satu pasang (𝛼𝛽)𝑖𝑗 yang tidak sama dengan nol
𝛼𝑖 = 1,2,3,4
𝛽𝑗 = 0,1,2,3,4,5

Untuk mengetahui ada tidaknya pengaruh kecepatan pemotongan (faktor A) dengan


sudut miring (faktor B) terhadap temperatur pahat, maka digunakanlah analisis ragam dua arah.
Perhitungannya adalah sebagai berikut :
Perlakuan Ulangan
Total
A B 1 2 3
A 5 90.3 88.8 90.8 269.9
10 75.6 77.2 75.6 228.4
15 70.4 69.2 71.2 210.8
20 69.7 65.3 68.9 203.9
25 69.7 65.3 63.4 198.4
Jumlah 375.7 365.8 369.9 1111.4
B 5 90.7 92.2 92.2 275.1
10 76.7 74.9 76.6 228.2
15 64.7 68.8 68.9 202.4
20 68.7 67.7 69.6 206
25 65.4 68 69.9 203.3
Jumlah 366.2 371.6 377.2 1115
D 5 122.9 123.9 121.8 368.6
10 93.8 98.8 96.8 289.4
15 110.1 98.1 107.1 315.3
20 108.5 101.2 106 315.7
25 102.5 102.7 102.8 308
Jumlah 537.8 524.7 534.5 1597
E 5 175.2 182.2 181.3 538.7
10 132.5 135.2 133.3 401
15 126.2 112 119.8 358
20 119.6 122.9 117.9 360.4
25 116.1 120.5 115.4 352
Jumlah 669.6 672.8 667.7 2010.1
Total 1949.3 1934.9 1949.3 5833.5

Tabel 2 arah A-B


Perlakuan B5 B10 B15 B20 B25 Total
A 269.9 228.4 210.8 203.9 198.4 1111.4
B 275.1 228.2 202.4 206 203.3 1115
D 368.6 289.4 315.3 315.7 308 1597
E 538.7 401 358 360.4 352 2010.1
Total 1452.3 1147 1086.5 1086 1061.7 5833.5

2
(∑𝑟𝑖=1 ∑𝑐𝑗=1 ∑𝑡𝑘=1 𝑌𝑖𝑗𝑘 ) (5833.5)2
𝑭𝑲 = = = 567162.04
𝑟𝑐𝑡 (4)(5)(3)
𝑱𝑲 𝑻𝒐𝒕𝒂𝒍 = ∑𝑟𝑖=1 ∑𝑐𝑗=1 ∑𝑡𝑘=1 𝑌𝑖𝑗𝑘 2 − 𝐹𝐾 = 616811.7 − 567162.04 = 49649.65
∑𝑟𝑖=1 ∑𝑐𝑗=1 𝑇𝑖𝑗 2 269.92 + 228.42 + ⋯ + 3522
𝑱𝑲 𝑷𝒆𝒓𝒍𝒂𝒌𝒖𝒂𝒏 = − 𝐹𝐾 = − 567162.04
𝑡 3
= 49302.17
∑𝑟𝑖=1 𝑇𝑖 2 1111.42 + 11152 + 1273.52 + 15972 + 2010.12
𝑱𝑲 𝑨 = − 𝐹𝐾 = − 567162.04 = 37461.03
𝑐𝑡 (5)(3)
∑𝑟𝑖=1 𝑇𝑖 2 1804.92 + 13942 + 1315.42 + 1315.12 + 1277.62
𝑱𝑲 𝑩 = − 𝐹𝐾 = − 567162.04 = 8827.082
𝑟𝑡 (4)(3)
𝑱𝑲 𝑨𝑩 = 𝐽𝐾𝑃𝑒𝑟𝑙𝑎𝑘𝑢𝑎𝑛 − 𝐽𝐾𝐴 − 𝐽𝐾𝐵 = 3014.064
𝑱𝑲 𝑮𝒂𝒍𝒂𝒕 = 𝐽𝐾𝑇𝑜𝑡𝑎𝑙 − 𝐽𝐾𝐴 − 𝐽𝐾𝐵 − 𝐽𝐾𝐴𝐵 = 347.48

