BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

perpustakaan.uns.ac.id

digilib.uns.ac.id

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA Pada bab ini akan diuraikan proses pengumpulan dan pengolahan data hasil eksperimen. Data yang dikumpulkan meliputi langkah-langkah serta hasil pengumpulan dan pengolahan data.

4.1

DATA HASIL EKSPERIMEN Data hasil eksperimen yang disajikan merupakan hasil pengukuran nilai

MOR menggunakan UTM dalam satuan N/mm2. Data hasil uji ketahanan lentur masing-masing spesimen dapat dilihat pada Tabel 4.1. Tabel 4.1. Hasil pengukuran nilai MOR tiap spesimen (N/mm2) Ukuran Partikel (A)

Replikasi

20 mesh (a1)

Penekanan

30 mesh (a2)

40 mesh (a3)

Perekat

Perekat

Perekat

Perekat

Perekat

Perekat

Perekat

Perekat

Perekat

5%

10%

15%

5%

10%

15%

5%

10%

15%

(b1)

(b2)

(b3)

(b1)

(b2)

(b3)

(b1)

(b2)

(b3)

2,352

3,364

3,810

2,271

2,651

4,738

2,079

2,415

2,613

1,972

2,502

3,628

1,874

3,710

4,845

2,459

2,455

5,293

3

2,069

3,351

3,992

2,136

2,682

4,805

2,280

2,420

3,371

1

3,646

4,586

7,863

4,128

4,838

6,458

5,578

6,971

6,540

3,859

4,568

6,115

3,644

5,571

6,063

4,932

6,196

6,546

3,754

4,580

6,989

3,862

5,497

6,225

4,976

6,937

6,540

(C)

1 2

2 3

4.2

3:2 (c1)

2:1 (c2)

UJI DATA HASIL PENGUKURAN Setelah mendapatkan data nilai MOR dari eksperimen, langkah

selanjutnya yaitu pengujian data yang berupa uji moralitas dan uji independensi. Penjelasan tahap-tahapnya yaitu: 1.

Uji normalitas Uji normalitas dilakukan terhadap nilai MOR semua perlakuan untuk

mengetahui distribusi datanya. Perlakuan pada eksperimen ini berjumlah 54 perlakuan. Perhitungan uji normalitas dilakukan dengan metode lilliefors. Data yang diuji yaitu data pada Tabel 4.1. Langkah-langkah perhitungan uji lilliefors adalah sebagai berikut: a. Urutkan data eksperimen dari yang terkecil sampai yang terbesar, commit to user 1,874; 1,972; 2,069; …; 7,863

IV-1


digilib.uns.ac.id

b. Hitung rata-rata ( x ) dan standar deviasi ( s) data tersebut,

æ n ö ç å xi ÷ x = è i=1 ø n 1,874 + 1,972 + 2,069 + ... + 7,863 x= = 4,252 54

(å X ) -

2

s=

åX

2

n -1

n

(1,874 2 + 1,972 2 + 2,069 2 + ... + 7,8632 ) s=

(1,874 + 1,972 + 2,069 + ... + 7,863)2 54

54 - 1

s = 1,646

c. Transformasikan data (x) tersebut menjadi nilai baku (

z ),

z i = (xi - x ) / s z 1 = (1,874 - 4 , 252 ) / 1, 646 = -1,444

Dengan cara yang sama diperoleh seluruh nilai baku sampai z54. d. Berdasarkan nilai baku (

z ),

kemudian dihitung peluang F(zi) = P(z≤zi).

Gunakan tabel standar luas wilayah di bawah kurva normal, atau dengan bantuan Microsoft Excel dengan function NORMSDIST. e. Selanjutnya menghitung proporsi z1, z2, ....,zn yang lebih kecil atau sama dengan zi. Jika ini dinyatakan dengan S(zi), maka : S(zi) =(banyaknya z1, z2, ....zn yang ≤ zi)/n S(z1) = 1/54 = 0,019 f. Menghitung selisih F(zi) – S(zi) kemudian tentukan harga mutlaknya. | F(z1) – S(z1)| = |0,074-0,019| = 0,056 g. Tentukan nilai maksimum dari selisih absolut F(zi) – S(zi) dan hasilnya disebut L0 yaitu: maks | (zi) – S(zi) |, sebagai nilai L0. maks | (zi) – S(zi) | = 0,126 h. Tahap berikutnya adalah menganalisis apakah semua sampel data observasi commit to user berdistribusi normal. Hipotesis yang diajukan adalah:

IV-2


digilib.uns.ac.id

H0: Sampel data eksperimen berasal dari populasi yang berdistribusi normal. H1: Sampel data eksperimen berasal dari populasi yang tidak berdistribusi normal.

