STUDI SIMULASI GRAFIK PENGENDALI BERDASARKAN ESTIMASI

FUNGSI DENSITAS KERNEL BIVARIAT

Selfie Pattihahuan, Adi Setiawan, Leopoldus Ricky Sasongko
Program Studi Matematika, Fakultas Sains dan Matematika
Universitas Kristen Satya Wacana
Jl. Diponegoro 52-62 Salatiga 50711, email: selypatthy@rocketmail.com

Abstrak
Pengendalian kualitas secara statistik dapat dilakukan dengan menggunakan
grafik pengendali, Salah satunya adalah penggunaan grafik pengendali
berdasarkan Estimasi Fungsi Densitas Kernel. Data yang digunakan adalah dua
titik sampel bivariat yaitu x1 1,2 , x 2 3,4 dan data simulasi bivariat yang
dibangkitkan dari kombinasi dua distribusi normal bivariat dengan ukuran sampel
(sample size) tertentu. Berdasarkan data tersebut dapat ditentukan estimasi
densitas kernelnya (kernel density estimation) selanjutnya digunakan untuk
membuat grafik pengendali dalam menentukan titik sampel yang out of control.
Dari studi simulasi dapat dibangkitkan sampel dengan ukuran n berbeda- beda dan
diperoleh hasil proporsi titik sampel out of control cenderung mendekati nilai
batas kesalahan (level of significance) 0,0027 .
Kata kunci : estimasi densitas kernel (kernel density estimation), grafik
pengendali.

1.

Pendahuluan

1.1 Latar Belakang

Pengendalian kualitas sangat dibutuhkan dalam proses produksi guna
menjaga kestabilan suatu produk. Dalam pengendalian kualitas sering digunakan
pengendalian proses statistik. Salah satu teknik pengendalian proses statistik
adalah grafik pengendali (control chart). Mengingat karakteristik kualitas proses
produksi tidak selalu berdistribusi normal, maka dikembangkan alternatif grafik
pengendali dengan metode non-parametrik . Salah satunya adalah menggunakan
estimasi fungsi densitas kernel (kernel density estimation).
Dalam makalah sebelumnya telah dijelaskan tentang penerapan grafik
pengendali berdasarkan estimasi fungsi densitas kernel bivariat pada data bivariat
karakteristik pH dan berat jenis sabun sirih (Pattihahuan et al., 2012). Selanjutnya,
makalah ini akan membahas tentang bagaimana menerapkan grafik pengendali
non-parametrik berdasarkan pendekatan fungsi densitas kernel bivariat untuk dua
titik dan untuk data simulasi bivariat. Tujuan dari penelitian ini adalah
menerapkan grafik pengendali non-parametrik berdasarkan pendekatan kernel
untuk data simulasi bivariat dan mengidentifikasi titik sampel yang berada di luar
grafik pengendali.
2.

Dasar Teori
Dasar teori yang dituliskan dalam makalah ini diambil dari makalah

Pattihahuan et al. (2012) dan beberapa sumber seperti pada daftar pustaka.
2.1 Grafik Pengendali
Grafik pengendali adalah teknik pengendali proses pada jalur yang
digunakan secara luas yang biasanya digunakan untuk menaksir parameter suatu
proses produksi menentukan kemampuan dan memberikan informasi yang
berguna dalam meningkatkan proses itu (Montgomery, 1990).
Berdasarkan banyaknya karakteristik kualitas yang diukur, grafik
pengendali dibedakan menjadi 2 jenis yaitu grafik pengendali univariat dan grafik

pengendali bivariat atau multivariat. Grafik pengendali univariat digunakan jika

hanya ada satu karakteristik kualitas yang diukur, sedangkan grafik pengendali
bivariat atau multivariat digunakan jika diperlukan pengendalian dua atau lebih
karakteristik kualitas yang berhubungan secara bersama-sama.
2.2 Estimasi Fungsi Densitas Bivariat
Estimasi fungsi densitas merupakan salah satu bagian dalam analisis data
statistik, dimana estimasi fungsi densitas adalah suatu gambaran tentang sebuah
sebaran data. Dalam statistik, estimasi fungsi densitas kernel merupakan salah
satu metode non-parametrik untuk menduga fungsi kepadatan probabilitas dari
suatu variabel acak (WEB1). Misalkan suatu sampel bivariat X 1 , X 2 ,..., X n yang
diambil dari suatu populasi dengan fungsi densitas f, maka estimasi fungsi
densitas kernelnya adalah
n

f x ; H n 1 K H x X i
i 1

dengan X1, X2, . . . ,Xn adalah sampel dari n data H adalah matrix bandwidth ,
T
T
x x1 , x 2 dan X i X i1 , X i 2 untuk i = 1, 2,. . . ., n. Dalam hal ini

K H x H

1 2

K H 1 2 x dan

h h
2
1 12

H 2
h12 h2

adalah matriks bandwidth yang simetris

2
2
positif definit (definite positive) dengan h1 var X i1 , h2 var X i 2

1
h12 cov X i1 , X i 2 . Dalam hal ini K x 2 exp

1 T
x x
2

dan

adalah kernel

normal standard bivariat.

