Skip to content
Kembali ke hasil pencarian

Desain Eksperimen — DOE

Diperkenalkan oleh
Ronald A. Fisher
Tahun
1935
Jenis
Experimental planning framework
Keluarga
Engineering methods

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Desain Eksperimen (DOE) adalah kerangka kerja sistematis untuk merencanakan, melakukan, dan menganalisis eksperimen terkontrol untuk menentukan bagaimana beberapa faktor masukan secara bersamaan memengaruhi satu atau lebih respons.

Diperkenalkan oleh Ronald A. Fisher pada tahun 1935, DOE memungkinkan peneliti dan insinyur untuk mengidentifikasi hubungan sebab-akibat, mengukur efek faktor, dan menemukan pengaturan optimal secara efisien — menggunakan lebih sedikit percobaan dibandingkan pendekatan satu-faktor-pada-satu-waktu. Ini adalah dasar dalam teknik, manufaktur, pertanian, dan ilmu terapan.

Intuisi di balik metode

Misalkan Anda ingin meningkatkan hasil proses kimia dan menduga bahwa suhu, tekanan, dan waktu reaksi semuanya penting — tetapi menguji setiap kombinasi secara individual akan memakan waktu berbulan-bulan. DOE memecahkan masalah ini dengan menetapkan serangkaian percobaan terstruktur yang, bersama-sama, memungkinkan Anda memperkirakan efek setiap faktor dan semua interaksinya secara bersamaan. Wawasan kuncinya adalah bahwa dengan mengubah beberapa faktor sekaligus dalam pola yang disengaja, Anda mengumpulkan informasi yang jauh lebih banyak per percobaan daripada dengan hanya mengubah satu hal pada satu waktu, dan Anda dapat mendeteksi interaksi sinergis atau antagonis yang sama sekali tidak akan terdeteksi oleh pendekatan satu-faktor.

Sejarah

Ronald A. Fisher mengembangkan prinsip-prinsip dasar desain eksperimental — randomisasi, replikasi, dan pemblokiran — saat bekerja di Rothamsted Experimental Station dan menerbitkannya dalam The Design of Experiments (1935). Frank Yates dan Oscar Kempthorne memperluas dasar-dasar teoretis melalui tahun 1940-an dan 1950-an. George Box dan rekan-rekannya memelopori metodologi permukaan respons pada tahun 1950-an, mengadaptasi DOE untuk optimasi proses. Genichi Taguchi memperkenalkan pendekatan array ortogonalnya untuk desain teknik yang kuat pada tahun 1980-an. Buku teks Douglas Montgomery (edisi pertama 1976, sekarang edisi kesembilan) menjadi referensi industri standar.

Kapan digunakan

DOE adalah metode pilihan kapan pun Anda perlu memahami atau mengoptimalkan proses yang memiliki banyak masukan terkontrol dan keluaran terukur, dan di mana biaya eksperimen yang tidak terencana tinggi. Ini ideal untuk pengembangan proses, formulasi produk, optimasi teknik, dan peningkatan kualitas. Gunakan DOE ketika Anda dapat secara aktif mengatur tingkat faktor dan mengontrol kondisi eksperimental. Jangan gunakan ketika faktor tidak dapat dimanipulasi (hanya data observasional — gunakan regresi atau desain studi observasional sebagai gantinya), ketika Anda hanya memiliki satu faktor untuk divariasikan (eksperimen terkontrol sederhana sudah cukup), atau ketika eksperimen fisik terlalu mahal dan pengganti simulasi komputer (metamodel) belum dibangun terlebih dahulu.

