bab iv pengumpulan dan pengolahan...
TRANSCRIPT
33
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA Pada bab ini akan diuraikan bagaimana data-data diidentifikasi/dikumpulkan
sekaligus diolah sesuai dengan metodologi yang dirancang sehingga akan didapatkan
suatu analisa dan kesimpulan. Pengolahan data hasil eksperimen dengan
menggunakan bantuan Software Minitab 14.
4.1 Identifikasi Respon
Respon yang akan dibangun berupa parameter kualitas produk kalsium oksida
(CaO) yang paling signifikan berdasarkan data-data pada Standard Nasional
Indonesia dan parameter dampak lingkungan yang paling signifikan berdsarkan pada
data-data skoring aspek/dampak lingkungan.
4.1.1 Standard Nasional Indonesia (SNI) Tentang Kapur
Dalam SNI, kapur (lime) didefinisikan sebagai batuan alamiah yang
kandungan utamanya adalah senyawa kalsium karbonat dan dapat juga mengandung
magnesium karbonat.
Beberapa syarat mutu pada SNI antara lain; kadar CaO, ukuran butiran
(mesh), kadar MgO, prosentase bahan yang tidak terlarut (insoluble matter), daya
serap air, kuat tekan dan lain sebagainya. Namun dalam banyak pemakaiannya
persyaratan mutu yang paling diutamakan adalah kadar dari CaOnya sendiri.
Tabel 4.1. menunjukkan penggunaan sekaligus persyaratan mutu dalam
pemakaian kapur. Pada tabel tersebut terlihat bahwa persyaratan dominan untuk
kualitas kapur berada pada kadar atau konsentrasi oksida kalsiumnya.
34
4.1.2 Skoring Aspek dan Dampak Lingkungan (BAPEDAL)
Penilaian dampak lingkungan dilakukan berdasarkan pada masing-masing
aspek yang ada pada business process yang kemudian dilakukan skoring dengan
melibatkan pihak-pihak yang ahli (pakar) dalam masalah lingkungan keterkaitannya
dengan proses pembuatan produk kapur aktif. Skoring dampak lingkungan ini
menggunakan skala/penilaian yang diperkenalkan oleh BAPEDAL, dimana dalam
penilaiannya terbagi menjadi dua kelompok penilaian, yang pertama adalah faktor
lingkungan dan yang lainnya adalah fakor bisnis. Signifikansi dampak lingkungan
terjadi apabila masing-masing nilai kelompok penilaian yang ada apabila dikalikan
secara keseluruhan mempunyai skore/nilai lebih besar atau sama dengan enam ribu
tujuh ratus lima puluh.
Tabel 4.2. memaparkan besarnya penilaian dari tiap fase aspek lingkungan
pada proses pembuatan produk kapur aktif. Pada tabel tersebut terlihat bahwa dapak
signifikan aspek lingkungan terjadi pada saat dilakukannya proses pembakaran.
Dalam proses pembakaran CaCO3 berdasarkan reaksi kimia yang terjadi akan
mengeluarkan gas CO2. Gas CO2 sendiri merupakan parameter dalam dampak
lingkungan sebagai penyebab terjadinya green house gas (GHG) yang akan
berdampak pada pemanasan global juga efek terhadap saluran pernafasan/paru-paru.
35
36
37
4.2 Tahap Desain Eksperimen
Tahap ini dilaksanakan untuk merancang suatu percobaan agar tiap tindakan
benar-benar terdefinisikan sedemikian sehingga informasi yang berhubungan atau
yang diperlukan untuk persoalan yang diteliti dapat dikumpulkan. Dengan kata lain
desain eksperimen merupakan langkah-langkah yang diambil sebelum eksperimen
dilakukan agar data yang semestinya diperlukan dapat diperoleh sehingga akan
membawa pada analisa yang obyektif.
4.2.1 Penentuan Faktor-faktor Dominan
Faktor dominan adalah variabel yang diduga mempunyai pengaruh terhadap
variabel dependen atau respon. Setelah dilakukan observasi maupun brainstorming
dengan para ahli dan pengusaha kapur, faktor-faktor yang diduga mempunyai
pengaruh terhadap kedua respon (kualitas berupa kadar CaO dan lingkungan berupa
parameter CO2) adalah :
a). Faktor terkontrol : merupakan faktor yang digunakan dalam meng
kondisikan eksperimen.
1. Jenis Bahan Baku
Warna batu kapur menggambarkan tingkat dan kealamian dari adanya
pengotor (impurity). Warna putih mempunyai kemurnian yang tinggi,
warna abu-abu dan corak gelap disebabkan oleh material karbon atau
sulfida besi, kuning dan warna susu atau merah mengindikasikan
adanya campuran besi dan mangan. Jenis warna yang ada di bahan
tambang sentra industri kapur aktif rata-rata berwarna putih kecoklatan
dan putih kekuningan.
38
2. Jenis Bahan Pembakar
Jenis bahan bakar memberikan konstribusi yang berbeda terhadap
dampak lingkungan dari gas yang dikeluarkan. Pemilihan bahan bakar
dapat menimbulkan emisi berupa karbon dioksida, karbon monoksida,
asap, debu, sulfur dioksida dan nitrogen oksida, yang kesemuanya
mempunyai dampak terhadap lingkungan. Dalam proses pembakaran
dengan bahan pembakar berupa kayu dan sejenisnya, emisi dominan
yang ditimbulkan berupa kandungan CO2.
3. Ukuran Partikel Batu Kapur
Rate penguraian batu kapur pada proses kalsinasi salah satunya
dipengaruhi oleh distribusi ukuran partikel, selain itu juga kualitas dari
proses pembakaran tergantung juga pada distribusi ukuran partikel batu
kapurnya.
Dari hasil pendalaman teoritis mengenai reaksi kimia yang terjadi pada
proses pembakaran kapur dengan jenis bahan baku, jenis bahan
pembakar dan ukuran partikel pada level yang berbeda diduga adanya
interaksi antara jenis bahan baku dengan jenis bahan pembakar dan
jenis bahan pembakar dengan ukuran partikel batu kapur terhadap
kedua respon.
b). Faktor tidak terkontrol : merupakan faktor-faktor yang menyebabkan
tingkat variabilitas produk. Faktor ini biasanya terjadi secara alami, tidak
repetitif dan terjadinya sulit untuk diramalkan. Pada eksperimen ini faktor
tersebut antara lain; perbedaan cuaca, tekanan udara, variasi tungku, variasi
bahan pembakar, kestabilan nyala api.