Untuk menyimpulkan hipotesis nol diterima atau ditolak, langkah selanjutnya dengan membandingkan L0 dengan nilai kritis L untuk taraf nyata 0,05. Dari tabel diperoleh Ltabel adalah sebesar 0,185 sehingga diketahui bahwa L0 (0,126) < Ltabel (0,185). Dari perbandingan tersebut dapat ditarik kesimpulan terima H0 yang menyatakan bahwa seluruh data eksperimen berasal dari populasi yang berdistribusi normal. Distribusi normal data eksperimen juga terlihat dari probability plot dan histogram hasil pengolahan data menggunakan MINITAB pada Gambar 4.4.

(a)

(b)

Gambar 4.1. Normal probability plot (a) dan histogram data normal (b)

2.

Uji Independensi Langkah pengujian independensi yaitu membuat plot residual data untuk

masing-masing perlakuan berdasarkan urutan pengambilan data pada eksperimen. Nilai residual merupakan selisih data eksperimen dengan rata-rata tiap perlakuan. Hasil perhitungan dapat dilihat pada Tabel 4.2.

Tabel 4.2. Residual data nilai MOR No

Iterasi

Nilai MOR

1

a1b1c1

2,352

1,972

2

a1b1c2

3,646

3,859

Rata-rata

Residual

2,069

2,131

0,221

-0,159

-0,062

3,754

3,753

-0,107

0,106

0,001

commit to user

IV-3


digilib.uns.ac.id

3

a1b2c1

3,364

2,502

3,351

3,072

0,292

-0,570

0,279

4

a1b2c2

4,586

4,568

4,580

4,578

0,008

-0,010

0,002

5

a1b3c1

3,810

3,628

3,992

3,810

0,000

-0,182

0,182

6

a1b3c2

7,863

6,115

6,989

6,989

0,874

-0,874

0,000

7

a2b1c1

2,271

1,874

2,136

2,094

0,177

-0,220

0,042

8

a2b1c2

4,128

3,644

3,862

3,878

0,250

-0,234

-0,016

9

a2b2c1

2,651

3,710

2,682

3,014

-0,363

0,696

-0,333

10

a2b2c2

4,838

5,571

5,497

5,302

-0,464

0,269

0,195

11

a2b3c1

4,738

4,845

4,805

4,796

-0,058

0,049

0,009

12

a2b3c2

6,458

6,063

6,225

6,249

0,209

-0,186

-0,024

13

a3b1c1

2,079

2,459

2,280

2,273

-0,194

0,186

0,007

14

a3b1c2

5,578

4,932

4,976

5,162

0,416

-0,230

-0,186

15

a3b2c1

2,415

2,455

2,420

2,430

-0,015

0,025

-0,010

16

a3b2c2

6,971

6,196

6,937

6,701

0,270

-0,505

0,236

17

a3b3c1

2,613

5,293

3,371

3,759

-1,146

1,534

-0,388

18

a3b3c2

6,540

6,546

6,540

6,542

-0,002

0,004

-0,002

Data residual tersebut dapat dikatakan independen jika sebarannya acak dan tidak membentuk pola tertentu. Hasil plot residual dapat dilihat pada Gambar 4.2 dan Gambar 4.3. 2,000 1,500 1,000 Replikasi 1

