Modul 11: Fractional Factorial (Strategi Hemat Biaya)
Di Modul 10, kita memecah eksperimen (Blocking) tapi tetap melakukan semuanya. Di Modul 11 ini, kita akan melakukan hal yang lebih berani: Membuang setengah (atau lebih) eksperimen kita.
Ini adalah senjata utama tim R&D Pangan (Food Tech) untuk melakukan Screening (Penyaringan) resep baru.
1. Masalah: R&D Biskuit Baru
Bayangkan Anda bekerja di pabrik biskuit. Boss meminta Anda membuat formulasi biskuit baru yang “Renyah tapi Tidak Mudah Hancur”. Ada 5 Faktor yang ingin Anda coba:
- A: Jenis Gula (Halus vs Kasar)
- B: Jumlah Mentega (10% vs 20%)
- C: Jenis Pengembang/Soda Kue (Merk X vs Merk Y)
- D: Suhu Oven (160°C vs 180°C)
- E: Lama Panggang (15 menit vs 20 menit)
Full Factorial
25 = 32 Run
Biaya: Mahal & Lama!
Half Fraction
2(5-1) = 16 Run
Biaya: Hemat 50%!
Apakah aman membuang 16 data percobaan? Jawabannya: AMAN, asalkan… Anda paham prinsip “Sparsity of Effects”.
2. Kenapa Berani Membuang Data?
Prinsip Sparsity of Effects (Kelangkaan Efek) menyatakan bahwa:
“Dalam sistem yang kompleks (seperti resep makanan), biasanya hanya Efek Utama dan Interaksi 2 Faktor yang berpengaruh. Interaksi tingkat tinggi (3, 4, atau 5 faktor) biasanya efeknya NOL atau bisa diabaikan.”
Jadi, strategi Fractional Factorial adalah: Kita sengaja membuang data interaksi tingkat tinggi yang “sampah” itu, untuk menghemat biaya.
3. Hati-Hati Memilih “Resolusi”
Saat Anda memilih desain pecahan di software (Minitab/Design Expert), Anda akan melihat lampu indikator (Merah/Kuning/Hijau) yang disebut Resolution.
| Resolusi | Simbol | Tingkat Keamanan | Artinya |
|---|---|---|---|
| Resolution III | Res III | BAHAYA (Merah) | Efek Utama tercampur dengan Interaksi 2 Faktor. Hanya untuk Screening awal yang sangat kasar. |
| Resolution IV | Res IV | WASPADA (Kuning) | Efek Utama AMAN (bersih). Tapi Interaksi 2 Faktor saling tercampur satu sama lain. Standar umum industri. |
| Resolution V | Res V | AMAN (Hijau) | Efek Utama & Interaksi 2 Faktor semuanya AMAN. Sangat bagus tapi butuh run lebih banyak. |
4. Contoh Hasil Screening Biskuit
Anda memutuskan menjalankan 16 run (Setengah Fraksi) dengan Resolusi V.
Hasil Analisis (Pareto Chart):
- Efek D (Suhu Oven): Signifikan Tinggi (Paling berpengaruh pada kerenyahan).
- Efek B (Mentega): Signifikan Sedang.
- Efek A, C, E: Tidak Signifikan (Grafik landai).
Keputusan Manajerial:
- Karena Faktor A (Jenis Gula) dan C (Merk Pengembang) tidak ngefek, maka pilih bahan baku yang PALING MURAH saja untuk menekan biaya produksi!
- Fokuskan kontrol kualitas pada Suhu Oven (Faktor D), karena meleset sedikit saja, kerenyahan biskuit berubah drastis.
Inilah kekuatan DoE: Efisiensi Biaya Produksi + Jaminan Kualitas.
Perusahaan ingin menurunkan angka Turnover (karyawan keluar). Ada 10 faktor yang dicurigai: Gaji, Bos Galak, Jarak Kantor, Tidak ada WFH, Laptop Lemot, dst.
Jika manajemen mencoba memperbaiki semua 10 faktor sekaligus, perusahaan bangkrut!
Dengan Screening Design (Fractional Factorial), HRD menyebar survei eksperimental dan menemukan:
- Hanya 2 Faktor Vital: Fleksibilitas WFH dan Kejelasan Jenjang Karir.
- Gaji dan Laptop ternyata tidak signifikan (selama masih wajar).
Tugas Pemikiran Kritis
Kasus: Sebuah pabrik minuman ingin menguji 7 faktor (A sampai G).
Full Factorial = 27 = 128 eksperimen (Mustahil dilakukan, bangkrut!).
Jika Anda melakukan desain 2(7-4) (hanya 1/16 bagian), Anda cuma butuh 8 eksperimen. Tapi Resolusinya adalah III.
Pertanyaan: Apakah desain 8 run ini boleh dipakai untuk menentukan resep final produk yang akan dijual ke pasar? Jelaskan di kolom komentar!
Di Modul 12 (Modul Terakhir), kita akan membahas Response Surface Methodology (RSM). Ini adalah tahap lanjut setelah Fractional Factorial, di mana kita mencari titik “Puncak Kenikmatan” yang presisi (sampai angka desimal).