39
4.2.2 Penentuan Derajat Bebas
Derajat bebas merupakan banyaknya perbandingan yang harus dilakukan
antara level–level faktor (efek utama) atau interaksi yang digunakan untuk
menentukan jumlah percobaan minimum yang dilakukan.
Jumlah derajat bebas setiap faktor dirumuskan dengan jumlah level (n)
dikurangi dengan 1 atau dengan kata lain db = n – 1
Jumlah derajat bebas total dari penelitian ini dapat dilihat pada tabel 4.3.
Tabel 4.3. Jumlah Derajat Bebas
Faktor Lambang Derajat Bebas Jumlah
Jenis Bahan Baku A 2 – 1 1
Jenis Bahan Bakar B 2 – 1 1
Ukuran Partikel Batu C 2 – 1 1
Interaksi Jenis Bahan Baku
dgn Jenis Bahan Bakar AB (2 – 1)( 2 – 1) 1
Interaksi Jenis Bahan Baku
dgn Ukuran Partikel Batu BC (2 – 1)( 2 – 1) 1
Jumlah derajat bebas total 5
4.2.3 Penetapan Orthogonal Array
Dalam menetapkan Orthogonal Array maka dibutuhkan perhitungan derajat
kebebasan. Tabel Orthogonal Array yang dipilih harus mempunyai jumlah baris
minimum yang tidak boleh kurang dari jumlah derajat bebas totalnya.
Jumlah derajat bebas total dalam penelitian yang dilakukan adalah 5 x (2–1)
= 5, sehingga Orthogonal Array yang dipakai adalah L8 (27) dengan tabel rancangan
eksperimen pada tabel 4.4.
40
Tabel 4.4. Rancangan Eksperimen OA L8 (27)
Kolom 1 2 3 4 5 6 7 Eksperimen A B AB C error BC error
1 1 1 1 1 1 1 1 2 1 1 1 2 2 2 2 3 1 2 2 1 1 2 2 4 1 2 2 2 2 1 1 5 2 1 2 1 2 1 2 6 2 1 2 2 1 2 1 7 2 2 1 1 2 2 1 8 2 2 1 2 1 1 2
4.3 Pelaksanaan Eksperimen
Eksperimen dilakukan dengan mengacu pada desain eksperimen metode
taguchi, dengan menggunakan Orthogonal Array L8 (27) baik untuk variabel respon
CaO maupun parameter CO2 .
Tabel 4.5. Desain Kombinasi Percobaan Taguchi
Faktor Eksperimen
Jenis Bahan Baku Jenis Bahan Bakar Ukuran Prtk. Batu
1 Putih Kekuningan Kayu Lapis 20 – 30 Cm
2 Putih Kekuningan Kayu Lapis 30 – 50 Cm
3 Putih Kekuningan Kayu Pejal 20 – 30 Cm
4 Putih Kekuningan Kayu Pejal 30 – 50 Cm
5 Putih Kecoklatan Kayu Lapis 20 – 30 Cm
6 Putih Kecoklatan Kayu Lapis 30 – 50 Cm
7 Putih Kecoklatan Kayu Pejal 20 – 30 Cm
8 Putih Kecoklatan Kayu Pejal 30 – 50 Cm
Survey atau pengulangan yang dilakukan dalam penelitian ini sebanyak 2
(dua) kali dimana pengamatan dilakukan di enambelas obyek pembakaran di sentra
industri kapur di Desa Pongangan dan Desa Suci.
41
4.4 Pengolahan Data Hasil Eksperimen
Setelah eksperimen dilakukan, data-data hasil eksperimen diolah untuk
mengetahui kombinasi faktor-faktor dominan yang menghasilkan kualitas terbaik
dan variabilitas terendah serta untuk mengetahui besar konstribusi faktor yang
berpengaruh secara signifikan.
Tabel 4.6. memperlihatkan hasil dari eksperimen yang telah dilakukan
dengan pengulangan sebanyak dua kali. Hasil analisa CaO dan CO2 dapat dilihat
pada lampiran 8.
Tabel 4.6. Tabel Rangkuman Penelitian Pengepul Batu Kapur
Faktor CaO (%) CO2 (ppm) Eksp.
A B C Rep.1 Rep.2 Rata-rata
Rep.1 Rep.2
Rata-
rata
1 1 1 1 72.41 72.40 72.405 1919 1956 1937.5
2 1 1 2 68.13 68.17 68.150 2027 1945 1986.0
3 2 2 1 71.43 71.46 71.445 1859 1853 1856.0
4 2 2 2 66.29 66.46 66.375 1977 1968 1972.5
5 1 2 1 71.22 71.14 71.180 1899 1857 1878.0
6 1 2 2 67.48 67.43 67.455 2061 1834 1947.5
7 2 1 1 72.04 72.06 72.050 2010 1861 1935.5
8 2 1 2 67.97 67.78 67.875 2042 2103 2072.5
4.4.1 Pengaruh Faktor Terhadap Rata-rata Respon
Masing-masing faktor akan diuji pengaruhnya terhadap rata-rata respon, baik
untuk respon CaO maupun respon CO2. Hasil pengolahan data dengan Softaware
Minitab 14 secara lengkap seperti pada lampiran 4 dan 5.
42
4.4.1.1 Analisa Variansi (ANOVA)
Untuk menguji hipotesa mengenai faktor–faktor yang berpengaruh terhadap
rata-rata variabel respon digunakan uji analisa variansi.
Tabel 4.7. ANOVA Terhadap Rata-rata Respon CaO
Source DF SS MS F Hitung
F Tabel
P Value
Signifikan
A 1 0.2610 0.2610 1.15 8.53 0.396
B 1 2.0251 2.0251 8.92 8.53 0.096 Signifikan
C 1 37.0876 37.0876 163.43 8.53 0.006 Signifikan
AB 1 0.0043 0.0043 0.02 8.53 0.903
BC 1 0.0167 0.0167 0.07 8.53 0.812
Error 2 0.4539 0.2269
Total 7 39.8484
Grafik pengaruh faktor dan interaksi terhadap rata-rata respon dapat disajika
sebagaimana pada gambar dibawah.
