Eksperimen Faktorial Penuh — Desain Eksperimental Faktorial Lengkap
- Diperkenalkan oleh
- Ronald A. Fisher
- Tahun
- 1926 (Fisher's foundational paper); codified by the 1950s–1960s
- Jenis
- Experimental design
- Keluarga
- Experimental design
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Eksperimen faktorial penuh menjalankan setiap kombinasi yang mungkin dari semua level faktor yang dipilih, menjadikannya standar emas untuk secara simultan mengestimasi efek utama, interaksi dua arah, dan interaksi tingkat yang lebih tinggi di antara beberapa variabel independen.
Diperkenalkan melalui karya dasar Ronald Fisher tentang desain faktorial pada tahun 1920-an dan disistematisasi oleh Box, Hunter, dan Montgomery, desain ini memberikan informasi lengkap tentang bagaimana faktor bertindak secara individu dan dalam kombinasi pada suatu hasil.
Intuisi di balik metode
Misalkan Anda menguji dua jenis pupuk (A, B) dan tiga jadwal penyiraman (harian, mingguan, bulanan) terhadap hasil panen. Desain faktorial penuh berarti Anda menanam tanaman di bawah semua kombinasi 2 × 3 = 6, bukan hanya setiap faktor secara terisolasi. Ini sangat kuat karena efek pupuk dapat bergantung pada frekuensi penyiraman — sebuah interaksi yang sepenuhnya terlewatkan oleh studi satu-faktor-pada-satu-waktu. Faktorial penuh menangkap setiap interaksi dengan memastikan bahwa setiap level dari satu faktor muncul dengan setiap level dari setiap faktor lain, memberikan pandangan yang seimbang dan tidak terbingung tentang seluruh ruang faktor.
Sejarah
Ronald Fisher memperkenalkan konsep eksperimentasi faktorial dalam makalah pentingnya tahun 1926 dan mengembangkannya sepenuhnya dalam The Design of Experiments (1935), berargumen bahwa mempelajari beberapa faktor secara simultan lebih efisien daripada pendekatan satu-faktor-pada-satu-waktu. Frank Yates memformalkan notasi dan komputasi efek faktorial pada tahun 1930-an. George Box, J. Stuart Hunter, dan William Hunter menyistematisasi penerapan praktis desain faktorial untuk pengaturan industri dan ilmiah dalam buku teks seminal mereka tahun 1978 (diperbarui 2005). Buku teks Douglas Montgomery yang diadopsi secara luas (edisi pertama 1976) sejak itu menjadikan desain faktorial penuh sebagai inti kurikulum teknik dan sains terapan di seluruh dunia.
Kapan digunakan
Gunakan eksperimen faktorial penuh ketika Anda memiliki sejumlah kecil faktor (biasanya k ≤ 4 atau 5 untuk desain dua level) dan perlu mengestimasi semua efek utama dan interaksi tanpa ambiguitas. Ini adalah pilihan yang tepat ketika interaksi diharapkan atau keberadaannya penting secara ilmiah, ketika sumber daya memungkinkan untuk menyelesaikan setiap kombinasi, dan ketika hasilnya dapat diukur dalam kondisi terkontrol. JANGAN gunakan desain faktorial penuh ketika k besar (misalnya, k ≥ 6 pada dua level), karena 64+ percobaan yang diperlukan menjadi tidak layak — lebih baik gunakan desain faktorial fraksional atau respons permukaan. Hindari juga ketika biaya percobaan atau batasan material membuat N = 2^k (atau 3^k) terlalu mahal, atau ketika Anda hanya peduli pada efek utama dan memiliki alasan teoretis yang kuat untuk mengasumsikan tidak ada interaksi.
Batasan dan pertimbangan
- Jumlah percobaan tumbuh secara eksponensial dengan jumlah faktor: 2^k = 32 percobaan untuk 5 faktor, 64 untuk 6 — dengan cepat menjadi tidak praktis.
- Interaksi tingkat tinggi (tiga arah dan di atasnya) dapat diestimasi tetapi jarang dapat diinterpretasikan atau bermakna secara ilmiah, membuat banyak percobaan menjadi redundan secara informasional.
- Mengasumsikan faktor dapat diatur secara tepat pada level yang ditentukan; kontrol faktor seringkali lebih mudah di laboratorium daripada di lingkungan lapangan atau organisasi.
- Replikasi membutuhkan banyak sumber daya; tanpanya, estimasi kesalahan bergantung pada penggabungan interaksi tingkat tinggi yang dapat diabaikan, yang memerlukan penilaian.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Mengestimasi setiap efek utama dan setiap interaksi tanpa aliasing atau konfounding — gambaran terlengkap yang mungkin dari eksperimen terkontrol.