Batasan dan pertimbangan

  • Membutuhkan kemampuan untuk secara aktif mengontrol dan mengatur tingkat faktor — pengaturan observasional murni berada di luar cakupan.
  • Desain faktorial penuh tumbuh secara eksponensial dengan jumlah faktor, membuatnya tidak praktis untuk lebih dari lima atau enam faktor tanpa fraksinasi.
  • Validitas model bergantung pada resolusi desain yang dipilih; desain fraksional resolusi rendah mengacaukan efek utama dengan interaksi, yang berpotensi menyesatkan kesimpulan.
  • Mengasumsikan proses yang stabil selama eksperimen; pergeseran proses atau perubahan yang tidak terkontrol membatalkan asumsi randomisasi.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Memperkirakan semua efek utama dan interaksi secara bersamaan, mengungkapkan sinergi yang tidak terdeteksi oleh eksperimen satu-faktor-pada-satu-waktu.
  • Secara dramatis mengurangi jumlah total percobaan yang dibutuhkan dibandingkan dengan pengujian satu-faktor-pada-satu-waktu yang menyeluruh.
  • Randomisasi dan pemblokiran memberikan dasar yang ketat untuk inferensi kausal dan uji statistik yang valid.
  • Dapat diskalakan dari desain penyaringan dua tingkat sederhana hingga optimasi permukaan respons yang kompleks dalam kerangka kerja yang sama.
  • Hasilnya dapat ditindaklanjuti secara langsung: pengaturan optimal, persamaan prediksi, dan interval kepercayaan pada efek.

Penerapan

  • Mengoptimalkan parameter proses manufaktur (suhu, tekanan, laju umpan) untuk memaksimalkan hasil dan kualitas produk.
  • Merumuskan produk konsumen — mengidentifikasi tingkat bahan dan kondisi pemrosesan yang memenuhi target sensorik dan stabilitas.
  • Pengujian keandalan yang dipercepat — menentukan faktor stres mana yang paling memengaruhi masa pakai produk.
  • Uji lapangan pertanian — mengevaluasi jenis pupuk, tingkat irigasi, dan varietas tanaman secara bersamaan.
  • Pengembangan proses farmasi dan validasi metode analitik di bawah pedoman ICH Q8/Q9.
  • Benchmarking kinerja perangkat lunak — secara sistematis memvariasikan parameter konfigurasi untuk mengidentifikasi hambatan.

Cara kerjanya

Cara kerjanya

1

Eksperimenter mendefinisikan tujuan (memaksimalkan hasil, meminimalkan cacat, memahami hubungan), mengidentifikasi variabel respons yang akan diukur, dan memilih faktor masukan serta tingkatannya. Variabel gangguan yang tidak dapat dikontrol diidentifikasi dan ditangani dengan pemblokiran atau randomisasi. Pernyataan masalah yang jelas mencegah percobaan yang terbuang untuk pertanyaan yang salah.

2

Matriks desain eksperimental dipilih berdasarkan jumlah faktor, resolusi yang diinginkan, dan anggaran percobaan yang tersedia. Pilihan berkisar dari desain faktorial penuh (semua kombinasi tingkat faktor) hingga faktorial pecahan, desain permukaan respons (Komposit Pusat, Box-Behnken), dan array Taguchi. Matriks menentukan secara tepat kombinasi faktor-tingkat mana yang akan diuji dan dalam urutan acak apa.

3

Percobaan dilakukan sesuai urutan yang ditentukan oleh desain acak. Randomisasi melindungi dari bias sistematis akibat tren waktu atau efek pembelajaran operator. Replikasi — menjalankan perlakuan yang sama lebih dari sekali — memberikan perkiraan kesalahan eksperimental murni, memungkinkan uji signifikansi yang valid.

4

Respons dimodelkan sebagai fungsi linear (atau kuadratik) dari faktor dan interaksinya: y = beta_0 + sum(beta_i * x_i) + sum(beta_ij * x_i * x_j) + epsilon. Analisis varians (ANOVA) mempartisi total variabilitas menjadi efek faktor dan kesalahan, mengidentifikasi faktor dan interaksi mana yang signifikan secara statistik. Plot efek, plot interaksi, dan diagnostik residual mendukung interpretasi.

Rumus
y = \beta_0 + \sum \beta_i x_i + \sum \beta_{ij} x_i x_j + \varepsilon
5

Efek signifikan diterjemahkan menjadi keputusan yang dapat ditindaklanjuti: pengaturan faktor optimal diidentifikasi (mungkin menggunakan optimasi permukaan respons), percobaan konfirmasi dilakukan untuk memvalidasi prediksi, dan temuan didokumentasikan. Jika asumsi utama (normalitas, varians konstan) dilanggar, transformasi atau model alternatif diterapkan sebelum menarik kesimpulan.

