Eksperimen Faktorial Pecahan — Desain Eksperimen Faktorial Pecahan
- Diperkenalkan oleh
- D. J. Finney (formal development); foundations in Ronald Fisher's factorial design work
- Tahun
- 1945 (Finney); broader development 1950s–1970s by Box, Hunter
- Jenis
- Quantitative experimental design
- Keluarga
- Experimental design
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Eksperimen faktorial pecahan adalah desain eksperimen yang efisien sumber daya yang menguji hanya sebagian kecil dari semua kemungkinan kombinasi faktor-tingkat yang dipilih dengan cermat.
Dengan memanfaatkan prinsip bahwa interaksi tingkat tinggi biasanya dapat diabaikan, desain ini mengidentifikasi efek utama dan interaksi tingkat rendah dari k faktor menggunakan jauh lebih sedikit percobaan dibandingkan desain faktorial penuh — menjadikannya alat utama eksperimen penyaringan industri dan rekayasa.
Intuisi di balik metode
Misalkan Anda ingin mempelajari 7 faktor, masing-masing pada dua tingkat. Faktorial penuh akan membutuhkan 128 percobaan — tidak praktis dan mahal. Faktorial pecahan mengambil sebagian strategis yang dipilih (setengah atau seperempat) dari kombinasi tersebut: 64 atau 32 percobaan. Triknya adalah setiap percobaan yang dihilangkan sesuai dengan interaksi tingkat tinggi yang hampir pasti nol dalam praktik. Anda menukar kemampuan untuk memperkirakan interaksi yang tidak mungkin tersebut dengan pengurangan biaya eksperimental yang dramatis, sambil tetap menangkap efek yang paling penting. Kuncinya adalah mengetahui persis efek mana yang terkonjugasi (teralias) satu sama lain, sehingga Anda dapat menafsirkan hasil dengan benar.
Sejarah
Desain faktorial pecahan tumbuh dari karya dasar Ronald Fisher tentang eksperimen faktorial di Stasiun Eksperimen Rothamsted pada tahun 1920-an dan 1930-an. D. J. Finney secara formal memperkenalkan replikasi pecahan dalam makalah tahun 1945 di Annals of Eugenics, menunjukkan bahwa sebagian kecil percobaan yang dipilih dengan cermat dapat memperkirakan efek utama sambil hanya mengorbankan interaksi tingkat tinggi. George Box, J. Stuart Hunter, dan William Hunter mempopulerkan dan mensistematisasikan metodologi untuk eksperimen industri melalui seri buku teks mereka yang berpengaruh mulai tahun 1978, menetapkan resolusi dan aliasing sebagai konsep kunci yang digunakan praktisi saat ini. Desain tersebut tetap menjadi landasan pelatihan Six Sigma, Design of Experiments (DOE), dan rekayasa kualitas di seluruh dunia.
Kapan digunakan
Gunakan desain faktorial pecahan ketika Anda memiliki banyak faktor (biasanya lima atau lebih) untuk disaring dan tidak mampu melakukan faktorial penuh, ketika sumber daya (waktu, materi, biaya) terbatas, dan ketika interaksi tingkat tinggi diasumsikan dapat diabaikan — asumsi yang masuk akal di sebagian besar pengaturan fisik, kimia, dan rekayasa. Ini adalah langkah pertama standar dalam strategi eksperimen berurutan (penyaringan → optimasi). JANGAN gunakan ketika Anda perlu memperkirakan semua interaksi tingkat tinggi (gunakan faktorial penuh sebagai gantinya), ketika Anda memiliki kurang dari empat atau lima faktor (faktorial penuh terjangkau), ketika aliasing interaksi dua faktor tidak dapat diterima tanpa percobaan lanjutan, atau ketika permukaan respons perlu dikarakterisasi secara rinci (gunakan metodologi permukaan respons sebagai gantinya).
Batasan dan pertimbangan
- Aliasing berarti beberapa efek tidak dapat diperkirakan secara independen dalam satu pecahan; menyelesaikan alias memerlukan percobaan tambahan.
- Asumsi bahwa interaksi tingkat tinggi dapat diabaikan mungkin tidak berlaku dalam sistem biologis, sosial, atau kompleks.
- Memerlukan literasi statistik untuk menentukan generator dengan benar, memeriksa resolusi, dan menafsirkan pola alias.