- Desain ortogonal: semua estimasi efek secara statistik independen, membuat interpretasi menjadi lugas.
- Menyediakan estimasi kesalahan murni ketika percobaan direplikasi, memungkinkan pengujian hipotesis yang ketat melalui ANOVA.
- Struktur fleksibel: bekerja dengan tipe faktor kontinu, kategorikal, atau campuran dan dapat menggabungkan pemblokiran untuk pengendalian gangguan.
- Skala secara alami: desain 2^k dengan percobaan titik tengah dapat ditambah menjadi desain respons permukaan (komposit sentral atau Box-Behnken) untuk deteksi kelengkungan.
Penerapan
- Formulasi farmasi: optimasi simultan konsentrasi obat, jenis eksipien, dan suhu untuk memaksimalkan laju disolusi.
- Ilmu pertanian: menguji kombinasi pupuk, tingkat irigasi, dan kepadatan tanam terhadap hasil panen.
- Peningkatan proses manufaktur: mengidentifikasi bagaimana kecepatan mesin, suhu, dan grade material secara bersama-sama memengaruhi kekuatan tarik produk.
- Eksperimen perilaku dan pendidikan: menguji bagaimana metode pengajaran, ukuran kelas, dan jenis penilaian berinteraksi untuk memengaruhi hasil belajar.
- Penelitian klinis dan kesehatan: mengevaluasi kombinasi komponen intervensi perilaku untuk mengidentifikasi kombinasi mana yang mendorong efek terapeutik.
- Rekayasa perangkat lunak: menguji dampak tipe algoritma, ukuran dataset, dan konfigurasi perangkat keras terhadap kinerja komputasi.
Cara kerjanya
Cara kerjanya
Identifikasi k faktor eksperimental dan tentukan level untuk masing-masing. Desain dua level (setiap faktor pada level rendah/tinggi) dilambangkan dengan 2^k; desain tiga level adalah 3^k. Level faktor harus dipilih untuk mencakup rentang minat praktis atau ilmiah. Jumlah total kombinasi perlakuan sama dengan produk dari semua jumlah level di seluruh faktor.
Jumlah total percobaan adalah N = produk dari semua jumlah level (misalnya, 2^3 = 8 untuk tiga faktor dua level). Ini tumbuh secara eksponensial dengan jumlah faktor, sehingga desain faktorial penuh paling layak ketika k kecil (biasanya k ≤ 5 untuk faktor dua level). Matriks desain dibuat yang mencantumkan setiap kombinasi; replikasi setiap kombinasi memperkuat estimasi kesalahan.
Rumus
N = \prod_{i=1}^{k} l_iUnit eksperimental secara acak ditugaskan ke setiap kombinasi perlakuan, atau urutan percobaan sepenuhnya diacak. Pengacakan melindungi dari bias sistematis akibat tren waktu, kelelahan, atau penyimpangan peralatan. Jika beberapa variabel gangguan diketahui (misalnya, batch, operator, hari), pemblokiran ditambahkan untuk mengisolasi variansnya tanpa membingungkan estimasi faktor.
Variabel respons diukur untuk setiap percobaan di bawah kombinasi level faktor yang ditugaskan. Data dicatat secara sistematis, mempertahankan hubungan antara urutan percobaan, pengaturan faktor, dan hasil yang diamati. Replikasi ganda per sel direkomendasikan kapan pun sumber daya memungkinkan, karena mereka memberikan estimasi murni dari kesalahan eksperimental.
Efek utama dan semua efek interaksi diestimasi menggunakan metode kuadrat terkecil (atau ANOVA). Dalam desain 2^k, setiap estimasi efek sama dengan kontras linear dari rata-rata sel; rumus beta-topi = (X'X)^{-1} X'y berlaku di mana X adalah matriks model dari pengaturan faktor yang dikodekan. Karena setiap kombinasi diuji, semua efek ortogonal dan dapat diestimasi tanpa aliasing.
Rumus
\hat{\beta} = (X^\top X)^{-1} X^\top yTabel ANOVA mempartisi total varians menjadi efek utama, interaksi dua faktor, interaksi tiga faktor, dan seterusnya. Interaksi yang signifikan diinterpretasikan menggunakan plot interaksi: garis paralel menunjukkan tidak ada interaksi; garis yang bersilangan atau menyebar menandakan bahwa efek satu faktor berubah di berbagai level faktor lain. Interaksi tingkat yang lebih tinggi (tiga arah atau lebih) jarang terjadi dalam praktik tetapi dapat diestimasi dan diuji dalam desain faktorial penuh.
