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