📘 Modul 01: Pengantar Desain Eksperimen & Strategi
Fondasi sebelum kita menghitung angka — mengapa dan bagaimana merancang percobaan agar hasilnya tidak bias.
- Douglas C. Montgomery, Design and Analysis of Experiments (Chapter 1)
- Djamaris, A., et al., Desain Percobaan: Teori dan Aplikasi (Bab 1)
1 Mengapa Kita Perlu DoE? ▼
Dalam bisnis maupun penelitian, kita selalu bertanya: “Apa yang terjadi pada Output jika saya mengubah Input?”
- Pertanian: Ubah dosis pupuk → panen jagung meningkat?
- Bisnis Digital: Ubah warna tombol “Beli” → penjualan naik?
Banyak praktisi menjawab dengan Trial-and-Error. Masalahnya: mahal dan seringkali kesimpulannya salah. DoE (Design of Experiment) hadir untuk mengubah proses “coba-coba” menjadi:
- Sistematis — terencana matang.
- Efisien — informasi maksimal, biaya minimal.
- Valid — dapat dipertanggungjawabkan secara statistik.
2 Istilah Kunci (Studi Kasus Padi) ▼
Contoh sederhana: Seorang peneliti ingin mengetahui varietas padi mana yang panennya paling banyak.
| Istilah | Definisi | Contoh (Kasus Padi) |
|---|---|---|
| Respon (Y) | Output yang diukur. | Berat gabah kering (ton/ha). |
| Faktor (X) | Variabel penyebab yang diubah. | Jenis Varietas Padi. |
| Level (Taraf) | Nilai spesifik dari Faktor. | Varietas A, B, C (3 Level). |
| Unit Eksperimen | Objek terkecil yang diberi perlakuan. | Satu petak lahan sawah 5×5 m. |
3 Tiga Prinsip Dasar (Wajib Tahu) ▼
Menurut Montgomery (hal. 3-5), eksperimen valid harus memenuhi 3 prinsip ini:
A. Randomisasi (Pengacakan)
Jangan menanam Varietas A di lahan utara semua dan B di selatan — mungkin tanah utara lebih subur. Jika A menang, kita tidak tahu karena benih atau tanah.
- Solusi: Tentukan posisi tanam secara acak (undian/software).
- Tujuan: Meratakan pengaruh gangguan (noise).
B. Replikasi (Ulangan)
Mencoba satu kali tidak cukup — 5 ton di satu petak bisa saja kebetulan.
- Ingat: Replikasi ≠ Pengukuran Berulang. (Replikasi = menanam di 3 pot berbeda; Pengukuran berulang = mengambil 3 sampel tanah dari 1 pot).
- Tujuan: Menghitung experimental error (galat).
C. Blocking (Pengelompokan)
Teknik meningkatkan presisi dengan membandingkan perlakuan pada kondisi yang relatif seragam.
Contoh: Lahan miring (Atas kering, Bawah basah). Jadikan “Atas” Blok 1, “Bawah” Blok 2. Pastikan Varietas A dan B ada di kedua blok agar adil.
4 Contoh Aplikasi: Bisnis vs Pertanian ▼
Teori DoE bersifat universal. Berikut perbandingannya:
🌾 Kasus Pertanian (Produksi)
Tujuan: Memaksimalkan bobot sapi.
- Faktor: Jenis Pakan (A vs B).
- Noise: Genetik sapi, suhu kandang.
- Penerapan: Blocking berdasarkan berat awal sapi (Kurus vs Gemuk) agar pakan diuji adil.
💼 Kasus Bisnis (UMKM/Digital)
Tujuan: Meningkatkan konversi checkout.
- Faktor: Diskon 10% vs Free Ongkir + Letak Foto.
- Noise: Waktu akses, tipe HP user.
- Penerapan: A/B Testing — sistem mengacak tampilan ke ribuan user. Replikasi otomatis karena n besar.
5 Hati-hati dengan OFAT (One-Factor-At-A-Time) ▼
Kesalahan pemula: “Saya ubah suhu dulu sampai terbaik, tekanan tetap. Setelah ketemu suhu terbaik, baru ubah tekanan.”
Metode ini gagal mendeteksi Interaksi. Seringkali faktor A bekerja baik HANYA JIKA faktor B juga diubah. DoE (Faktorial) mengubah faktor-faktor secara bersamaan untuk menangkap fenomena ini.
Modul 01: Pengantar Desain Eksperimen & Strategi
Selamat datang di mata kuliah Desain dan Analisis Eksperimen. Modul pertama ini adalah fondasi. Sebelum kita menghitung angka, kita harus tahu mengapa dan bagaimana merancang sebuah percobaan agar hasilnya tidak bias.
1. Mengapa Kita Perlu Desain Eksperimen (DoE)?
Dalam dunia bisnis maupun penelitian, kita sering dihadapkan pada pertanyaan: “Apa yang terjadi pada Output jika saya mengubah Input?”
- Pertanian: Jika saya ubah dosis pupuk, apakah panen jagung meningkat?