Gambar 4.1. Pengaruh Faktor Terhadap Rata-rata Respon CaO
Gambar 4.2. Pengaruh Interaksi Terhadap Rata-rata Respon CaO
43
Tabel 4.8. ANOVA Terhadap Rata-rata Respon CO2
Source DF SS MS F Hitung
F Tabel
P Value
Signifikan
A 1 957.0 957.0 0.76 8.53 0.475
B 1 9625.8 9625.8 7.67 8.53 0.109
C 1 17251.5 17251.5 13.74 8.53 0.066 Signifikan
AB 1 830.3 830.3 0.66 8.53 0.501
BC 1 0.0 0.0 0.00 8.53 0.996
error 2 2510.3 1255.2
Total 7 31175.0
Adapun grafik pengaruh faktor dan interaksi dapat ditampilkan sebagaimana gambar
dibawah.
Gambar 4.3. Pengaruh Faktor Terhadap Rata-rata Respon CO2
Gambar 4.4. Pengaruh Interaksi Terhadap Rata-rata Respon CO2
44
Untuk mencari kesignifikan suatu faktor dengan membandingkan nilai P (P
Value) terhadap α (tingkat signifikan). Dalam hal ini α = 10% sehingga apabila P
value > α maka faktor tidak signifikan dan P value < α maka faktor signifikan. Dapat
juga dilakukan dengan statistik uji F dengan membandingkan F hitung dengan F
tabel, dimana jika F hitung > F tabel dapat dikatakan faktor signifikan dan sebaliknya
jika F hitung < F tabel dapat dikatakan faktor tersebut tidak signifikan. F hitung
dapat dicari dengan membagi mean square setiap faktor (Msi) dengan square error
(Mse).
4.4.1.2 Pooling Faktor & Persen Konstribusi
Pooling faktor dimulai dari jumlah kuadrat terkecil dari faktor yang tidak
signifikan digabungkan dengan jumlah kesalahan (error). Prosedur pooling
direkomendasikan sampai derajat bebas error mendekati setengah dari derajat bebas
total, dan apabila masih terdapat faktor yang tidak signifikan maka faktor tersebut
diabaikan.
Untuk mengetahui seberapa besar kontribusi yang diberikan oleh masing–
masing faktor terhadap respon dilakukan dengan cara menghitung pure sum of
squares (SS’) = SS – (Mse x Dfi)
Selanjutnya untuk menghitung persen kontribusi (% P) menggunakan rumus
sebagai berikut :
% P = %100' xSSfaktorSS
T
Hasil selengkapnya dari tabel ANOVA untuk kontribusi faktor dapat
ditunjukkan pada tabel 4.9. & 4.10.
45
Tabel 4.9. ANOVA Untuk Kontribusi Respon CaO
Source Pool DF SS MS F Hitung SS’ P ( % )
A 1 0.2610 0.2610 1.15
B 1 2.0251 2.0251 8.92 1.87 4.70
C 1 37.0876 37.0876 163.43 36.93 92.69
AB Y 1 0.0043 0.0043 0.02
BC 1 0.0167 0.0167 0.07
Error 3 0.4582 0.1527 1.04 2.61
Total 7 39.8486
Tabel 4.10. ANOVA Untuk Kontribusi Respon CO2
Source Pool DF SS MS F Hitung SS’ P ( % )
A 1 957.0 957.0 0.76
B 1 9625.8 9625.8 7.67
C 1 17251.5 17251.5 13.74 16414.73 52.65
AB 1 830.3 830.3 0.66
BC Y 1 0.0 0.0 0.00
Error 3 2510.3 836.8 14760.17 47.35
Total 7 31174.9
4.4.1.3 Kombinasi Level Optimum
Penentuan kondisi optimal digunakan untuk mengetahui level dari tiap faktor
yang berpenaruh secara signifikan yang dapat mengoptimalkan variabel respon.
Tabel respon setiap faktor dapat dilihat pada tabel 4.11 & 4.12.
Tabel 4.11. Tabel Respon Pengaruh Faktor Berdasarkan Rata-rata Respon CaO
Faktor Level
A B C
Level 1 69.80 70.12 71.77
Level 2 69.44 69.11 67.46
Selisih 0.36 1.01 4.31
Rangking 3 2 1
46
Tabel 4.12. Tabel Respon Pengaruh Faktor Berdasarkan Rata-rata Respon CO2
Faktor Level
A B C
Level 1 1937 1983 1902
Level 2 1959 1914 1995
Selisih 22 69 93
Rangking 3 2 1
Dari tabel diatas dapat diketahui faktor–faktor yang paling berpengaruh
terhadap tinggi rendahnya kadar CaO secara berturut-turut adalah faktor C, B, A.
Kombinasi level faktor optimum berdasarkan rata-rata kadar CaO adalah faktor C1,
B1, A1 .
Sedangkan faktor-faktor yang paling berpengaruh terhadap dampak
lingkungan berupa kandungan CO2 adalah faktor C, B, A. Kombinasi level faktor
optimum rata-rata kandungan CO2 adalah faktor C1, B2, A1 .
4.4.2 Pengaruh Faktor Terhadap Variabilitas Respon
Pengaruh faktor terhadap variabilitas respon dapat dilakukan dengan
menggunakan nilai rasio S/N. Rasio S/N menggambarkan tingkat variabilitas dari
respon. Pengolahan data dengan Software Minitab 14 sebagaimana pada lampiran 4
dan 5.
4.4.2.1 S/N Ratio
Rasio signal terhadap noise digunakan untuk meneliti pengaruh fakor noise
terhadap variasi yang timbul. Tabel 4.13. merupakan hasil perhitungan S/N rasio
respon CaO dan CO2.
47
Tabel 4.13. Rasio S/N Variabel Respon
S/N Ratio Eksperimen
Respon CaO Respon CO2
1 37.1954 -65.7452
2 36.6693 -65.9614
3 37.0794 -65.3716
4 36.4401 -65.9004
5 37.0472 -65.4745
6 36.5803 -65.8043
7 37.1527 -65.7423
8 36.6342 -66.3308
4.4.2.2 Analisa Variansi (ANOVA)
Untuk menguji hipotesa mengenai faktor–faktor yang berpengaruh terhadap
variansi variabel respon digunakan uji analisa variansi.