Tabel Analisis Ragam


SK db JK KT Fhit Ftabel
Varietas (A) 3 37461.03 12487 1437.436399* 2.57
Sudut miring (B) 4 8827.082 2206.77 254.0313687* 2.57
Interaksi varietas dan sudut 12 3014.064 251.172 28.91354898* 1.863
miring (A*B)
Galat 40 347.48 8.687
Total 59 49649.65

Keputusan dan Kesimpulan


Berdasarkan analisis ragam di atas, dapat dilihat bahwa Fhitung pada Varietas, Sudut
Miring dan Interaksi antara keduanya lebih besar daripada F tabel masing-masing,
maka H0 ditolak. Oleh karena itu, dengan tingkat kepercayaan 95% dapat disimpulkan
bahwa varietas, sudut miring dan interaksi antara keduanya berpengaruh signifikan
terhadap temperatur. Meskipun interaksi bepengaruh terhadap temperatur pahat, tetapi
pengaruhnya kecil. Ini bisa dilihat dari nilai F hitung yang jauh sekali dari F hitung
untuk pengaruh faktor utama, yaitu varietas dan variasi sudut. Sehingga pada kasus ini
hanya akan diketahui sejauh mana pengaruh faktor utama saja.

Tabel Penguraian JK komponen varietas (A) melalui polynomial ortogonal.


𝑛 𝑛
Varietas (A)
Respon ∑ 𝑐𝑖 2 ∑ 𝑐𝑖 𝑇𝑖
A B D E
𝑖=1 𝑖=1

Linier -3 -1 1 3 20 3178,1
Kuadratik 1 -1 -1 1 4 409,5
Kubik -1 3 -3 1 20 -547,3
Total 1111,4 1115 1597 2010,1

(3178.1)2
𝑱𝑲𝑳𝒊𝒏𝒊𝒆𝒓 = (4)(3)(20) = 42084.66
(409.5)2
𝑱𝑲𝒌𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒌 = = 3493.54
(4)(3)(4)
(−547.3)2
𝑱𝑲𝒌𝒖𝒃𝒊𝒌 = = 1248.07
(4)(3)(20)

Tabel Penguraian JK komponen sudut miring (B) melalui polynomial ortogonal.

Respon
Sudut Miring (B)
c i
2
c T i i
50 100 150 200 250 i i

Linier -2 -1 0 1 2 10 -842.2
Kuadratik 2 -1 -2 -1 2 14 622
Kubik -1 2 0 -2 1 10 -268.6
Kuartik 1 -4 6 -4 1 70 101
Total 1452.3 1147 1086.5 1086 1061.7

(−842.2)2
𝑱𝑲𝑳𝒊𝒏𝒊𝒆𝒓 = (5)(3)(10) = 4728.67
(622)2
𝑱𝑲𝒌𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒌 = (5)(3)(14) = 1842.3
(−268.6)2
𝑱𝑲𝒌𝒖𝒃𝒊𝒌 = (5)(3)(10) = 480.9
(101)2
𝑱𝑲𝒌𝒖𝒂𝒓𝒕𝒊𝒌 = (5)(3)(70) = 9.71

Tabel Analisis Ragam untuk penguraian komponen perlakuan

SK db JK KT Fhit Ftabel
A 3 37461.03 12487 1437.435248 2.57
*Linier 1 42084.66 42084.7 4844.556233* 4.03
*Kuadratik 1 3943.54 3943.54 453.958789* 4.03
*Kubik 1 1248.07 1248.07 143.6710026* 4.03
B 4 8827.082 2206.77 254.0313112 2.57
*Linier 1 4728.67 4728.67 544.338667* 4.03
*Kuadratik 1 1842.3 1842.3 212.0755151* 4.03
*Kubik 1 480.9 480.9 55.35858179* 4.03
*Kuartik 1 9.71 9.71 1.117762173 4.03
A*B 12 3014.064 251.172 28.91354898 1.863
Galat 40 347.48 8.687
Total 59 49649.65

Dari tabel analisis ragam di atas menunjukkan bahwa pengaruh varietas (A) pengaruh
sudut miring (B) sampai derajat kubik. Interaksi tidak dipertimbangkan karena pengaruhnya
kecil, yang terlihat dari nilai F-hitung yang jauh lebih kecil jika dibandingkan dengan F-hitung
komponen yang lain meskipun lebih besar dari F-tabel. Berdasarkan hasil analisis di atas, maka
regresi permukaan respon yang cocok adalah model:

Response Surface Regression: respon versus x1, x2

The analysis was done using coded units.