- Dengan sangat sedikit percobaan (misalnya, desain Resolusi III 8-percobaan untuk 7 faktor), hanya ada sedikit kekuatan untuk mendeteksi semua kecuali efek besar.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Secara dramatis mengurangi jumlah percobaan dibandingkan dengan faktorial penuh, menghemat waktu dan sumber daya.
- Struktur alias yang sistematis berarti peneliti selalu tahu persis efek mana yang terkonjugasi — tidak ada ambiguitas tersembunyi.
- Sekuensial dan dapat digabungkan: pecahan dapat dilipat balik atau digabungkan dengan pecahan baru untuk menghilangkan alias efek penting pada tahap kedua.
- Didukung secara luas dalam perangkat lunak statistik (R, SAS, JMP, Minitab) dan didokumentasikan secara ekstensif dalam literatur.
- Struktur desain ortogonal membuat estimasi parameter menjadi mudah dan efisien secara statistik.
Penerapan
- Menyaring puluhan variabel proses dalam manufaktur kimia atau farmasi untuk mengidentifikasi beberapa yang paling memengaruhi hasil atau kemurnian.
- Mengoptimalkan perlakuan pertanian — kombinasi pupuk, irigasi, pestisida — selama musim tanam dengan plot terbatas.
- Studi desain produk rekayasa di mana parameter material, geometri, dan proses semuanya harus dieksplorasi dalam anggaran prototipe yang tetap.
- Eksperimen perangkat lunak dan web (bendera fitur, elemen UI) ketika menjalankan faktorial penuh di banyak fitur secara bersamaan tidak memungkinkan.
- Pengembangan metode kimia analitik — mengidentifikasi konsentrasi reagen, suhu, dan pengaturan instrumen mana yang mendorong kinerja uji.
- Proyek peningkatan kualitas dalam manufaktur menggunakan kerangka kerja DMAIC atau Six Sigma.
Cara kerjanya
Cara kerjanya
Identifikasi semua k faktor yang akan diselidiki dan tetapkan tingkatnya (biasanya dua tingkat — rendah dan tinggi — dikodekan sebagai -1 dan +1). Klarifikasi variabel respons yang akan diukur. Dengan lebih dari lima atau enam faktor, desain pecahan biasanya dijamin; dengan kurang dari empat, faktorial penuh biasanya layak.
Pilih pecahan 2^(k-p), di mana p mendefinisikan berapa banyak kolom faktor yang dihasilkan dengan mengalikan kolom yang ada. Setengah pecahan (p=1) menggunakan 2^(k-1) percobaan; seperempat pecahan (p=2) menggunakan 2^(k-2) percobaan. Resolusi desain (III, IV, V) menentukan efek mana yang teralias: Resolusi III mengkonjugasikan efek utama dengan interaksi dua faktor; Resolusi IV mengkonjugasikan interaksi dua faktor satu sama lain; Resolusi V atau lebih tinggi menjaga efek utama dan interaksi dua faktor terpisah satu sama lain.
Rumus
2^{k-p}Bangun matriks desain dengan terlebih dahulu menuliskan faktorial penuh pada faktor dasar k-p, kemudian membuat p kolom tambahan dengan mengalikan kolom yang ada sesuai dengan generator yang dipilih. Verifikasi struktur aliasing (pola alias) untuk mengonfirmasi bahwa itu dapat diterima untuk pertanyaan penelitian.
Lakukan percobaan dalam urutan acak untuk melindungi dari bias sistematis terkait waktu. Terapkan pemblokiran jika ada faktor gangguan seperti batch, hari, atau operator. Catat respons yang diukur untuk setiap percobaan, termasuk percobaan replikasi atau titik tengah yang disertakan untuk memperkirakan kesalahan murni.
Perkirakan efek utama dan efek interaksi menggunakan metode kuadrat terkecil biasa atau algoritma Yates. Hitung besaran efek dan standar errornya. Gunakan plot probabilitas normal efek, plot setengah normal, atau metode Lenth untuk membedakan efek aktif (nyata) dari noise, terutama ketika tidak ada replikasi percobaan untuk memberikan perkiraan kesalahan langsung.
Tafsirkan setiap efek yang diperkirakan berdasarkan struktur alias: perkiraan yang signifikan mungkin mencerminkan efek yang disebutkan, aliasnya, atau keduanya. Gunakan pengetahuan subjek, percobaan konfirmasi lanjutan, atau desain lipat balik (fold-over) untuk menghilangkan alias efek yang tidak dapat diselesaikan dari pecahan saat ini. Laporkan resolusi dan pola alias secara transparan sehingga pembaca dapat menilai efek apa yang dapat diperkirakan dan apa yang tidak.