Kesalahan umum

  • Mengabaikan faktor penting — jika faktor kunci dikecualikan, variasinya akan meningkatkan istilah kesalahan dan dapat menutupi efek nyata; analisis sebab-akibat yang menyeluruh sebelum merancang eksperimen sangat penting.
  • Melewatkan randomisasi — menjalankan eksperimen dalam urutan sistematis (non-acak) memungkinkan pengganggu terkait waktu menyamar sebagai efek faktor, membatalkan uji signifikansi.
  • Mengabaikan interaksi — menganalisis hanya efek utama ketika interaksi yang kuat ada mengarah pada pengaturan optimal yang salah; selalu plot dan uji istilah interaksi.
  • Replikasi tidak mencukupi — tanpa replikasi tidak ada perkiraan kesalahan murni, sehingga tidak mungkin membedakan efek nyata dari kebisingan; setidaknya beberapa titik tengah atau percobaan replikasi harus disertakan.
  • Overfitting model respons — mencocokkan polinomial tingkat tinggi ke kumpulan data kecil menghasilkan persamaan yang cocok dengan data tetapi memprediksi dengan buruk; gunakan R-squared yang disesuaikan dan plot residual untuk melindungi dari ini.

Pertanyaan yang sering diajukan

Bagaimana DOE berbeda dari sekadar mencoba kombinasi yang berbeda?

Percobaan ad hoc mengubah satu faktor pada satu waktu, yang tidak dapat mendeteksi interaksi dan membutuhkan lebih banyak percobaan untuk mencakup ruang eksperimental yang sama. DOE menggunakan matriks desain yang seimbang secara statistik yang memastikan setiap faktor diuji pada setiap tingkat dalam kombinasi dengan setiap faktor lain (atau sebagian kecil yang dipilih dengan cermat), memungkinkan perkiraan simultan dari semua efek dengan jumlah percobaan minimum dan perkiraan kesalahan yang valid.

Berapa banyak faktor yang dapat saya sertakan dalam DOE?

Secara praktis, desain penyaringan (Plackett-Burman, faktorial pecahan Resolusi III) dapat menangani 7–30+ faktor secara efisien untuk mengidentifikasi faktor-faktor penting. Setelah faktor aktif diidentifikasi, desain lanjutan yang lebih kecil (permukaan respons atau faktorial penuh pada 2–5 faktor) digunakan untuk optimasi. Memulai dengan terlalu banyak faktor dalam desain terperinci membuang-buang sumber daya; mulai dari yang luas dan saring terlebih dahulu.

Apa itu resolusi dalam desain faktorial pecahan?

Resolusi menggambarkan sejauh mana efek dikacaukan. Desain Resolusi III mengacaukan efek utama dengan interaksi dua faktor — dapat diterima untuk penyaringan awal. Desain Resolusi IV mengacaukan interaksi dua faktor satu sama lain tetapi tidak dengan efek utama — lebih baik untuk memahami interaksi. Desain Resolusi V menjaga semua efek utama dan interaksi dua faktor dapat diperkirakan — lebih disukai untuk optimasi. Selalu pilih resolusi minimum yang sesuai untuk tujuan Anda.

Apakah saya memerlukan perangkat lunak khusus untuk menjalankan DOE?

Perangkat lunak secara signifikan mempermudah pembuatan desain, randomisasi, dan analisis. JMP, Minitab, Design-Expert, dan paket R (FrF2, rsm) banyak digunakan. Namun, pemahaman tentang prinsip-prinsip dasar — keseimbangan, randomisasi, kekacauan — diperlukan untuk memilih desain yang tepat dan menafsirkan hasil dengan benar; perangkat lunak saja tidak dapat menggantikan pengetahuan tersebut.

Kapan saya harus menggunakan desain permukaan respons daripada desain faktorial?

Gunakan desain faktorial ketika Anda ingin menyaring atau membandingkan faktor pada tingkat diskrit. Pindah ke desain permukaan respons (Komposit Pusat atau Box-Behnken) ketika Anda perlu memodelkan kelengkungan dalam respons dan menemukan titik operasi optimal, karena desain ini mencakup pusat dan tingkat menengah yang diperlukan untuk mencocokkan polinomial orde kedua.

Metode terkait

Sumber

  1. Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.

    Buka referensi publikasi
    Disalin.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Disalin.