3

Hal yang menjadi faktor penting dalam estimasi fungsi densitas kernel
adalah memilih nilai H optimal untuk matriks bandwidth. Pemilihan nilai H
optimal untuk matriks bandwidth dapat dilakukan dengan menggunakan metode
Mean Integrated Squared Error (MISE) yang dijelaskan pada Tarn Duong dan
Martin L. Hazelton (2003).

3.

Metode Penelitian
Dalam penelitian ini digunakan langkah-langkah yang dijelaskan sebagai

berikut:

Membuat grafik pengendali berdasarkan estimasi densitas kernel untuk dua

titik sampel

Membangkitkan data simulasi bivariat dari distribusi normal bivariat N

dengan rumus
4

p N
, 1 p N
,

25

20

dengan bobot 0<p<1 dan matrik kovarians

0.5

0.5
. Jika digunakan
1

ukuran sampel (sample size) n=500 dengan p=0.5. Mencari nilai H

bandwidth optimal dari data simulasi dengan menggunakan packages ks pada
software R-2.15.2.

Menghitung estimasi fungsi densitas kernel dari data

simulasi berdasarkan nilai H bandwidth optimal. Membuat grafik pengendali

untuk data simulasi bivariat berdasarkan estimasi fungsi densitas kernel.
Menentukan banyaknya titik sampel yang out of control.

Menentukan banyaknya titik yang out of control untuk n=500, n=1000,

n=1500 dan p=0.5.

Melakukan pengulangan dengan p yang berbeda-beda yaitu p=0.1, p=0.8.

4.

Analisis dan Pembahasan

4.1 Estimasi Kernel Densitas Bivariat dari Dua Titik

4

Jika dipunyai dua titik sembarang

menggunakan matriks bandwidth identitas

x1 1,2

1 0
H
0 1

dan x 2 3,4 dan dengan

maka estimasi densitas kernel

dapat digambarkan dengan grafik 3 dimensi pada Gambar 1 dan 2. Gambar 1

adalah estimasi densitas kernel bila dilihat dari sudut rotasi horizontal (AZ) 20
derajat dan sudut elevasi vertikal (EL) 25 derajat, sedangkan Gambar 2 adalah
estimasi densitas kernel bila dilihat dari sudut rotasi horizontal (AZ) 60 derajat
dan sudut elevasi vertikal (EL) 125 derajat.

Gambar 1. Grafik Estimasi Densitas Bivariat 2 titik AZ 20 EL 25

Gambar 2. Grafik Estimasi Densitas Bivariat 2 titik AZ 60 EL 125

Berdasarkan estimasi densitas kernel dapat dibuat grafik pengendali
bivariat untuk 2 titik yang ditunjukan pada Gambar 3. Kurva garis putus-putus
menunjukkan batas grafik pengendali bivariat berdasarkan estimasi densitas
kernel.

Gambar 3. Grafik Pengendali Berdasarkan Estimasi Densitas Bivariat 2

Titik
3.1 Estimasi Fungsi Densitas Bivariat Untuk Data Simulasi
Untuk memberikan gambaran, pada simulasi ini, dibangkitkan data acak
bivariat dari distribusi normal
4

p N
, 1 p N
,

25

20

dengan bobot 0<p<1 dan matrik kovarians

0.5

0.5
. Pemilihan rata-rata
1

distribusi bivariat normal yaitu (4,25)T dan (8,20)T dan matriks kovariansi hanya
untuk memberikan gambaran simulasi. Jika digunakan ukuran sampel (sample
size) n=500 dengan p=0.5 dan dengan bantuan packages ks pada software R2.15.2 diperoleh matriks bandwidth optimal adalah
0.2452
H
0.0124

0.0124
0.3214

dengan eigen value 1 0.3233, 2 0.2433 .

Selanjutnya, berdasarkan data hasil simulasi tersebut dapat ditentukan estimasi
densitas kernel dengan menggunakan persamaan (1). Nilai estimasi fungsi
densitas kernel untuk data simulasi yang dibangkitkan dapat ditunjukan pada
Gambar 4. Terlihat kurang lebih separuh titik membentuk bukit pertama
sedangkan separuh titik yang lain membentuk bukit kedua. Hal ini sesuai dengan
yang diharapkan karena menggunakan bobot p=0.5.