Kesalahan umum
- Memilih resolusi yang terlalu rendah (misalnya, Resolusi III) ketika interaksi dua faktor masuk akal — perkiraan efek utama kemudian bias oleh interaksi tersebut, dan hasilnya bisa sangat menyesatkan.
- Mengabaikan randomisasi: menjalankan desain dalam urutan standar memperkenalkan konjugasi dengan tren waktu yang tidak dirancang oleh struktur aliasing untuk menanganinya.
- Gagal melaporkan pola alias dalam penulisan, membuatnya tidak mungkin bagi pembaca (atau peninjau) untuk menilai efek mana yang dapat diperkirakan.
- Memperlakukan hasil penyaringan sebagai final tanpa percobaan konfirmasi atau fase optimasi lanjutan — desain faktorial pecahan pada dasarnya adalah langkah pertama, bukan kata terakhir.
Pertanyaan yang sering diajukan
Apa arti 'resolusi' dalam desain faktorial pecahan?
Resolusi menggambarkan efek mana yang teralias (terkonjugasi) dengan yang mana. Resolusi III: efek utama teralias dengan interaksi dua faktor — gunakan hanya ketika interaksi dua faktor diketahui dapat diabaikan. Resolusi IV: efek utama terpisah dari interaksi dua faktor, tetapi interaksi dua faktor teralias satu sama lain. Resolusi V atau lebih tinggi: baik efek utama maupun interaksi dua faktor dapat diperkirakan secara independen — lebih disukai ketika interaksi dua faktor masuk akal.
Bagaimana cara memilih antara setengah pecahan dan seperempat pecahan?
Setengah pecahan (2^(k-1)) mempertahankan resolusi yang lebih tinggi tetapi hanya mengurangi jumlah percobaan setengahnya. Seperempat pecahan (2^(k-2)) lebih kecil tetapi biasanya memiliki resolusi yang lebih rendah, meningkatkan masalah aliasing. Jika Anda memiliki tujuh faktor atau lebih dan sumber daya sangat ketat, mulailah dengan seperempat pecahan Resolusi IV; jika Anda memiliki empat hingga enam faktor, setengah pecahan pada Resolusi IV atau V biasanya dapat dicapai dan lebih disukai.
Bagaimana desain faktorial pecahan berbeda dari desain Plackett-Burman?
Keduanya adalah desain penyaringan untuk banyak faktor dalam sedikit percobaan, tetapi mereka menggunakan prinsip konstruksi yang berbeda. Desain faktorial pecahan (2^(k-p)) didasarkan pada faktorial penuh dua tingkat dan memiliki struktur alias yang jelas dan dapat ditafsirkan. Desain Plackett-Burman menggunakan matriks Hadamard; mereka lebih fleksibel dalam ukuran percobaan (kelipatan 4) tetapi memiliki struktur alias yang lebih kompleks dan non-hierarkis yang membuat interpretasi interaksi dua faktor lebih sulit.
Apa yang harus saya lakukan setelah desain faktorial pecahan mengidentifikasi faktor aktif?
Desain faktorial pecahan adalah desain penyaringan, bukan desain optimasi. Setelah faktor aktif diidentifikasi, lanjutkan ke fase lanjutan: lipat balik pecahan asli untuk menghilangkan alias efek, kemudian gunakan metode permukaan respons (desain komposit sentral atau Box-Behnken) atau faktorial penuh baru hanya pada faktor aktif untuk mengkarakterisasi dan mengoptimalkan respons.
Bisakah saya menggunakan faktorial pecahan dengan lebih dari dua tingkat per faktor?
Ya. Faktorial pecahan tiga tingkat (misalnya, desain 3^(k-p)) ada dan digunakan ketika kelengkungan dicurigai. Namun, mereka membutuhkan percobaan yang jauh lebih banyak daripada desain dua tingkat. Untuk penyaringan awal, faktorial pecahan dua tingkat hampir selalu digunakan; desain tiga tingkat atau campuran lebih umum pada fase optimasi.
Metode terkait
Sumber
Box, G. E. P., Hunter, J. S., & Hunter, W. G. (2005). Statistics for Experimenters: Design, Innovation, and Discovery (2nd ed.). Wiley-Interscience.
ISBN: 978-0471718130Disalin.Finney, D. J. (1945). The fractional replication of factorial arrangements. Annals of Eugenics, 12(1), 291–301.
Buka referensi DOIDisalin.