Tabel 4.14. ANOVA Terhadap Variansi Respon CaO
Source DF SS MS F Hitung
F Tabel
P Value
Signifikan
A 1 0.004314 0.004314 1.16 8.53 0.395
B 1 0.031827 0.031827 8.54 8.53 0.100 Signifikan
C 1 0.578245 0.578245 155.18 8.53 0.006 Signifikan
AB 1 0.000113 0.000113 0.03 8.53 0.878
BC 1 0.000476 0.000476 0.13 8.53 0.755
Error 2 0.007453 0.003726
Total 7 0.622427
48
Gambar 4.5. Pengaruh Faktor Terhadap Rasio S/N Respon CaO
Gambar 4.6. Pengaruh Interaksi Terhadap Rasio S/N Respon CaO
Tabel 4.15. ANOVA Terhadap Variansi Respon CO2
Source DF SS MS F Hitung
F Tabel
P Value
Signifikan
A 1 0.016170 0.016170 0.73 8.53 0.484
B 1 0.188844 0.188844 8.48 8.53 0.100
C 1 0.345844 0.345844 15.52 8.53 0.059 Signifikan
AB 1 0.017415 0.017415 0.78 8.53 0.470
BC 1 0.000363 0.000363 0.02 8.53 0.910
Error 2 0.044555 0.022278
Total 7 0.613191
49
Gambar 4.7. Pengaruh Faktor Terhadap Rasio S/N Respon CO2
Gambar 4.8. Pengaruh Interaksi Terhadap Rasio S/N Respon CO2
Dari tabel diatas terlihat bahwa faktor B dan C berpengaruh secara signifikan
terhahap variabilitas respon CaO maupun respon CO2.
4.4.2.3 Pooling Faktor & Persen Konstribusi
Tabel ANOVA untuk konstribusi faktor sebagaimana pada tabel 4.16 & 4.17.
Tabel 4.16. ANOVA Untuk Kontribusi Rasio S/N Respon CaO
Source Pool DF SS MS F Hitung SS’ P ( % )
A 1 0.004314 0.004314 1.16
B 1 0.031827 0.031827 8.54 0.03 4.71
C 1 0.578245 0.578245 155.18 0.58 92.50
AB Y 1 0.000113 0.000113 0.03
BC 1 0.000476 0.000476 0.13
Error 3 0.007566 0.002522 0.02 2.80
Total 7 0.622428
50
Tabel 4.17. ANOVA Untuk Kontribusi Rasio S/N Respon CO2
Source Pool DF SS MS F Hitung SS’ P ( % )
A 1 0.016170 0.016170 0.73
B 1 0.188844 0.188844 8.48
C 1 0.345844 0.345844 15.52 0.33 53.96
AB 1 0.017415 0.017415 0.78
BC Y 1 0.000363 0.000363 0.02
Error 3 0.044918 0.014973 0.28 46.04
Total 7 0.613191
4.4.2.4 Kombinasi Level Optimum
Pada tabel 4.18. dan 4.19. menunjukkan besarnya respon dari pengaruh faktor
berdasarkan rasio S/N.
Tabel 4.18. Tabel Respon Dari Pengaruh Faktor Berdasarkan Rasio S/N CaO
Faktor Level
A B C
Level 1 36.87 36.91 37.12
Level 2 36.83 36.79 36.58
Selisih 0.05 0.13 0.54
Rangking 3 2 1
Tabel 4.19. Tabel Respon Dari Pengaruh Faktor Berdasarkan Rasio S/N CO2
Faktor Level
A B C
Level 1 -65.75 -65.94 -65.58
Level 2 -65.84 -65.64 -66.00
Selisih 0.09 0.31 0.42
Rangking 3 2 1
51
Dari tabel diatas maka dapat diketahui faktor–faktor yang paling berpengaruh
terhadap tinggi rendahnya kadar CaO secara berturut-turut adalah faktor C, B, A.
Kombinasi level faktor optimum berdasarkan S/N adalah faktor C1, B1, A1.
Sedangkan faktor-faktor yang paling berpengaruh terhadap dampak
lingkungan berupa kandungan CO2 adalah faktor C, B, A. Kombinasi level faktor
optimum berdasarkan S/N adalah faktor C1, B2, A1 .
4.4.3 Prediksi Optimum Individual Respon
Faktor–faktor yang berpengaruh secara signifikan terhadap rata-rata respon
CaO adalah faktor C level 1, faktor B level 1. Sedangkan faktor–faktor yang
berpengaruh secara signifikan terhadap rata-rata respon CO2 adalah faktor C level 1.
Faktor–faktor yang berpengaruh secara signifikan terhadap rasio S/N respon CaO
adalah faktor C level 1, faktor B level 1. Sedangkan faktor–faktor yang berpengaruh
secara signifikan terhadap rasio S/N respon rata-rata CO2 faktor C level 1, sehingga
nilai prediksinya sebagaimana tabel 4.20.
Tabel 4.20. Nilai Prediksi Optimum Masing-masing Respon
μprediksi S/N prediksi
Respon CaO (%) CO2 (ppm) CaO (%) CO2 (ppm)
Value 72.39 1866.25 37.19 -65.42
4.4.4 Penentuan Faktor dan Kombinasi Secara Serempak Berdasarkan Rata-
rata
Kombinasi faktor ini merupakan kombinasi faktor yang optimal untuk kedua
variabel respon yang diamati, baik itu untuk respon parameter kualitas (kadar CaO)
maupun untuk respon parameter lingkungan (kandungan/part CO2). Ini bisa dengan
52
mudah diketahui bilamana dalam eksperimen sebelumnya diketahui bahwa faktor
yang berpengaruh secara signifikan untuk kedua respon adalah sama (berikut dengan
level faktornya). Pada ekperimen sebelumnya diketahui bahwa faktor yang
berpengaruh secara signifikan terhadap kadar/konsentrasi CaO adalah C1, B1. Sedang
untuk respon kadar CO2 faktor signifikan itu adalah C1, B2. Karena faktor yang
berpengaruh terhadap kedua respon tidak mempunyai kesamaan maka kombinasi
faktor ini masih harus dicari lagi dengan menggunakan prosedur TOPSIS.
Prosedur TOPSIS digunakan untuk mengagregasi dua kombinasi optimal
yang berbeda untuk tiap variabel responnya dengan mempertimbangkan bobot relatif
tiap variabel respon. Untuk itu pada penentuan kombinasi level faktor yang optimal
dengan prosedur ini diperlukan adanya pembobotan. Pembobotan ini dilakukan
untuk mengetahui respon mana yang lebih dipentingkan oleh pihak perusahaan.
Adapun hasil nilai-nilai TOPSIS untuk eksperimen ini adalah sebagaimana
tercantum pada tabel 4.21. Perhitungan nilai TOPSIS disajikan pada lampiran 2.