- Bisnis Digital: Jika saya ubah warna tombol “Beli” di website, apakah penjualan naik?
Banyak praktisi menjawab ini dengan Trial-and-Error (Coba-coba). Masalahnya, coba-coba itu mahal dan seringkali kesimpulannya salah. DoE (Design of Experiment) hadir untuk mengubah proses “coba-coba” tersebut menjadi:
- Sistematis: Terencana dengan matang.
- Efisien: Mendapatkan informasi maksimal dengan biaya minimal.
- Valid: Kesimpulan dapat dipertanggungjawabkan secara statistik.
Definisi: DoE adalah serangkaian uji di mana kita dengan sengaja mengubah variabel input (faktor) suatu proses untuk mengamati dan mengidentifikasi perubahan pada output (respon).
2. Istilah Kunci (Studi Kasus Padi)
Agar satu frekuensi, mari kita pahami istilah teknis menggunakan contoh sederhana: Seorang peneliti ingin mengetahui varietas padi mana yang panennya paling banyak.
| Istilah | Definisi | Contoh (Kasus Padi) |
|---|---|---|
| Respon (Y) | Output yang diukur. | Berat gabah kering (ton/ha). |
| Faktor (X) | Variabel penyebab yang diubah. | Jenis Varietas Padi. |
| Level (Taraf) | Nilai spesifik dari Faktor. | Varietas A, Varietas B, Varietas C (3 Level). |
| Unit Eksperimen | Objek terkecil yang diberi perlakuan. | Satu petak lahan sawah ukuran 5×5 m. |
3. Tiga Prinsip Dasar (Wajib Tahu)
Menurut Montgomery dan buku referensi kita (Hal. 3-5), eksperimen dikatakan valid jika memenuhi 3 prinsip ini:
A. Randomisasi (Pengacakan)
Kita tidak boleh menanam Varietas A di lahan utara semua dan Varietas B di selatan. Mengapa? Mungkin tanah utara lebih subur. Jika A menang, kita tidak tahu itu karena benihnya atau tanahnya.
- Solusi: Tentukan posisi tanam secara acak (undian/software).
- Tujuan: Meratakan pengaruh gangguan (noise).
B. Replikasi (Ulangan)
Mencoba satu kali tidak cukup. Jika Varietas A menghasilkan 5 ton di satu petak, bisa saja itu kebetulan. Kita perlu mengulanginya.
- Ingat: Replikasi ≠ Pengukuran Berulang. (Replikasi = menanam di 3 pot berbeda; Pengukuran berulang = mengambil 3 sampel tanah dari 1 pot).
- Tujuan: Menghitung experimental error (galat).
C. Blocking (Pengelompokan)
Teknik untuk meningkatkan presisi dengan membandingkan perlakuan pada kondisi yang relatif seragam.
Contoh: Lahan miring (Atas kering, Bawah basah). Jadikan “Atas” sebagai Blok 1, dan “Bawah” sebagai Blok 2. Pastikan Varietas A dan B ada di kedua blok tersebut agar adil.
4. Contoh Aplikasi: Bisnis vs Pertanian
Teori DoE bersifat universal. Berikut perbandingannya:
🌾 Kasus Pertanian (Produksi)
Tujuan: Memaksimalkan bobot sapi.
- Faktor: Jenis Pakan (A vs B).
- Noise: Genetik sapi (kurus/gemuk), suhu kandang.
- Penerapan: Gunakan Blocking berdasarkan berat awal sapi (Kelompok Kurus vs Gemuk) agar pakan diuji secara adil di semua kondisi fisik sapi.
💼 Kasus Bisnis (Jasa/Digital)
Tujuan: Meningkatkan konversi penjualan (Checkout Rate).
- Faktor: Diskon (10% vs Free Ongkir) dan Letak Foto.
- Noise: Waktu akses, Tipe HP user.
- Penerapan (A/B Testing): Sistem mengacak (Randomisasi) tampilan web ke ribuan user. Replikasi terjadi otomatis karena jumlah user (n) sangat besar.
5. Hati-hati dengan OFAT (One-Factor-At-A-Time)
Kesalahan pemula adalah metode OFAT: “Saya ubah suhu dulu sampai ketemu yang terbaik, tekanan saya biarkan tetap. Setelah ketemu suhu terbaik, baru saya ubah tekanan.”
Mengapa SALAH?
Metode ini gagal mendeteksi Interaksi. Seringkali faktor A bekerja baik HANYA JIKA faktor B juga diubah. DoE (Faktorial) mengubah faktor-faktor secara bersamaan untuk menangkap fenomena ini.
Tugas & Langkah Selanjutnya
Setelah memahami konsep dasar, silakan unduh buku referensi melalui tombol di atas dan baca Bab 1.
Di modul selanjutnya (Modul 02), kita akan mulai masuk ke teknik hitungan paling dasar: Eksperimen Komparatif Sederhana (Membandingkan A vs B dengan Uji Statistik). Sampai jumpa di sesi berikutnya!