0,500

Replikasi 2 0,000

Replikasi 3

-0,500 -1,000 -1,500

Gambar 4.2. Hasil plot residual nilai MOR

commit to user

IV-4


digilib.uns.ac.id

Versus Fits 1,5

Residual

1,0

0,5

0,0

-0,5

-1,0 0

10

20

30

40

50

60

Fitted Value

Gambar 4.3. Hasil plot residual nilai MOR menggunakan MINITAB

4.3

ANALISIS DATA STATISTIK Pada tahap ini dilakukan uji ANOVA dan uji pembanding untuk

mengetahui tingkat signifikansi variabel respon. Selanjutnya dilakukan pemilihan spesimen berdasarkan nilai MOR spesimen. 4.3.1 Uji ANOVA Uji ANOVA dilakukan terhadap nilai MOR untuk mengetahui signifikansi pengaruh faktor-faktor terhadap variabel respon. Data yang digunakan yaitu data eksperimen nilai MOR yang dapat dilihat pada Tabel 4.1. Langkah-langkah dalam perhitungan ANOVA dijelaskan pada pembahasan di bawah ini. Pengolahan data eksperimen dapat dilihat pada Tabel 4.3.

commit to user

IV-5


digilib.uns.ac.id

Tabel 4.3. Uji ANOVA terhadap nilai MOR (MPa) Ukuran Partikel (A)

Penekanan (C)

Replikasi

1 2

Perekat 5% (b1) 2,352 1,972

3:2 (c1)

3

Rata20 mesh (a1) 30 mesh (a2) 40 mesh (a3) Jumlah rata Perekat Perekat Perekat Perekat Perekat Perekat Perekat Perekat 10% (b2) 15% (b3) 5% (b1) 10% (b2) 15% (b3) 5% (b1) 10% (b2) 15% (b3) 3,364 3,810 2,271 2,651 4,738 2,079 2,415 2,613 2,502 3,628 1,874 3,710 4,845 2,459 2,455 5,293

2,069

3,351

3,992

2,136

2,682

4,805

2,280

2,420

rata-rata

2,131

3,072

3,810

2,094

3,014

4,796

2,273

2,430

3,759

jumlah

6,393

9,217

11,430

6,281

9,043

14,388

6,818

7,290

11,277

3,646

4,586

7,863

4,128

4,838

6,458

5,578

6,971

6,540

3,859 3,754

4,568 4,580

6,115 6,989

3,644 3,862

5,571 5,497

6,063 6,225

4,932 4,976

6,196 6,937

6,546 6,540

1 2 3

2:1 (c2)

3,371 3,042 82,136

rata-rata

3,753

4,578

6,989

3,878

5,302

6,249

5,162

6,701

6,542

jumlah

11,259

13,734

20,967

11,634

15,906

18,746

15,486

20,104

19,626

5,462

Total

17,651

22,951 72,999

32,397

17,915

24,948 75,997

33,134

22,304

27,394 80,600

30,903 229,597

147,461

Langkah selanjutnya yaitu melakukan perhitungan jumlah kuadrat/sum of square (SS) dari masing-masing faktor dan interaksinya: 1. FK (Faktor Koreksi): 3

FK

=( å i =1

3

2

3

å å åY j =1

k =1

l =1

ijkl

)2/ (abcn)

= 229,5972/54 = 976,196 2. Jumlah kuadrat total (SStotal): SStotal =

3

3

2

3

i

j

k

l

ååååY

2 ijkl

- FK

SStotal = (2,352 2+1,9722+...+6,5402)- 976,196 = 143,653 3. Jumlah kuadrat faktor ukuran partikel (SSA): SSA

æ 1 3 2ö =ç å Ai ÷ - FK è bcn i =1 ø = 1/3x2x3 (72,9992+ 75,9972+80,62) - 976,196 = 1,629

4. Jumlah kuadrat faktor persentase perekat (SSB): SSB

æ 1 3 2ö =ç å Bi ÷ø - FK è acn i =1

commit to user

IV-6


digilib.uns.ac.id

= 1/3x2x3 (57,872+ 75,2932+96,4332) - 976,196 = 41,437 5. Jumlah kuadrat faktor penekanan (SSC): SSC

æ 1 2 2ö =ç å Ci ÷ - FK è abn i =1 ø = 1/3x3x3 (82,1362+ 147,4612) - 976,196 = 79,025

6. Jumlah kuadrat interaksi antara faktor A dan B (SSAxB): æ 1

3

SSAxB = çç å è cn i =1

3

å ( AiBj )