Tabel 4.21. Nilai TOPSIS Eksperimen (Mean)
KOLOM
A B C
Ci
1 1 1 0.419
1 1 2 0.514
2 2 1 0.606
2 2 2 0.627
1 2 1 0.592
1 2 2 0.659
2 1 1 0.436
2 1 2 0.365
Dari hasil perhitungan pada tabel 4.21. kemudian dihitung rata-rata nilai TOPSIS untuk
tiap faktor utama. Print out dengan Software Minitab 14 seperti pada lampiran 6.
53
Tabel 4.22. Nilai rata-rata TOPSIS Faktor Utama (Mean)
Faktor Level Rata-rata TOPSIS Kondisi
Level 1 0.5460 Faktor A
Level 2 0.5086 Optimal
Level 1 0.4335 Optimal Faktor B
Level 2 0.6211
Level 1 0.5131 Optimal Faktor C
Level 2 0.5415
Dari tabel 4.22. diketahui bahwa faktor-faktor utama yang mempunyai nilai TOPSIS
terkecil adalah A2, B1 dan C1 secara signifikan terhadap kedua respon secara
serempak.
4.4.5 Penentuan Faktor dan Kombinasi Secara Serempak Berdasarkan rasio
S/N
Perhitungan detail nilai TOPSIS disajikan pada lampiran 3. Print out data
TOPSIS dapat dilihat pada lampiran 7.
Tabel 4.23. Nilai TOPSIS Eksperimen (S/N)
KOLOM
A B C
Ci
1 1 1 0.210
1 1 2 0.670
2 2 1 0.117
2 2 2 0.774
1 2 1 0.169
1 2 2 0.672
2 1 1 0.220
2 1 2 0.800
54
Tabel 4.24. Nilai rata-rata TOPSIS Faktor Utama (S/N)
Faktor Level Rata-rata TOPSIS Kondisi
Level 1 0.4303 Optimal Faktor A
Level 2 0.4778
Level 1 0.4750 Faktor B
Level 2 0.4330 Optimal
Level 1 0.1790 Optimal Faktor C
Level 2 0.7290
Dari tabel 4.24. diketahui bahwa faktor-faktor utama yang mempunyai nilai TOPSIS
terkecil adalah A1, B2 dan C1 secara signifikan terhadap kedua respon secara
serempak.
4.4.6 Prediksi Optimum Respon Serempak
Faktor–faktor yang berada pada kondisi optimal berdasarkan rata-rata kedua
respon adalah faktor A level 2, faktor B level 1, faktor C level 1. Sedangkan faktor–
faktor yang berada pada kondisi optimal berdasarkan rasio S/N kedua respon adalah
faktor A level 1, faktor B level 2, faktor C level 1. Nilai prediksi optimumnya pada
tabel 4.25. & 4.26.
Tabel 4.25. Nilai Prediksi Optimum Serempak Berdasarkan Rata-rata
μ prediksi S/N prediksi
Respon CaO (%) CO2 (ppm) CaO (%) CO2 (ppm)
Value 72.07 1957.63 37.15 -65.83
Tabel 4.26. Nilai Prediksi Optimum Serempak Berdasarkan rasio S/N
μ prediksi S/N prediksi
Respon CaO (%) CO2 (ppm) CaO (%) CO2 (ppm)
Value 71.52 1866.25 37.09 -65.42
55
Dikarenakan tujuan utama dari perancangan eksperimen dengan taguchi
adalah pencapaian keseragaman output sehingga dari hasil perancangan atau
pemilihan level faktor tersebut menjadi tidak sensitif terhadap faktor lingkungan
(faktor noise) dan juga menghasilkan output yang sebagus mungkin, dan pada
penelitian ini ada muatan desain yang akrab lingkungan maka dipilih kombinasi level
faktor serempak berdasarkan rasio S/N yaitu kombinasi dari level faktor A1, B2 dan
C1.
Interval kepercayaan rata–rata prediksi konfirmasi respon CaO pada tingkat
kepercayaan 90 % dapat dirumuskan sebagai berikut :
ĆI2 = ± √ [Fα ,v1v2 x MSe x (1/n eff + 1/r)]
Dimana n eff = Jumlah eksperimen / (vμ + vB+ vC)
= (8 x 2) / (1+1+1)
= 16 / 3
= 5.33
Sehingga :
CI2 = ± √ [Fα ,v1v2 x MSe x ( 1/n eff )]
= ± √ [F0.10 ; 1 ; 2 x MSe x ( 1/5.33 + 1/2 )]
= ± √ [8.53 x 0.1527 x (0.688)]
= ± 0.95
dan interval dari μprediksi adalah :
71.52 - Cl2 < μ optimal < 71.52 + Cl2
71.52 - 0.95 < μ optimal < 71.52 + 0.95
70.57 < μ optimal < 72.47
Sedangkan interval kepercayaan rata–rata prediksi konfirmasi respon CO2
pada tingkat kepercayaan 90 % adalah ;
ĆI2 = ± √ [Fα ,v1v2 x MSe x (1/n eff)]
56
Dimana n eff = Jumlah eksperimen /(vμ + vC)
= (8 x 2) / (1+1)
= 16 / 2
= 8
Sehingga :
CI2 = ± √ [Fα ,v1v2 x MSe x ( 1/n eff + 1/r )]
= ± √ [F0.10 ; 1 ; 2 x MSe x ( 1/8 + 1/2 )]
= ± √ [8.53 x 836.8 x (0.625)]
= ± 66.79
dan interval dari μprediksi adalah :
1866.25 - Cl2 < μ optimal < 1866.25 + Cl2
1866.25 - 66.79 < μ optimal < 1866.25 + 66.79
1799.46 < μ optimal < 1933.04
4.4.7 Estimasi Saving
Eksperimen dengan kombinasi level faktor optimal yang dilakukan secara
serempak akan dapat memberikan hasil yang lebih baik. Dikarenakan minimnya dana
untuk pengujian dan eksperimen, maka sebagai pembanding antara eksperimen
sebelum dan sesudahnya adalah nilai predeksinya.
Adanya peningkatan dari kondisi awal ditunjukan dengan peningkatan rata-
rata maupun naiknya rasio S/N.
