PENGENDALIAN KUALITAS PROSES PRODUKSI MENGGUNAKAN

DIAGRAM KONTROL MULTIVARIAT p

(Studi pada produksi botol sprite di PT.X Surabaya)
Yoyok Yuni Saputro

, Solimun

, Ni Wayan Surya W

Jurusan Matematika, F.MIPA, Universitas Brawijaya, Malang, Indonesia
Email: yoyokyunisaputro@yahoo.com
Abstrak. Tujuan penelitian ini adalah untuk menganalisis pengontrolan dan stabilitas proses produksi, dan peubah yang
menjadi penyebab dalam mempengaruhi proses pengontrolan produksi botol Spite di PT. X Surabaya. Data yang digunakan
adalah data sekunder tentang pengendalian biaya kualitas botol sprite 200 ml pada bulan Maret dan April 2009. Klasifikasi
jenis cacat dikelompokkan menjadi tiga kelas cacat, antara lain: kritis, major dan minor. Untuk mengontrol proses produksi
digunakan diagram kontrol Multivariat p. Berdasarkan hasil analisis dapat disimpulkan bahwa proses produksi botol sprite
fase I terkendali secara statistik pada kontrol ke 2. Batas kendali tersebut digunakan untuk pengontrolan fase II, dan
didapatkan proses produksi data fase tersebut terkendali secara statistik, sehingga dapat digunakan sebagai batas kontrol
standar produksi botol sprite 200 ml untuk pengontrolan berikutnya.
Kata Kunci: Botol sprite, Multivariat p, Pengendalian kualitas.
1. PENDAHULUAN
Setiap usaha berkompetisi dengan perusahaan lain di dalam industri yang sejenis. Salah satu
cara agar bisa memenangkan kompetisi atau paling tidak dapat bertahan di dalam kompetisi tersebut
adalah dengan memberikan perhatian penuh terhadap kualitas produk yang dihasilkan oleh
perusahaan, sehingga bisa mengungguli produk yang dihasilkan oleh pesaing. Menurut Montgomery
(2009) tujuan utama pengontrolan kualitas statistik adalah mengurangi keragaman yang sistematik
dalam karakteristik utama suatu produk. Penelitian untuk kasus proses produksi yang multi-atribut
masih jarang ditemui, sehingga diagram kontrol atribut multivariat masih jarang digunakan. Metode
yang digunakan untuk kasus proses produksi pada perusahaan botol, yaitu diagram kontrol Multivariat
p (Mp Chart) yang merupakan pengembangan dari diagram kontrol p. Penggunaan diagram kontrol
yang univariat kurang sesuai untuk kasus ini karena kurang sensitif dalam menganalisis data (Lu, et al.
1998).
2. TINJAUAN PUSTAKA
2.1 Diagram Kontrol Atribut Multivariat p (Mp Chart)
2.1.1 Konsep Dasar
Diagram multivariat p memiliki nilai pembobot sebesar 0< d
i
<1 , d
i
< d
i+1
, d
0
=0 dan d
1
=1,
dimana nilai pembobot ditentukan oleh besarnya tingkat kepentingan jenis cacat (Cozzucoli, 2009).
Dalam hal ini peubah acak multivariat ( )
k i
x x x ,..., ,...,
1
= x memiliki sebaran multinomial dengan
parameter n dan vektor probabilitas
( )
k i
p p p ,..., ,...,
1
= p
, di mana 1 0 s s
i
p dan

=
=
k
i
i
p
1
1
.
Diagram multivariat p dilakukan pada dua tahap, yaitu fase I dan fase II. Pengontrolan pada data
fase I dilakukan terlebih dahulu pada data histori dan data fase II diambil dari data sekarang dengan
memilih m pengamatan masing-masing secara umum sebesar 20 atau 25. Perubahan dalam banyaknya
pengamatan menyebabkan perubahan dalam batas-batas pengendali, walaupun garis tengahnya tetap.
Apabila pengamatan bertambah banyak atau bertambah besar, maka batas-batas pengendali lebih
rendah atau lebih sempit. Sehingga titik-titik yang seharusnya terkendali sekarang menjadi tak
terkendali. Namun apabila pengamatan berkurang, maka batas-batas pengendali lebih lebar. Batas
pengendali fase I digunakan untuk menentukan apakah proses dalam keadaan terkendali ketika m
pengamatan pendahuluan tersebut dipilih. Jika semua titik berada dalam batas pengendali dan tidak
ada perilaku yang sistematik, maka pada waktu proses itu terkendali, dan batas pengendali itu pantas
untuk pengendalian produksi sekarang dan yang akan datang. Apabila terdapat titik yang berada di
luar batas pengendali diperlukan pemeriksaan sebab terduga. Jika ditemukan sebab terduga, titik itu


dibuang, dan batas pengendali fase I dihitung kembali hanya menggunakan titik-titik sisanya.
Selanjutnya titik-titik sisa diperiksa kembali, sehingga diperoleh batas kendali yang berasal dari proses
terkendali. Proses terkendali adalah proses di mana seluruh pengamatan berada di dalam batas kendali.
Pengontrolan fase I bertujuan untuk mengidentifikasi multivariate outlier, sehingga nilai batas kendali
dari pengontrolan fase I cukup akurat untuk pengontrolan fase II. Fase II bertujuan untuk
mengevaluasi apakah proses berikutnya tetap terkendali. Pada fase II batas pengendali menggunakan
batas kendali pada fase I dari proses terkendali secara statistik (Jensen, 2007).
Diasumsikan klasifikasi cacat berdasarkan tingkat cacat keseluruhan sebagai berikut :