Kesalahan umum
- Mengabaikan interaksi saat memilih desain: jika Anda mengharapkan tidak ada interaksi, faktorial penuh membuang-buang percobaan — tetapi jika interaksi ada dan Anda menggunakan pendekatan satu-faktor-pada-satu-waktu, Anda akan melewatkannya sama sekali.
- Menggunakan terlalu banyak level tanpa justifikasi: desain 3^k memiliki 3^5 = 243 percobaan untuk lima faktor; kecuali kelengkungan secara spesifik dihipotesiskan, desain dua level biasanya cukup dan jauh lebih efisien.
- Membingungkan faktorial penuh dengan faktorial fraksional: faktorial fraksional sengaja menghilangkan kombinasi tertentu dan meng-alias beberapa interaksi — jika Anda memerlukan semua interaksi yang dapat diestimasi, hanya faktorial penuh yang menyediakan ini.
- Gagal mengacak urutan percobaan: tren sistematis (pemanasan peralatan, pembelajaran operator, degradasi reagen) meningkatkan atau menurunkan estimasi efek jika percobaan dieksekusi dalam urutan tetap yang tidak acak.
- Menganalisis efek utama secara terisolasi ketika interaksi signifikan: interaksi yang signifikan secara statistik berarti kesimpulan efek utama bergantung pada level faktor pemoderasi dan harus diinterpretasikan secara kondisional.
Pertanyaan yang sering diajukan
Apa perbedaan antara desain faktorial penuh dan faktorial fraksional?
Faktorial penuh menjalankan setiap kombinasi level faktor yang mungkin, mengestimasi semua efek utama dan interaksi tanpa aliasing. Faktorial fraksional menjalankan hanya sebagian kecil dari kombinasi tersebut yang dipilih dengan cermat, sengaja meng-alias interaksi tingkat tinggi tertentu untuk mengurangi jumlah percobaan. Gunakan faktorial penuh ketika interaksi penting dan sumber daya memungkinkan; gunakan faktorial fraksional ketika k besar dan Anda bersedia mengasumsikan interaksi tingkat tinggi tertentu dapat diabaikan.
Bagaimana cara memilih berapa banyak level yang harus digunakan untuk setiap faktor?
Dua level (rendah dan tinggi) sudah cukup ketika Anda mengharapkan respons yang kira-kira linear di seluruh rentang faktor dan terutama tertarik pada arah dan besarnya efek. Tiga level diperlukan ketika Anda mencurigai kelengkungan (respons non-linear), tetapi ini akan mengalikan jumlah percobaan untuk setiap faktor tambahan. Strategi praktis adalah memulai dengan desain 2^k yang ditambah dengan percobaan titik tengah untuk menyaring kelengkungan sebelum berkomitmen pada desain 3^k.
Apakah saya perlu mereplikasi setiap kombinasi perlakuan?
Replikasi sangat direkomendasikan. Tanpa replikasi, satu-satunya sumber estimasi kesalahan adalah jumlah kuadrat gabungan dari interaksi tingkat tinggi yang dapat diabaikan (diasumsikan nol), yang merupakan asumsi berisiko. Dengan bahkan satu replikasi penuh (menggandakan semua percobaan) Anda memperoleh estimasi kesalahan murni yang sebenarnya, interval kepercayaan yang lebih ketat, dan uji signifikansi yang lebih andal.
Tes statistik apa yang harus saya gunakan untuk menganalisis eksperimen faktorial penuh?
Analisis standar adalah ANOVA faktorial (atau padanannya dalam model regresi), yang mempartisi total varians menjadi komponen-komponen yang diatribusikan pada setiap efek utama dan setiap suku interaksi. Signifikansi efek dinilai dengan uji F. Ketika hasil tidak normal atau ordinal, alternatif non-parametrik atau model linear umum digunakan sebagai gantinya.
Pada titik mana saya harus beralih ke desain respons permukaan?
Jika faktorial penuh 2^k Anda (mungkin dengan titik tengah) mengungkapkan kelengkungan yang signifikan secara statistik dalam respons, model faktorial linear tidak memadai dan desain respons permukaan — seperti desain komposit sentral atau Box-Behnken — harus digunakan. Desain respons permukaan menambahkan titik aksial (bintang) untuk mengestimasi suku kuadratik dan memetakan kelengkungan penuh dari permukaan respons.
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.Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119492443Disalin.