Tabel 4.27. Perbandingan Percobaan
Respon Kondisi awal A1&2B1&2C1&2
Kondisi optimum percobaan Peningkatan
Kadar CaO (%) Rata-rata = 67 Rata-rata = 71.52 4.52
Emisi CO2 (ppm) Rata-rata = *) Rata-rata = 1866.25
*) Belum pernah dilakukan pengujian emisi
57
Dari hasil pengolahan menunjukkan adanya peningkatan kualitas kadar CaO.
yang berupa peningkatan nilai rata-rata. Akan tetapi perlu dilihat kembali apakah
hasil tersebut memberikan nilai yang lebih ekonomis dari kondisi awal. Untuk itu
diperlukan analisa biaya untuk mengetahui perbedaan biaya untuk kondisi awal dan
kondisi konfirmasi.
Harga Jual CaO (Bongkahan)
250300 300 300
350 350400 410 420 430 440 450 460 470 480 490
550
0
100
200
300
400
500
600
60 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
Kadar CaO
Bia
ya D
lm R
p./K
g
Gambar 4.9. Grafik Harga Jual CaO (Bongkahan)
Sumber : PT. Petrokimia Gresik
Pada grafik diatas dapat dihitung harga jual dari produk CaO sebelum dan sesudah
kondisi optimum. Produksi untuk sekali pembakaran 25.000 kg, namun setelah
proses pembakaran berat/tonase menjadi ± 24.000 kg, hal ini dikarenakan adanya
penguapan H2O dan unsur partikel lain.
Perhitungan harga jual sebagaiman dibawah ;
Kondisi saat ini, = Rata-rata kadar CaO 67%(Harga Jual Rp. 300 /kg)
= Rp. 300 x 24.000 kg
= Rp. 7.200.000
58
Prediksi kondisi optimum,
= Rata-rata kadar CaO 71.52%(Harga Jual Rp. 410 /kg)
= Rp. 410 x 24.000 kg
= Rp. 9.840.000
Tabel 4.28. Analisa Biaya
Variabel Kondisi Awal
(A1&2B1&2C1&2)
Kondisi Optimum
Percobaan (ABC)
Bahan Baku @Rp. 100.000 x 13 truck @Rp. 200.000 x 13 truck
Bahan Pembakar @Rp. 350.000 x 9 truck @Rp. 425.000 x 9 truck
Tenaga Kerja @Rp. 400.000 x 3 orang @Rp. 400.000 x 3 orang
Overhead Rp. 500.000 Rp. 500.000
Total Rp. 6.150.000 Rp. 8.125.000
Harga kapur aktif untuk kondisi awal pada saat ini adalah Rp. 300/kg,
sedangkan harga kapur aktif apabila setting faktornya seperti pada kondisi optimum
percobaan adalah Rp. 410/kg. Hal ini disebabkan harga kapur aktif ditentukan dari
banyaknya konsentrasi/kadar CaO yang digunakan. Semakin banyak kadarnya
semakin mahal harga kapur aktif tersebut. Pada kasus ini dapatlah dibandingkan
keuntungan pada kondisi awal adalah Rp.7.200.000 - Rp.6.150.000 = Rp. 1.050.000,
sedangkan kondisi optimal adalah Rp.9.840.000 - Rp.8.125.000 = Rp. 1.715.000,
selisih antara keduanya adalah Rp. 665.000, sehingga lebih bernilai ekonomis dan
dampaknya terhadap lingkungan lebih menguntungkan.
59
Eksperimen konfirmasi berusaha untuk membuktikan keakuratan hasil yang
telah diperoleh dari hasil pengolahan data dengan kondisi yang sebelumnya dipakai
di perusahaan. Pembuktian tersebut ditunjukkan dengan ada atau tidaknya
peningkatan rata-rata dan naiknya rasio S/N. Berikut pengolahan data
eksperimenkonfirmasi :
Tabel ...... Eksperimen Konfirmasi
Respon Kondisi awal ABC
Kondisi optimum percobaan
Peningkatan
60
Kadar CaO S/N optimum = Rata-rata = Standard deviasi =
S/N optimum = Rata-rata = Standard deviasi =
Volume CO2 S/N optimum = Rata-rata = Standard deviasi =
S/N optimum = Rata-rata = Standard deviasi =
Dari hasil pengolahan menunjukkan adanya peningkatan kualitas ..... yang berupa
peningkatan nilai rasio S/N dan nilai rata-rata. Akan tetapi perlu dilihat kembali
apakah hasil tersebut memberikan nilai yang lebih ekonomis dari kondisi awal.
Untuk itu diperlukan analisa biaya untuk mengetahui perbedaan biaya untuk kondisi
awal dan kondisi konfirmasi.
Tabel .... Analisa Biaya Eksperimen Konfirmsi
Faktor Kondisi Awal
(ABC)
Kondisi Optimum
Percobaan (ABC)
Jenis Bahan Baku Biaya
Jenis Bahan Pembakar Biaya
Ukuran Partikel Batu Biaya
Harga kapur aktif untuk kondisi awal pada saat ini adalah Rp....., sedangkan harga
kapur aktif apabila setting faktornya seperti pada kondisi optimum percobaan adalah
Rp...... Hal ini disebabkan harga kapur aktif ditentukan dari banyaknya ..... yang
digunakan. Semakin banyak .....yang digunakan semakin mahal harga kapur aktif
tersebut. Pada kasus ini ....
Perhitungan Quality Loss
Pada tahap ini dilakukan perhitungan terhadap quality loss masing-masing respon
dengan menggunakan loss function. Fungsi kerugian untuk masing-masing respon
adalah :
Untuk respon kadar CaO mempunyai karakteristik kualits lebih besar lebih baik,
fungsi kerugiannya :
61
∑=
=r
k yijkrKLij
12
11
Untuk respon volume CO2 mempunyai karakteristik kualits lebih kecil lebih baik,
fungsi kerugiannya :
∑=
=r
k
yijkr
KLij1
21
Lij : fungsi kerugian untuk respon ke-j pada kondisi perlakuan ke-i
Yijk : nilai pengamatan untuk respon ke-j pada kondisi perlakuan ke-i dan
pengulangan ke-k
r : jumlah pengulangan
k : merupakan koefisien loss function yang diperoleh berdasarkan informasi
dari pihak perusahaan.
Bila harga pokok produksi kapur aktif sebesar Rp. 250,- per kg. Biaya tersebut
meliputi bahan baku, bahan pembakar dan tenaga kerja dan biaya overhead. Lama
proses produksi kapur aktif 9 hari, mulai dari penataan/penyusunan bahan baku di
tungku sampai dengan pengambilan kapur (kapur aktif) sebagai hasil
pembakarannya. Jika proses produksi yang dilakukan menghasilkan 24.000 kg kapur
aktif dalam jangka waktu sembilan hari, maka biaya produksi per kg per hari adalah
Rp. 666.667,-.