=
=
k
i
ij i j
p d
1
o

di mana:
d
i
: vektor pembobot dari kelas cacat (0 d
i
1)
p
ij
: proporsi sebuah item kelas cacat ke-i pada pengamatan ke-j.

j
: tingkat cacat keseluruhan (0<
j
<1)
i : kelas cacat kualitas
2.1.2 Penduga Parameter
Langkah-langkah untuk menduga parameter adalah sebagai berikut :
1. Mengambil sebanyak m pengamatan dengan ukuran tiap pengamatan sebesar n. Pada
umumnya aturan dalam Statistical Process Control (SPC), m bisa berukuran 25.
2. Menentukan x
ijq
sebagai kelas cacat kualitas ke-i pada pengamatan j,dan pada jenis cacat q,
dimana i = 1 ,, k ; j = 1, , m ; q = 1, , r
Vektor proporsi cacat dari pengamatan j,dengan kelas cacat i, p
ij
diduga sebagai berikut :
|
|
|
|
|
.
|

\
|
=

= = =
n
x
n
x
n
x
q
jq
q
jq
q
jq
20
12
3
11
4
2
3
1
1
, ,
ij
p
=
|
|
.
|

\
| + + + + + + + +
n
x x x
n
x x x
n
x x x
j j j j j j j j j 20 3 13 3 12 3 11 2 5 2 4 2 3 1 2 1 1 1
...
,
...
,

( )
j j j
p p p
3 2 1
, , = j = 1, 2, , m ; q = 1, 2, , r
(Lu, 1998).
Di mana
ij
p adalah penduga vektor proporsi cacat, x
1jq
adalah banyaknya cacat pada kelas cacat ke-1
atau kelas cacat kritis, pengamatan ke-j, dengan jenis cacat ke-q dan n adalah banyaknya produk cacat
tiap pengamatan ke-j.
Vektor rata-rata proporsi cacat diduga sebagai berikut :
|
|
|
|
|
.
|

\
|
=

= = =
nm
x
nm
x
nm
x
q
jq
q
jq
q
jq
20
12
3
11
4
2
3
1
1
, ,
i
p
|
|
.
|

\
| + + + + + + + +
=
nm
x x x
nm
x x x
nm
x x x
j j j j j j j j j 20 3 13 3 12 3 11 2 5 2 4 2 3 1 2 1 1 1
...
,
...
,


( )
3 2 1
, , p p p =

Setelah diperoleh nilai-nilai dugaan vektor rata-rata proporsi, sehingga untuk memantau
kecacatan o
j
parameter keseluruhan, kita dapat menggunakan contoh statistik sebagai berikut :

=
=
k
1 i
ij i j
p d

Penduga yang bersifat konsisten adalah :
( )
(
(

|
.
|

\
|
|
.
|

\
|
=

= =
2
1 1
2 2

1

k
i
ij i
k
i
ij i j
p d p d
n
S o

2.1.3 Menentukan Batas Kontrol
Batas kontrol untuk diagram kontrol Shewhart tipe Multivariat p (Mp) dengan jumlah
pengamatan yang sama yaitu :

= = = (
(

|
.
|

\
|
|
.
|

\
|
+ =
k
i
k
i
i i
k
i
i i k i i
p d p d
n
p d BPA
1
2
1 1
2 2
,

1

o
_

=
=
k
i
i i
p d GT
1

150


) 1 (
1

1
2
1 1
2 2
,
= = = (
(

|
.
|

\
|
|
.
|

\
|
=
k
i
k
i
i i
k
i
i i k i i
p d p d
n
p d BPB
o
_


2.2 Identifikasi Signal Out of Control
Taleb (2009) menjelaskan bahwa suatu pendekatan dalam mendiagnosis data yang tidak
terkontrol menggunakan distribusi multinomial, sehingga prosedur statistik yang benar berdasarkan
contoh statistik adalah
( )
) 2 (

1 0
2
0
0
=
+

=
r
q q jq
q jq
q q
X X
p p
n n Z

Z
q
merupakan indikator kontribusi relatif dari peubah ke-q untuk keseluruhan statistik, n
0
dan n
q

merupakan ukuran pengamatan periode ke-0 dan ke-q dan q adalah subgrup yang out of control.
Perbaikan proses difokuskan pada peubah yang memiliki nilai Z
q
lebih besar dari batas kontrol atas
(Upper Control Limit) (Cozzucoli, 2009).
3. HASIL DAN PEMBAHASAN
3.1 Diagram Multivariat p
Diagram multivariat p dilakukan pada dua tahap, yaitu fase I bertujuan untuk mengidentifikasi
multivariat outlier dan fase II digunakan untuk mengidentifikasi data yang baru apakah terkendali
secara statistik, sehingga kualitas hasil produksi memenuhi spesifikasi yang diinginkan. Pada fase I
menggunakan 20 pengamatan data proses produksi botol sprite 200 ml periode bulan Maret 2009,
dengan pengamatan subgrup sama yaitu 500 botol. Menggunakan persamaan (1) diperoleh diagram
multivariat p fase I seperti Gambar 1.