2

j =1

ö ÷ - FK - SS A - SS B ÷ ø

= 1 (17,6512+22,9512+...+30,9032)- 976,196 - 1,629 - 41,437 6

= 2,729 7. Jumlah kuadrat interaksi antara faktor A dan C (SSAxC):

æ 1 3 SSAxC = ç å è bn i =1

2

å ( AiCk)

2

k =1

ö ÷ - FK - SS A - SS C ø

= 1 (27,0402+29,7122+...+55,2162) - 976,196 - 1,629 - 79,025 9

= 5,562 8. Jumlah kuadrat interaksi antara faktor B dan C (SSBxC): æ 1

3

SSBxC = çç å è an j =1

2

å ( BjCk ) k =1

2

ö ÷ - FK - SS B - SS C ÷ ø

= 1 (19,4922+25,5492+...+59,3392) - 976,196 – 41,437 – 79,025 9

= 0,801 9. Jumlah kuadrat interaksi antara faktor A, B, dan C (SSAxBxC): æ1

SSAxBxc = çç è

3

3

2

å å å ( AiBjCk ) n i =1

j =1

k =1

2

ö ÷ - FK - SS A - SSB - SSC - SS AxB - SS AxC - SS BxC ÷ ø

= 1 (6,3932+9,2172+11,432+...+19,6262) – 976,196 – 1,629 - 41,437 – 3

79,025 – 2,729 – 5,562 – 0,801 = 4,417 10. Jumlah kuadrat error (SSE):

commit to user

IV-7


SSE

digilib.uns.ac.id

= SStotal - SSA - SSB – SSC - SSAB – SSAC – SSBC - SSABC = 143,653 – 1,629 – 41,437 – 79,025 – 2,729 – 5,562 – 0,801 – 4,417 = 8,053

Mean of square (MS) atau disebut juga kuadrat tengah (KT), dihitung dengan cara membagi jumlah kuadrat (SS) dengan derajat bebasnya (df). Contoh perhitungan MS, sebagai berikut: MSA

=

SSA (a-1)

1,629 2 = 0,814 =

Besarnya Fhitung didapat dari pembagian antara MS faktor dengan MSerror dari eksperimen. Contoh perhitungannya adalah sebagai berikut: Fhitung =

MSA MSE

0,814 0,224 = 3,64 =

Ftabel diperoleh dari tabel distribusi F kumulatif, dengan df1 = df yang bersangkutan dan df2 = dferror. Perhitungan Ftabel dengan menggunakan Microsoft Excel dengan rumus: = FINV(probability, df1, df2) Contoh perhitungannya yaitu Ftabel untuk ukuran partikel, df1 = 2 dan df2 = 36. Berdasarkan hasil perhitungan Microsoft Excel diperoleh Ftabel = FINV (0.05, 2, 36) = 3,26. Keputusan terhadap hipotesis nol didasarkan pada nilai Fhitung. H0 ditolak jika F hitung > Ftabel dan diterima jika Fhitung < Ftabel. Fhitung untuk semua faktor selanjutnya dihitung dengan menggunakan software MINITAB. Hasil uji ANOVA dengan MINITAB dapat dilihat pada Gambar 4.4.

commit to user

IV-8


digilib.uns.ac.id

Gambar 4.4. Uji ANOVA menggunakan MINITAB

Kesimpulan yang diambil terhadap data eksperimen untuk nilai MOR dapat dilihat pada Tabel 4.4. Tabel 4.4. Kesimpulan hasil uji ANOVA Sumber Variasi F hitung F tabel H0 Faktor Ukuran Partikel (A) 3,64 3,26 tolak Faktor Persentase Perekat (B) 92,62 3,26 tolak Faktor Penekanan (C) 353,26 4,11 tolak AxB 3,05 2,63 tolak AxC 12,43 3,26 tolak BxC 1,79 3,26 terima AxBxC 4,94 2,63 tolak 1. Faktor ukuran partikel (faktor A), nilai Fhitung > Ftabel, sehingga tolak H0 dan simpulkan bahwa ukuran partikel berpengaruh secara signifikan terhadap nilai MOR. 2. Faktor persentase perekat (faktor B), nilai Fhitung > Ftabel, sehingga tolak H0 dan simpulkan bahwa persentase perekat berpengaruh secara signifikan terhadap MOR.

