Untuk menentukan apakah model yang dibangun telah cocok dengan data yang telah dikumpulkan maka dilakukan uji ketidaksesuaian terhadap model orde
pertama. Ketidaksesuaian menyatakan deviasi respon terhadap model yang dibangun. Dalam uji ini juga mengukur besar kekeliruan eksperimen yang telah
dilakukan. Dari uji yang dilakukan dapat dilihat bahwa tidak ada ketidaksesuaian, hal
ini terlihat dari F
hit
0.08 yang lebih kecil dari F
tabel
5.41 pada model persamaan regresi yang berupa model linier sehingga dapat simpulkan bahwa tidak ada
ketidaksesuaian terhadap model yang dibangun. Karena tidak ada ketidaksesuaian pada model orde pertama, maka penelitian dapat dilanjutkan ke tahap berikutnya
yaitu tahap Steepest Descent.
6.4. Analisis
Steepest Descent
Setelah model orde pertama diperoleh, langkah selanjutnya adalah melakukan prosedur Steepest Descent, yang bertujuan mencari wilayah yang
memberikan nilai minimum dari fungsi model orde pertama. Hasil yang diperoleh dari prosedur ini dapat dilihat pada Tabel 6.1.
Tabel 6.1. Perhitungan Pergerakan Level pada Metode Steepest Descent
Prosedur x
1
x
2
x
3
Perubahan relatif pada unit desain b
i
4.375 4.375
-4.375 Unit origin 1 unit desain
2 2
1 Perubahan relatif pada unit origin
8.75 8.75
-4.375 Perubahan per n pada variabel i
∆ 1
1 -0.5
Universitas Sumatera Utara
Tabel 6.1. Perhitungan Pergerakan Level pada Metode Steepest Descent
Lanjutan
Pergerakan steepest descent
x
1
x
2
X
3
Hasil Percobaan
kg
Level awal origin=o 135
115 30
Pergerakan Level o + n ∆; n = 1
136 116
29.5 280
Pergerakan Level o + n ∆; n = 2
137 117
29 140
Pergerakan Level o + n ∆; n = 3
138 118
28.5 175
Dari Tabel 6.1. dapat dilihat bahwa level yang memberikan nilai jumlah cacat minimum adalah level di pergerakan ke n = 2, dengan jumlah cacat 140 kg
produk, temperatur burner 1 = 137 °C, temperatur burner 2 = 117 °C dan lama
waktu pengepressan = 29 detik. Setting ini ditetapkan sebagai titik origin untuk penelitian berikutnya karena sesuai tujuan penelitian yaitu eksplorasi menuju
wilayah optimum dimana dalam hal ini adalah optimisasi untuk minimisasi fungsi. Dari penentuan titik origin ini, langkah selanjutnya adalah penentuan titik
di level 1 dan -1. Hasil penentuan yang diperoleh dapat dilihat pada Tabel 6.2. Titik ini akan digunakan sebagai titik untuk penentuan model orde kedua.
Tabel 6.2. Nilai Faktor setelah Steepest Descent
Faktor -1
1
Temperatur Burner 1, x
1
˚C 135
137 139
Temperatur Burner 2, x
2
˚C 115
117 119
Lama waktu pengepresan, x
3
detik 28
29 30
Universitas Sumatera Utara
6.5. Analisis Model Orde Kedua
Setelah nilai faktor baru telah ditentukan dari steepest descent, selanjutnya dilakukan penentuan model orde kedua menggunakan Central Composite Design
CCD dimana di dalam CCD terdapat star points α. Dalam hal ini nilai α adalah
= ± 1,68. Nilai setting untuk α = ± 1,68 pada masing – masing faktor dapat
dilihat pada Tabel 6.3.
Tabel 6.3. Nilai α untuk Masing-masing Faktor
α Temperatur
Burner 1
o
C Temperatur
Burner 2
o
C Lama waktu pengepressan
detik
1,68 140
120 31
-168 134
114 27
Penggunaan CCD memiliki 15 perlakuan antara lain: 8 perlakuan dititik kubik, 6 perlakukan di titik star α dan 1 perlakuan dititik pusat. Perlakuan yang
lebih banyak daripada desain pada model orde pertama adalah untuk eksplorasi disekitar wilayah optimum. Setting faktor yang telah ditentukan tersebut
digunakan dalam pengumpulan data. Hasil pengolahan data untuk menghasilkan model orde kedua memperoleh hasil yaitu:
Y = 75.166 – 3.475x
1
– 4.292x
2
– 3.475x
3
+ 2.15x
1 2
+ 8.291x
2 2
+ 1.902x
3 2
– 26.25x
1
x
3
Untuk menentukan apakah model yang dibangun telah cocok dengan data yang telah dikumpulkan maka dilakukan uji ketidaksesuaian terhadap model orde
kedua. Ketidaksesuaian menyatakan deviasi respon terhadap model yang
Universitas Sumatera Utara
dibangun. Dalam uji ini juga mengukur besar kekeliruan eksperimen yang telah dilakukan.
Dari hasil pengujian yang dilakukan dapat diketahui bahwa tidak ada ketidaksesuaian pada model orde kedua yang dibangun. Hal ini terlihat dari F
hit
0.39 yang lebih kecil dari F
tabel
4.77 pada model persamaan regresi yang berupa model linier dan kuadratis sehingga dapat disimpulkan bahwa tidak ada
ketidaksesuaian terhadap model yang dibangun. Karena tidak ada ketidaksesuaian pada model kedua, maka tahap berikutnya adalah penentuan nilai optimum faktor.
6.6. Analisis