Gambar 1. Diagram Multivariat p Fase I (Kontrol 1)
Gambar di atas menunjukkan adanya kondisi out of control yang mencerminkan adanya
masalah pada kualitas produksi, sehingga dilakukan identifikasi terhadap peubah yang menyebabkan
tidak terkontrol. Dari persamaan (2) diketahui peubah yang menyebabkan tidak terkontrol pada nomor
pengamatan ke-13 yaitu: X
1
, X
8
, X
10
, X
14
, X
16
, X
18
dan X
19.

Berikut adalah diagram multivariat p fase I (Kontrol 2) setelah pengamatan ke 13 yang berada
diluar batas kendali dihilangkan.

Gambar 2. Diagram Multivariat p Fase I (Kontrol 2)
Pengontrolan kedua dengan menggunakan diagram multivariat p fase I telah menunjukkan
151


bahwa tidak teridentifikasi pengamatan di luar batas kendali, walaupun terdapat pola yang terindikasi
menuju out of control, yaitu pola pelekatan dan pola tren. Penerapan diagram multivariat p fase II
menggunakan 12 pengamatan, dengan nilai batas kendali diagram multivariat p fase I (Kontrol 2) pada
Gambar 2.

Gambar 3. Diagram Multivariat p Fase II
Gambar di atas mengindikasikan bahwa data fase II tidak teridentifikasi pengamatan di luar
batas kendali, sehingga dapat dikatakan data fase tersebut proses produksi botol sprite 200ml dalam
kondisi terkendali secara statistik dan dapat digunakan sebagai batas kontrol standar produksi botol
sprite 200ml untuk pengontrolan berikutnya.
4. KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan analisis dengan metode diagram multivariat p, proses produksi botol Sprite dalam
kondisi terkendali secara statistik. Batas kontrol yang diperoleh dari fase I dengan Batas Pengendali
Atas (BPA) = 0.0565, Garis Tengah (GT) = 0.0361 dan Batas Pengendali Bawah (BPB) = 0.0158.
Batas-batas kendali tersebut digunakan untuk pengontrolan data fase II, dan didapatkan bahwa proses
produksi data fase tersebut terkendali secara statistik, sehingga dapat digunakan sebagai batas kontrol
standar produksi botol sprite 200 ml untuk pengontrolan berikutnya. Pada diagram multivariat p fase I
(Kontrol 1) terdapat satu pengamatan yang tidak terkontrol yang disebabkan oleh peubah X
1
(Sticky
plunger), X
8
(Crack shoulder), X
10
(Oval), X
14
(Crizzle), X
16
(Heavy bottom), X
18
(Rocky bottom) dan
X
19
(Shear mark on ring).
4.2 Saran
Diagram multivariat p sangat sensitif dalam mengidentifikasi peubah penyebab out of control,
sehingga perusahaan lebih fokus terhadap peubah tersebut dan untuk meminimalisir jumlah cacat
dalam perbaikan proses berikutnya. Untuk peneliti lain disarankan membahas pengendalian kualitas
proses produksi dengan metode Six Sigma DMAIC (Define, Measure, Analysis, Improve, Control)
menggunakan diagram multivariat p.
DAFTAR PUSTAKA
Cozzucoli, P.C., (2009), Process Monitoring with Multivariate p-Control Chart, Journal of Quality,
Statistics, and Reliability, University of Calabria, Italy.
Gaspersz, V., (2003), Metode Analisis untuk Peningkatan Kualitas, Gramedia Pustaka Utama, Jakarta.
Jensen, W.A., Birch, J.B. and Woodall, W.H., (2007), High Breakdown Estimation Methods for Phase
I Multivariate Control Charts, Journal Quality and Reliability Engineering International, 23,
hal. 615-629.
Lu, X.S., Xie, M., Goh, T.N and Lai, C.D., (1998), Control Chart for Multivariate Attribute Processes,
International Journal of Production Research, 36, hal. 3477-3489.
Montgomery, D.C., (1995), Pengendalian Kualitas Statistik, Terjemahan Zanzawi Soejoeti, Gadjah
Mada University Press, Yogyakarta.
Taleb, H., (2009), Control Chart Applications For Multivariate Attribute Processes, Journal
Computers and Industrial Engineering, 56, hal. 399-410.
152