commit to user

IV-9


digilib.uns.ac.id

3. Faktor penekanan (faktor C), nilai Fhitung > Ftabel, sehingga tolak H0 dan simpulkan bahwa penekanan berpengaruh secara signifikan terhadap nilai MOR. 4. Ditinjau dari interaksi antara faktor ukuran partikel (faktor A) dan persentase perekat (faktor B), nilai Fhitung > Ftabel, sehingga tolak H0 dan simpulkan bahwa interaksi antara faktor ukuran partikel (faktor A) dan persentase perekat (faktor B) berpengaruh secara signifikan terhadap nilai MOR. 5. Ditinjau dari interaksi antara faktor ukuran partikel (faktor A) dan penekanan (faktor C), nilai Fhitung > Ftabel, sehingga tolak H0 dan simpulkan bahwa interaksi antara faktor ukuran partikel (faktor A) dan penekanan (faktor C) berpengaruh secara signifikan terhadap nilai MOR. 6. Ditinjau dari interaksi antara faktor persentase perekat (faktor B) dan penekanan (faktor C), nilai Fhitung < Ftabel, sehingga terima H0 dan simpulkan bahwa interaksi antara persentase perekat (faktor B) dan penekanan (faktor C) tidak berpengaruh secara signifikan terhadap nilai MOR. 7. Ditinjau dari interaksi antara faktor ukuran partikel (faktor A), persentase perekat (faktor B), dan penekanan (faktor C), nilai Fhitung > Ftabel, sehingga tolak H0 dan simpulkan bahwa interaksi antara ukuran partikel (faktor A), persentase perekat (faktor B), dan penekanan (faktor C) berpengaruh secara signifikan terhadap nilai MOR.

4.3.2 Uji Pembanding Ganda Uji ANOVA hanya menjelaskan perbedaan antar perlakuan yang diuji dalam eksperimen. Namun, jika terdapat faktor yang dinyatakan berpengaruh signifikan terhadap variabel respon, ANOVA belum memberikan informasi tentang level dari faktor tersebut yang memberikan perbedaan. Maka dari itu, diperlukan uji setelah ANOVA, yaitu uji pembanding ganda Uji pembanding ganda yang digunakan dalam pengolahan data ini adalah uji Tukey. Uji Tukey dilakukan terhadap interaksi faktor yang berpengaruh signifikan terhadap nilai MOR untuk mengetahui level dari interaksi faktor yang memberikan perbedaan nilai MOR dan juga menentukan level yang terbaik dari commit to user

IV-10


digilib.uns.ac.id

interaksi faktor yang memberikan nilai MOR yang optimal. Berikut ini adalah contoh perhitungan untuk keperluan uji Tukey pada faktor ukuran partikel: 1. Menghitung nilai Tukey HSD: a. Menentukan nilai MSerror dan derajat bebasnya yang diperoleh dari Tabel ANOVA. · MSerror = 0,224 · df = 36 b. Menentukan nilai kritis dari tabel Studentized Range. · Ada tiga parameter yang dibutuhkan untuk menentukan nilai q, yaitu taraf nyata (α), p = banyaknya perlakuan yang akan dibandingkan, dan derajat bebas error (df). Pada contoh ini, p = 3, nilai df = 36, dan α = 0,05. Selanjutnya, menentukan nilai q0.05(3, 36). · Dari tabel Studentized Range, diketahui nilai q0.05(3, 36) = 3,46 · Menghitung nilai HSD dengan menggunakan formula berikut: ω = qα¶p,v = 3,46 ×

MSerror r 0,224 18

= 0,386 c. Kriteria pengujian: · Bandingkan nilai mutlak selisih kedua rata-rata yang akan kita lihat perbedaannya dengan nilai HSD dengan kriteria pengujian sebagai berikut: · Jika |µi -µj |

>0,386 Tolak H0 (berbeda nyata) ≤0,386 Terima H0 (tidak berbeda nyata)

