Grafik Multivariat np

Oleh Kelompok 6:
1. Fatimah
(24010210120028)
2. Edtrianasari Pandu Harmonita
(24010210120039)
3. M. Mujahid
(24010210141042)
A. Dasar Teori
Diagram Kontrol Multivariat np
Diagram kontrol multivariat np merupakan diagram kontrol yang menangani proses
variabel multivariat yang bersifat atribut (Lu, 1998). Variabel multivariat adalah pemeriksaan
obyek yang dilakukan pada lebih dari satu karakteristik kualitas, sehingga apabila proses
mempunyai variabel multivariat dan bersifat atribut maka diagram kontrol yang paling cocok
digunakan adalah diagram kontrol multivariat np (Mnp chart).
Grafik pengendali Mnp merupakan grafik pengendali yang menangani proses variabel
multivariat yang bersifat atribut (Lu, 1998). Variabel multivariat adalah pemeriksaan obyek
yang dilakukan pada lebih dari satu karakteristik kualitas, sehingga apabila proses
mempunyai variabel multivariat dan bersifat atribut maka grafik pengendali yang paling
cocok digunakan adalah grafik pengendali Mnp (Mnp chart).
Pada proses yang diamati, dapat diasumsikan bahwa i= 1,2,,m adalah karakteristik
kualitas, pi merupakan probabilitas sebuah item cacat (noncomforming) pada suatu
karakteristik kualitas i. Karakteristik-karakteristik kualitas tersebut mungkin tidak
independen sehingga dinyatakan koefisien korelasi antara karakteristik i dan karakteristik j
yaitu ij. Dengan catatan (Lu, 1998):

maka nilai statistik X pada tiap pengamatan ke-j adalah (Lu, 1998):

j = 1, 2,, k (2)

Dimana Xj merupakan nilai statistik X pada pengamatan ke-j,

merupakan
banyaknya cacat pada pengamatan ke-j karakteristik kualitas ke-i dan merupakan rata-rata
proporsi cacat pada karakteristik kualitas ke-i.
Estimasi Parameter Model
Ketika proporsi cacat vektor p dan matrik korelasi tidak diketahui, maka harus
diestimasi dari data pengamatan
Vektor proporsi cacat dari sampel j, pj, diestimasi sebagai berikut:

) j=1,2,...,k

dimana i = 1,, m dan j = 1,, k dengan adalah taksiran vektor proporsi cacat, adalah
banyaknya cacat pada variabel 1 pengamatan ke-j dan n adalah banyaknya sampel tiap
pengamatan ke-j

Vektor rata-rata proporsi cacat p diestimasi dengan:

Sedangkan untuk estimasi dari matrik korelasi adalah:

(

)
)

]*
) ] [

) ]

]mxm

Dimana :
= nilai taksiran vektor rata-rata cacat
= nilai taksiran dari matriks korelasi
Setelah menaksir proporsi cacat p dan matrik korelasi , maka didapatkan taksiran
untuk mean dan varian dari statistik X sebagai berikut :

Menentukan Batas Kontrol

Setelah diketahui estimasi dari vektor rata-rata proporsi cacat p adalah vektor dan
, maka garis tengah dan batas kontrol untuk grafik pengendali
estimasi matriks korelasi
Mnp adalah:

Untuk uji hipotesis, Statistik X diplot dari setiap sampel dalam Mnp chart. Jika semua
titik berada dalam batas kontrol maka dapat disimpulkan bahwa proses atribut multivariat
dalam keadaan terkontrol dan batas kontrol percobaan pantas untuk digunakan dalam
pengontrolan produksi selanjutnya.
Identifikasi Sinyal Out-of-Control
Setelah mengetahui titik sampel mana saja yang di luar batas pengendali maka
langkah selanjutnya adalah mengidentifikasi titik-titik yg out-of-control, hal ini bertujuan
untuk mengetahui titik yang paling besar kontribusinya menyebabkan proses tak terkendali.
Statistik yang digunakan dalam menginterprestasikan sinyal out-of-control dalam
Mnp chart adalah (Lu, 1998):
[

dimana:
Zi = skor statistik
ci = jumlah cacat pada karakteristik kualitas i
= rata-rata proporsi cacat pada karakteristik kualitas i