Batas spesifikasi :
a. Respon kadar CaO : 70% (Minimum)
b. Respon parameter CO2 : 1900 ppm (Maksimum)
Waktu yang dibutuhkan untuk pengerjaan lanjutan produk yang tidak memenuhi
spesifikasi :
a. Respon kadar CaO : 9 hari / 24.000 kg = 0,000375 hari/kg
b. Respon parameter CO2 : 9 hari / 24.000 kg = 0,000375 hari/kg
Dari hasil perhitungan, diperoleh nilai koefisien fungsi kerugian :
Untuk respon kadar CaO
62
K1 = 666.667 x 0,000375 / 702 = 0,051
Untuk respon parameter CO2
K1 = 666.667 x 0,000375 / 19002 = 0,000069
Dengan demikian bentuk fungsi kerugian untuk masing-masing respon dengan
jumlah pengulangan percobaan dua kali (r = 2) adalah :
Untuk respon kadar CaO
Lij = 0,0255 Σ 1/Yijk2
Untuk respon parameter CO2
Lij = 3,45 x 10-5 Σ Yijk2
63
Tabel 17. Tabel Respon Pengaruh Faktor Berdasarkan Rata-rata Respon CaO
Faktor A B C
Level 1 69.80 70.12 71.77 Level 2 69.44 69.11 67.46 Selisih 0.36 1.01 4.31 Rangking 3 2 1
Tabel 18. Tabel Respon Pengaruh Faktor Berdasarkan Rata-rata Respon CO2
Faktor A B C
Level 1 1937 1983 1902 Level 2 1959 1914 1995 Selisih 22 69 93 Rangking 3 2 1 Tabel 26. Tabel Respon Dari Pengaruh Faktor Berdasarkan Rasio S/N CaO
Faktor A B C
Level 1 36.87 36.91 37.12 Level 2 36.83 36.79 36.58 Selisih 0.05 0.13 0.54 Rangking 3 2 1 Tabel 27. Tabel Respon Dari Pengaruh Faktor Berdasarkan Rasio S/N CO2
Faktor A B C
Level 1 -65.75 -65.94 -65.58 Level 2 -65.84 -65.64 -66.00 Selisih 0.09 0.31 0.42 Rangking 3 2 1
Tabel 31. Nilai rata-rata TOSIS faktor utama (Mean)
Faktor Level Rata-rata TOPSIS Kondisi Level 1 0.5460 Faktor A Level 2 0.5086 Optimal Level 1 0.4335 Optimal Faktor B Level 2 0.6211 Level 1 0.5131 Optimal Faktor C Level 2 0.5415
Tabel 31. Nilai rata-rata TOSIS faktor utama (S/N)
Faktor Level Rata-rata TOPSIS Kondisi Level 1 0.4303 Optimal Faktor A Level 2 0.4778 Level 1 0.4750 Faktor B Level 2 0.4330 Optimal Level 1 0.1790 Optimal Faktor C Level 2 0.7290
64
Tabel ...... Perbandingan Level Faktor Optimal
Mean Rasio S/N Level
Faktor CaO CO2 CaO CO2
Topsis
Mean
Topsis
S/N
A 1 1 1 1 2 1
B 1 2 1 2 1 2
C 1 1 1 1 1 1
65
27
4.4.1 Rata-rata
Rasio signal terhadap noise digunakan untuk meneliti pengaruh fakor noise terhadap variasi yang timbul. Tabel ….. Hasil perhitungan
S/N rasio respon CaO dan CO2.
Tabel … Rata-rata Variabel Respon
Rata-rata Eksperimen
Respon CaO Respon CO2
1 72.405 1937.5 2 68.150 1986.0 3 71.445 1856.0 4 66.375 1972.5 5 71.180 1878.0 6 67.455 1947.5 7 72.050 1935.5 8 67.875 2072.5
4.4.2 Analisa Variansi ( ANOVA )
Untuk menguji hipotesa mengenai faktor – faktor yang berpengaruh terhadap variabel respon digunakan uji analisa variansi.
Tabel 4.4. : ANOVA Terhadap Rata-rata Respon CaO
Source DF SS MS F P Signifikan
A 1 0.2610 0.2610 1.15 0.396
28
B 1 2.0251 2.0251 8.92 0.096 Signifikan
C 1 37.0876 37.0876 163.43 0.006 Signifikan
AB 1 0.0043 0.0043 0.02 0.903
BC 1 0.0167 0.0167 0.07 0.812
Error 2 0.4539 0.2269
Total 7 39.8484
Tabel 4.4. : ANOVA Terhadap Rata-rata Respon CO2
Source DF SS MS F P Signifikan
A 1 957.0 957.0 0.76 0.475
B 1 9625.8 9625.8 7.67 0.109
C 1 17251.5 17251.5 13.74 0.066 Signifikan
AB 1 830.3 830.3 0.66 0.501
BC 1 0.0 0.0 0.00 0.996
error 2 2510.3 1255.2
Total 7 31175.0
29
Untuk mencari kesignifikan suatu faktor dengan membandingkan nilai P (P Value) terhadap α (tingkat signifikan). Dalam hal ini
α = 10% sehingga apabila P value > α maka faktor tidak signifikan dan P value < α maka faktor signifikan. Dapat juga dilakukan
dengan statistik uji F dengan membandingkan F hitung dengan F tabel, dimana jika F hitung > F tabel dapat dikatakan faktor signifikan
dan sebaliknya jika F hitung < F tabel dapat dikatakan faktor tersebut tidak signifikan. F hitung dapat dicari dengan membagi mean
square setiap faktor ( Msi ) dengan square error ( Mse ).
4.4.3 Pooling Faktor & Persen Konstribusi
Pooling faktor dimulai dari jumlah kuadrat terkecil dari faktor yang tidak signifikan digabungkan dengan jumlah kesalahan
(error).