2. Mengurutkan nilai rata-rata perlakuan dari kecil ke besar atau sebaliknya. Pada contoh ini, rata-rata perlakuan diurutkan dari besar ke kecil. Tabel 4.5. Rata-rata nilai MOR berdasarkan ukuran partikel Perlakuan Rataan Notasi a3 4,478 a2 4,222 a1 commit 4,056 to user

IV-11


digilib.uns.ac.id

3. Menghitung perbedaan di antara rata-rata perlakuan untuk menentukan ratarata perlakuan yang sama dan yang berbeda. Salah satu caranya adalah dengan memberikan notasi huruf pada nilai rata-rata tersebut. 4. Langkah maju: a. Memberikan huruf “A” pada nilai rata-rata perlakuan terbesar pertama, yaitu 4,478. b. Mengurangkan nilai 4,478 dengan nilai HSD: 4,478 - 0,386 = 4,092. c. Memberikan huruf yang sama untuk nilai rata-rata perlakuan yang lebih dari atau sama dengan nilai 4,092. Tabel 4.6. Langkah pemberian notasi pertama pada perlakuan ukuran partikel Perlakuan a3 a2 a1

Rataan 4,478 4,222 4,056

Notasi A A

d. Terlihat bahwa a3 (4,478) tidak berbeda dengan a2 (4,222), sedangkan a1 (4,056) sudah berbeda dengan a2 (4,222) karena 4,056 < 4,092. e. Karena perlakuan a1 berbeda dengan a3, maka berikan huruf “B” pada nilai rata-rata perlakuan tersebut. Tabel 4.7. Langkah pemberian notasi kedua pada perlakuan ukuran partikel Perlakuan a3 a2 a1

Rataan 4,478 4,222 4,056

Notasi A A B

5. Langkah mundur: a. Menambahkan nilai rata-rata a1 dengan nilai HSD: 4,056 + 0,386 = 4,441. b. Memberikan kode huruf yang sama dengan perlakuan a1, yaitu “B” pada nilai rata-rata perlakuan yang nilainya kurang dari atau sama dengan nilai 4,441. Tabel 4.8. Langkah pemberian notasi ketiga pada perlakuan ukuran partikel Perlakuan Rataan Notasi a3 4,478 A B a2 4,222 A commit to user B a1 4,056

IV-12


digilib.uns.ac.id

6. Langkah mundur sudah dilakukan, berarti pemberian notasi huruf sudah selesai dan notasi akhirnya adalah sebagai berikut: Tabel 4.9. Langkah pemberian notasi akhir pada perlakuan ukuran partikel Perlakuan a3 a2 a1

Rataan 4,478 4,222 4,056

Notasi A A

B B

Notasi Akhir A AB B

Dari hasil di atas, perlakuan yang mempunyai notasi yang sama tidak berbeda secara signifikan. Namun, dari hasil uji tersebut dapat dilihat bahwa ratarata nilai MOR yang paling tinggi adalah perlakuan a3 dengan ukuran partikel 40 mesh dan paling rendah adalah perlakuan a1 dengan ukuran partikel 20 mesh. Uji Tukey untuk interaksi faktor selanjutnya dilakukan dengan menggunakan software MINITAB. Hasil uji Tukey menggunakan MINITAB dapat dilihat pada Lampiran L-III.

4.4

KLASIFIKASI PAPAN PARTIKEL Untuk memenuhi standar papan partikel sebagai bahan konstruksi,

diperlukan suatu acuan yang dapat mengklasifikasikan papan partikel berdasarkan nilai MOR. Standar yang digunakan mengacu pada ANSI A208.1-1999 tentang papan partikel. Klasifikasi papan partikel masing-masing kombinasi dapat dilihat pada Tabel 4.10. Tabel 4.10. Klasifikasi papan partikel berdasarkan nilai MOR Kombinasi Nilai MOR (N/mm2) Kelas a1b1c1 2,131 a1b2c1 3,072 LD-1 a1b3c1 3,810 LD-1 a2b1c1 2,094 a2b2c1 3,014 LD-1 a2b3c1 4,796 LD-1 a3b1c1 2,273 a3b2c1 2,430 a3b3c1 3,759 LD-1 a1b1c2 LD-1 commit 3,753 to user