B. Analisis dan Pembahasan

Estimasi Parameter Model
Pada pengontrolan produksi, langkah awal yang dilakukan adalah menghitung nilai
koefisien korelasi dari ke 5 variabel. Didapati dari ke 5 variabel tersebut ada yang tidak
signifikan secara nilai p-value, namun pada kenyataannya ke 5 variabel ini saling
mempengaruhi, sehingga asumsi korelasi dianggap terpenuhi.
Langkah selanjutnya adalah mengestimasi nilai parameter model, menggunakan
rumus dan data produk tak sesuai dari ke 5 variabel, dengan hasil sebagai berikut:
Tabel 1. Tabel Nilai
Proporsi

Nilai
0.0093
0.0149
0.0163

0.0033
0.0145

Berdasarkan nilai tabel 1 didapatkan urutan nilai rata-rata proporsi cacat pada tiap
variabel sebagai berikut:
1.
2.
3.
4.
5.

Produk dengan Kualitas 3 (C3) dengan nilai sebesar 0.0163

Produk dengan Kualitas 2 (C2) dengan nilai sebesar 0.0149
Produk dengan kualitas 5 (C5) dengan nilai sebesar 0.0145
Produk dengan kualitas 1 (C1) dengan nilai sebesar 0.0093
Produk dengan kualitas 4 (C4) dengan nilai sebesar 0.0033

Dari hasil tersebut didapati kesalahan yang mempunyai probabilitas terbesar yakni
kesalahan yang paling terjadi adalah kesalahan pada variabel ke-3.
Menentukan Batas Kontrol
Langkah selanjutnya setelah menghitung nilai parameter yang selanjutnya
dilakukan adalah menghitung batas kontrol sesuai dengan rumus BKA dan BKB di
pemaparan di atas juga menghitung nilai Statistik X nya, sehingga didapat hasil BKA dan
BKB sebagai berikut:

BKA = 515.9437645
BKB = 8.091324841

Selanjutnya diperoleh plot nilai Statistik X sebagai berikut:

Grafik Mnp dg n=500

700
600

Axis Title

500
400

statistik X

300

BKA
BKB

200
100
0
1 2 3 4 5 6 7 8 9 10 11 1213 14 1516 17 18 1920

Gambar 1.1 Diagram Pengendali Mnp

Dari Plot di atas di dapatkan ada 3 pengamatan yang berada di luar batas kontrol atas,
yakni pengamatan ke 5,6 dan 13. Sehingga dapat simpulkan bahwa proses produksi berada

dalam keadaan Out-of-control. Statistik X dari hasil pengamatan ou-of control sebagai
berikut:
Tabel 3. Nilai Statistik X yang out-of-control
Pengamatan
Ke-5
Ke-6
Ke-13

Statistik X
401.7077856
578.7777861
548.7177583

Identifikasi Sinyal Out-Of-Control

Dari hasil pengamatan didapati hasil pengamatan ke-5,ke-6 dan ke-13 berada dalam
keadaan ot-of-control, dimana selanjutnya akan dilakukan perbaikan proses. Perbaikan proses
ini perlu dilakukan penelusuran dibagian variabel manakah yang banyak menyumbang
kesalahan terbesar pada proses produksi, agar proses perbaikan produksi lebih optimal.
Tabel 4. Tabel Zi (Variabel Out-Of-Control)
Variabel
1
2
3
4
5

zi(5)
13.99884788
12.69809477
-1.174890675
23.50048355
-26.98978095

zi(6)
zi(13)
24.36836 45.1074
37.27505 37.27505
30.15553 37.98813
40.90825 40.90825
14.53296 -35.2943

Berdasarkan pada tabel di atas didapatkan hasil sebagai berikut:

1. Pada pengamatan ke-5, nilai Zi tertinggi adalah Z4= 23.50048355. Sehingga
kontributor terbesar penyebab sinyal out-of-control adalah pengamatan ke-5 variabel
ke-4.
2. Pada pengamatan ke-6, nilai Zi tertinggi adalah Z4= 40.90825. Sehingga kontributor
terbesar penyebab sinyal out-of-control adalah pengamatan ke-6 variabel ke-4.
3. Pada pengamatan ke-13, nilai Zi tertinggi adalah Z1= 45.1074. Sehingga kontributor
terbesar penyebab sinyal out-of-control adalah pengamatan ke-13 variabel ke-1.