Estimated Regression Coefficients for respon

Term Coef SE Coef T P


Constant 78.445 2.341 33.514 0.000
x1 30.392 1.298 23.422 0.000
x2 -14.037 1.451 -9.676 0.000
x1*x1 18.200 2.736 6.653 0.000
x2*x2 14.810 2.452 6.039 0.000
x1*x2 -5.628 1.835 -3.067 0.003

S = 7.94592 PRESS = 4333.28


R-Sq = 93.13% R-Sq(pred) = 91.27% R-Sq(adj) = 92.50%

Analysis of Variance for respon


Source DF Seq SS Adj SS Adj MS F P
Regression 5 46240.2 46240.2 9248.0 146.47 0.000
Linear 2 40548.6 40548.6 20274.3 321.11 0.000
x1 1 34637.8 34637.8 34637.8 548.61 0.000
x2 1 5910.8 5910.8 5910.8 93.62 0.000
Square 2 5097.7 5097.7 2548.9 40.37 0.000
x1*x1 1 2794.8 2794.8 2794.8 44.27 0.000
x2*x2 1 2302.9 2302.9 2302.9 36.47 0.000
Interaction 1 593.9 593.9 593.9 9.41 0.003
x1*x2 1 593.9 593.9 593.9 9.41 0.003
Residual Error 54 3409.4 3409.4 63.1
Lack-of-Fit 14 3062.0 3062.0 218.7 25.18 0.000
Pure Error 40 347.5 347.5 8.7
Total 59 49649.7

Unusual Observations for respon

Obs StdOrder respon Fit SE Fit Residual St Resid


32 32 93.800 110.319 1.907 -16.519 -2.14 R
51 51 182.200 161.511 3.281 20.689 2.86 R
56 56 181.300 161.511 3.281 19.789 2.73 R

R denotes an observation with a large standardized residual.

Estimated Regression Coefficients for respon using data in uncoded units

Term Coef
Constant 268.686
x1 -6.67287
x2 -3.59532
x1*x1 0.0710937
x2*x2 0.148095
x1*x2 -0.0351750

Dari hasil output Minitab di atas, diperoleh persamaan permukaan respon yaitu
𝑌̂ = 268.686— 6.67287𝑥1 + 0.0710𝑥1 2 − 3.595𝑥2 + 0.148𝑥2 2 -0.03517x1x2. Dimana 𝑥1
adalah varietas dan 𝑥2 adalah variasi sudut.

SURFACEPLOT DAN COUNTOUR PLOT


BAB VI

PENUTUP

6.1 Kesimpulan

6.2 Saran
DAFTAR PUSTAKA

Ali Hanafiah,Kemas.1995.Rancangan Percobaan Teori dan Aplikasi.Jakarta:Raja Grafindo


Anonymous.2009.Aplikasi Kurva Respon Dalam Berbagai Bidang
.http://smartstat.wordpress.com.diakses tanggal 14 Juli 2010
Iriawan, N., Ph.D., 2006. Mengolah Data Statistik dengan Menggunakan Minitab 14. Andi
Yogyakarta Publishing.
Montgomery, Douglas C. 1984. Design and Analysis of Experiments Second Edition.John
Wiley and Sons. New York.
Petersen,Roger G.1985. Design and Analysis of Experiments. Marcel Dekker,INC. New York.
Steel R.G.D and Torrie,J.H.1991. Prinsip dan Prosedur Statistika. PT Gramedia Pustaka
Utama. Jakarta.

You might also like