IV-13


digilib.uns.ac.id

a1b2c2 a1b3c2 a2b1c2 a2b2c2 a2b3c2 a3b1c2 a3b2c2 a3b3c2

4,578 6,989 3,878 5,302 6,249 5,162 6,701 6,542

LD-1 LD-2 LD-1 LD-2 LD-2 LD-2 LD-2 LD-2

Pemilihan desain papan partikel dilakukan dengan mempertimbangkan nilai MOR yang optimal. Berdasarkan data hasil pengukuran nilai MOR, diketahui bahwa rata-rata nilai MOR yang optimal sebesar 6,989 MPa pada perlakuan a1b3c2, yaitu kombinasi ukuran partikel 20 mesh, persentase perekat 15%, dan penekanan 2:1. Dengan mempertimbangkan besarnya rata-rata nilai MOR dari ketiga replikasi, maka desain papan partikel untuk perlakuan a1b3c2 dapat dijadikan alternatif untuk pengembangan papan partikel berbahan dasar serat alam.

4.5

PERHITUNGAN MODULUS OF ELASTICITY (MOE) Perhitungan MOE dilakukan pada spesimen dengan nilai MOR terkecil

yang masih memenuhi standar papan partikel yaitu kombinasi a2b2c1. Untuk kombinasi faktor ukuran partikel 30 mesh, persentase perekat 10%, dan penekanan 3:2 diketahui:

S

= 150 mm

D = 4 mm L = 50 mm T = 6 mm B = 35,3 N Sehingga diperoleh: MOE =

=

S3 B 4lt3 D 1503 × 35,3 4 × 50 × 63 × 4

= 689,45 N/mm2 commit to user

IV-14


4.6

digilib.uns.ac.id

PERHITUNGAN NILAI DENSITAS Setelah melakukan beberapa perbandingan dari masing-masing perlakuan,

didapatkan kombinasi level yang paling optimal, yaitu spesimen dengan ukuran partikel 20 mesh, persentase perekat 15%, dan penekanan sebesar 2:1. Nilai MOR yang didapatkan sebesar 6,989 MPa. Selanjutnya yaitu melakukan perhitungan nilai densitas dari spesimen tersebut. Perhitungan nilai densitas dilakukan untuk mengetahui kerapatan dari spesimen dengan nilai MOR yang paling optimal. Perhitungan dilakukan dengan cara merendam potongan spesimen pada korosin. Kemudian dari langkah tersebut dapat diketahui volume dan berat dari potongan spesimen. Contoh perhitungannya sebagai berikut: ρkorosin = 0,75 Gaya apung = ρkorosin × volume spesimen = 0,75 x 3,2 = 2,4 ρspesimen =

Wspesimen × ρkorosin Wspesimen - Wkorosin

ρspesimen =

Wspesimen × ρkorosin Gaya apung

=

2,7 × 0,75 2,4

= 0,844 gram/ml

Data hasil perhitungan densitas dapat dilihat pada Tabel 4.11. Nilai densitas yang diperoleh dari spesimen ini yaitu 0,803 ± 0,053 gram/ml.

Tabel 4.11. Perhitungan densitas pada spesimen dengan nilai MOR yang optimal Sample 1 2 3 4 5

Volume Berat 3,2 2,7 3,0 2,5 4,0 3,0 4,3 3,3 2,8 2,3 commit to user Rata-rata

IV-15

Densitas 0,844 0,833 0,750 0,767 0,821 0,803


4.7

digilib.uns.ac.id

PEMBUATAN PROTOTYPE Prototype merupakan pembuatan alat dengan ukuran kecil maupun ukuran

sebenarnya sebelum produk diproduksi secara massal, yang bertujuan untuk mengetahui bentuk fisik produk, proses pembuatan produk, dan pengujian kinerja produk. Pada penelitian ini, prototype dibuat dengan ukuran 20 x 20 x 1,2 cm. Berikut merupakan hasil dari pembuatan prototype produk:

Gambar 4.5. Prototype produk papan partikel

4.8

ESTIMASI BIAYA Estimasi biaya yang dihitung meliputi biaya bahan baku untuk pembuatan

produk papan partikel dengan ukuran 244 x 122 x 1,2 cm. Produk papan partikel yang dibuat yaitu kombinasi faktor ukuran partikel 20 mesh, persentase perekat 15%, dan penekanan 2:1. Untuk ampas tebu, harga per kg dihitung dengan biaya transportasi per kapasitas untuk sekali angkut. Contoh perhitungannya sebagai berikut: Biaya transportasi = Rp 150.000,00 ρampas = 0,36 Tabel 4.12. Spesifikasi bak pick up Spesifikasi Dimensi (cm) Panjang 242,5 Lebar 160,0 Tinggi commit to user 30,0

IV-16


digilib.uns.ac.id

Volume

1.164.000,0

mampas = ρv = 0,36 x 1.164.000 = 419.040 gram = 419,04 kg / sekali angkut

Biaya per kg =

Biaya Transportasi Volume Bak

= Rp 150.000,00 / 419,04 = Rp 357,96 / kg

Untuk harga PVAc dan borax diketahui berdasarkan harga yang terdapat di pasaran sehingga diperoleh harga untuk masing-masing bahan baku yang dirangkum pada Tabel 4.13. Tabel 4.13. Harga bahan baku untuk pembuatan produk papan partikel Bahan Baku Ampas tebu PVAc Borax

Harga per kg Rp 357,96 Rp 9.000,00 Rp 6.250,00

Langkah selanjutnya yaitu menghitung kebutuhan masing-masing bahan baku untuk satu produk papan partikel berukuran 244 x 122 x 1,2 cm. Volume produk = 244 x 122 x 1,2 cm = 35.721,6 cm3 · Massa ampas tebu = % bahan x volume produk x massa jenis x penekanan = 85% x 35.721,6 x 0,36 x 2 = 21.861,62 gram = 21,86 kg · Massa PVAc

= % bahan x volume produk x massa jenis x penekanan = 15% x 35.721,6 x 1,15 x 2 = 12.323,95 gram commit to user

IV-17


digilib.uns.ac.id

= 12,32 kg · Massa Borax

= 20% x massa ampas tebu = 20% x 21,86 = 4,37 kg

Borax dapat digunakan untuk 5 kali perendaman ampas tebu sehingga pembebanannya sebesar 1/5 untuk 1 produk. · Biaya ampas tebu = harga per kg x massa ampas tebu = Rp 357,96 x 21,96 = Rp 7.925,61 · Biaya PVAc

= harga per kg x massa PVAc = Rp 9.000,00 x 12,75 = Rp 114.773,50

· Biaya borax

= harga per kg x massa borax = Rp 6.250 x 4,37 / 5 = Rp 5.465,40

· Total biaya

= biaya ampas tebu + biaya PVAc + biaya borax = Rp 128.064,51

Dengan cara yang sama maka diperoleh biaya bahan baku untuk masingmasing kombinasi yang tertera pada Tabel 4.14.

Tabel 4.14. Biaya bahan baku untuk masing-masing kombinasi Kombinasi Nilai MOR Kelas Biaya Bahan Baku a1b1c1 2,131 Rp 39.834,37 a1b2c1 3,072 LD-1 Rp 67.941,38 a1b3c1 3,81 LD-1 Rp 96.048,39 a2b1c1 2,094 Rp 39.834,37 a2b2c1 3,014 LD-1 Rp 67.941,38 a2b3c1 4,796 LD-1 Rp 96.048,39 a3b1c1 2,273 Rp 39.834,37 a3b2c1 2,43 Rp 67.941,38 commit to user a3b3c1 3,759 LD-1 Rp 96.048,39

IV-18


a1b1c2 a1b2c2 a1b3c2 a2b1c2 a2b2c2 a2b3c2 a3b1c2 a3b2c2 a3b3c2

digilib.uns.ac.id

3,753 4,578 6,989 3,878 5,302 6,249 5,162 6,701 6,542

LD-1 LD-1 LD-2 LD-1 LD-2 LD-2 LD-2 LD-2 LD-2

commit to user

IV-19

Rp Rp Rp Rp Rp Rp Rp Rp Rp

53.112,50 90.588,50 128.064,51 53.112,50 90.588,50 128.064,51 53.112,50 90.588,50 128.064,51

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

Recommend Documents