Untuk mengetahui seberapa besar kontribusi yang diberikan oleh masing – masing faktor terhadap respon dilakukan dengan cara
menghitung pure sum of squares (SS’) = SS – ( Mse x Dfi )
Selanjutnya untuk menghitung persen kontribusi ( % P ) menggunakan rumus sebagai berikut :
% P = %100' xSSfaktorSS
T
Hasil selengkapnya dari tabel ANOVA untuk kontribusi faktor dapat ditunjukkan pada tabel 4.7
30
Tabel 4.7 : ANOVA Untuk Kontribusi Respon CaO
Source Pool DF SS MS F Hitung SS’ P ( % )
A Y 1 0.2610 0.2610 1.15 B 1 2.0251 2.0251 8.92 1.88 4.71C 1 37.0876 37.0876 163.43 36.94 92.70
AB Y 1 0.0043 0.0043 0.02 BC Y 1 0.0167 0.0167 0.07
Error 5 0.7359 0.1472 1.03 2.59Total 7 39.8486
Tabel 4.7 : ANOVA Untuk Kontribusi Respon CO2
Source Pool DF SS MS F Hitung SS’ P ( % )
A Y 1 957.0 957.0 0.76 B Y 1 9625.8 9625.8 7.67 C 1 17251.5 17251.5 13.74 14930.93 47.89
AB Y 1 830.3 830.3 0.66 BC Y 1 0.0 0.0 0.00
Error 6 13923.4 2320.6 16243.97 52.11Total 7 31174.9
4.4.4 Kombinasi Level Optimum
31
Dari rangkuman hasil penelitian yang dilakukan dengan 2 (dua) replikasi pada tabel 4.3. maka dapat dihitung respon dari setiap
faktor. Tabel respon setiap faktor dapat dilihat pada tabel 4.8
Tabel 4.8 : Tabel Respon Dari Pengaruh Faktor Berdasarkan Rata-rata CaO
Faktor
A B C
Level 1 69.80 70.12 71.77
Level 2 69.44 69.11 67.46
Selisih 0.36 1.01 4.31
Rangking 3 2 1
Tabel 4.8 : Tabel Respon Dari Pengaruh Faktor Berdasarkan Rata-rata CO2
Faktor
A B C
Level 1 1937 1983 1902
Level 2 1959 1914 1995
Selisih 22 69 93
Rangking 3 2 1
32
Dari tabel diatas maka dapat diketahui faktor – faktor yang paling berpengaruh terhadap tinggi rendahnya kadar CaO secara
berturut-turut adalah faktor C, B, A. Kombinasi level faktor optimum berdasarkan rata-rata kadar CaO adalah faktor C1, B1, A1 .
Sedangkan faktor-faktor yang paling berpengaruh terhadap dampak lingkungan berupa kandungan CO2 adalah faktor C, B, A.
Kombinasi level faktor optimum berdasarkan S/N adalah faktor C1, B2, A1 .
Selanjutnya dengan tingkat kepercayaan 90%, maka interval kepercayaan dari setiap level faktor sebagaimana tercantum dalam
tabel 4.9.
Tabel 4.9 : Interval Kepercayaan 90% Dari Rata-rata CaO
Interval Kepercayaan Faktor Level
Rata – rata
Respon ( % ) Rendah Tinggi
1 69.80 69.61 69.99 A 2 69.44 69.25 69.63
33
1 70.12 69.93 70.31 B 2 69.11 68.92 69.30 1 71.77 71.58 71.96 C 2 67.46 67.27 67.65
Tabel 4.9 : Interval Kepercayaan 90% Dari Rata-rata CO2
Interval Kepercayaan Faktor Level
Rata – rata
Respon ( % ) Rendah Tinggi
1 1937 1913.59 1960.41 A 2 1959 1935.59 1982.41 1 1983 1959.59 2006.41 B 2 1914 1890.59 1937.41 1 1902 1878.59 1925.41 C 2 1995 1971.59 2018.41
4.4.5 Prediksi S/N Optimum
34
S/N yang optimum dicapai pada rata – rata S/N level yang tertinggi. Respon dikatakan optimal jika kombinasi level dari faktor
yang signifikan menghasilkan penyimpangan terkecil. Selanjutnya taksiran S/N optimal dihitung dari beberapa faktor yang signifikan,
sedangkan faktor yang tidak signifikan tidak diikut sertakan dalam model.
Dari uraian diatas diketahui bahwa faktor – faktor yang berpengaruh signifikan terhadap respon CaO faktor C level 1, faktor B
level 1, sehingga model persamaan prediksi dapat dituliskan sebagai berikut :
μprediksi = Ў + [( C1 – Ў ) + ( B1 – Ў ) ]
= 69.62 + [( 71.77 – 69.62 ) + ( 70.12 – 69,62 )]
= 69,62 + ( 2.65 )
= 72.27
Sedangkan interval kepercayaan rata – rata respon pada tingkat kepercayaan 90 % dapat dirumuskan sebagai berikut :
ĆI2 = ± √ [Fα ,v1v2 x MSe x (1/n eff)]
Dimana n eff = Jumlah eksperimen
vμ + vB+ vC
= (8 x 2) / (1+1+1)
35
= 16 / 3
= 5.33
Sehingga :
CI2 = ± √ [Fα ,v1v2 x MSe x ( 1/n eff )]
= ± √ [F0.10 ; 1 ; 5 x MSe x ( 1/5.33 )]
= ± √ [4.06 x 0.1472 x (1/5.33 )]
= ± 0.33
dan interval dari μprediksi adalah :
72.27 - Cl2 < S/N optimal < 72.27 + Cl2
72.27 - 0.33 < S/N optimal < 72.27 + 0.33
71.94 < S/N optimal < 72.6
Sedangkan faktor – faktor yang berpengaruh signifikan terhadap respon CO2 faktor C level 1, sehingga model persamaan
prediksinya :
μprediksi = Ў + [( C1 – Ў )]
= 1948.33 + [( 1902 – 1948.19 )]
= 1948.33 + ( -46.19 )
= 1902.14
36
Interval kepercayaan rata – rata pada tingkat kepercayaan 90 % dapat dirumuskan sebagai berikut :
ĆI2 = ± √ [Fα ,v1v2 x MSe x (1/n eff)]
Dimana n eff = Jumlah eksperimen
vμ + vC
= (8 x 2) / (1+1)
= 16 / 2
= 8
Sehingga :
CI2 = ± √ [Fα ,v1v2 x MSe x ( 1/n eff )]
= ± √ [F0.10 ; 1 ; 6 x MSe x ( 1/8 )]
= ± √ [3.78 x 2320.6 x (1/8 )]
= ± 33.11
dan interval dari μprediksi adalah :
1902.14 - Cl2 < S/N optimal < 1902.14 + Cl2
1902.14 - 33.11 < S/N optimal < 1902.14 + 33.11
1869.03 < S/N optimal < 1935.25
37