Gambar 4. Grafik estimasi densitas kernel bivariat untuk data simulasi

Dengan p=0.5 untuk n= 500
Berdasarkan estimasi densitas kernel bivariat pada Gambar 4, dapat dibuat
grafik pengendali yang ditunjukkan pada Gambar 5. Kontur merah menunjukan
batas spesifikasi dengan tingkat signifikansi =0.0027 yang bersesuaian dengan
level (nilai estimasi densitas kernel) adalah 0.0017. Dengan menggunakan batas
spesifikasi tersebut diperoleh 2 titik sampel yang berada di luar kontur yaitu titik
sampel ke-159 yang berada pada koordinat (12.2509, 23.6602) dengan level (nilai

estimasi densita kernel) adalah 0.0014 dan titik sampel ke-224 yang berada pada
koordinat (7.0671, 26.3783) dengan level adalah 0.0017.

Gambar 5. Grafik pengendali bivariat berdasarkan estimasi densitas kernel

untuk data simulasi dengan p=0.5 untuk n= 500
Untuk perbandingan lebih jelas dari studi simulasi dengan sampel yang
berbeda- beda ditunjukkan dalam Tabel 1. Grafik pengendali bivariat yang
dibuat berdasarkan data acak berdistribusi normal dengan banyaknya sampel
yang berbeda-beda yaitu n=500, n=1000, n=1500 dan n=2000 diperoleh
proporsi banyaknya titik sampel out of control cenderung mendekati nilai
0,0027 . Untuk grafik pengendali bivariat dengan banyak sampel

(sample size) n=1000 dan n=1500 ditunjukkan pada Lampiran 1. Titik sampel
yang berada di luar batas pengendali (out of control) memberikan arti bahwa
terjadi suatu kesalahan (cacat) yang mungkin diakibatkan kesalahan dalam
proses produksi. Hasil yang analog bisa diperoleh untuk penganbilan bobot p
yang lain sebagai contoh p=0.1, p=0.8.

Tabel 1. Tabel hasil simulasi untuk berbagai macam n

Level

Banyaknya
titik sampel
yang out of
control

Proporsi out of
control

500
1000
1500

0.0017
0.0010
0.0007

2
0.004
500

3
0.003
1000

5
0.0033
1500

4. Kesimpulan
Dalam makalah ini dijelaskan proses pembentukan grafik pengendali
bivariat berdasarkan estimasi densitas kernel untuk dua titik sampel dan untuk
banyaknya sampel dengan n yang berbeda-beda sehingga dapat digunakan untuk
mengidentifikasi titik-titik sampel yang out of control.
5. Daftar Pustaka
Chacn, J.E. and Duong, T. 2009. Multivariate plug-in bandwidth selection
with unconstrained pilot bandwidth matrices. Diunduh pada Minggu, 2
Januari 2012.
www.mvstat.net/tduong/research/.../chacon-duong-2010-test.pdf
Montgomery, Douglas C. 1990. Pengantar Pengendalian Kualitas Statistik.
Yogyakarta: Gadjah Mada University Press.
Najib, Mohammad. 2007. Diagram Kontrol Statistik Non Parametrik Sum Of
Ranks Untuk Target Pada Data Non-Normal. Diunduh pada Minggu, 1
Januari 2012.
http://digilib.its.ac.id/public/ITS-Undergraduate-8035-1303100018Bab1.pdf
Pattihahuan, Selfie., Setiawan, A., & Sasongko, L, Ricky. Sasongko. 2012.
Penerapan Grafik Pengendali Berdasarkan Estimasi Fungsi Densitas
Kernel Bivariat. Seminar

Nasional Pendidikan Matematika (LSM) XX

UNY tanggal 24 Maret 2012.

Tarn Duong and Martin L. Hazelton. 2003.Plug-In Bandwith Matrices For

Bivariate Kernel Density Estomation, hal. 17 - 20. Diunduh pada Minggu, 3
Januari 2012.
http://www.mvstat.net/tduong/research/
[WEB 1] Kernel Density Estimation. Diunduh pada Sabtu, 20 Agustus 2011.
http://en.wikipedia.org/wiki/Kernel_density_estimation
[WEB 2]

Multivariate Kernel Density Estimation. Diunduh pada sabtu, 20

Agustus 2011.
http://en.wikipedia.org/wiki/Multivariate_kernel_density_estimation

Lampiran 1 : Grafik Pengendali Bivariat Untuk n=1000, n=1500 dengan

25

h a s i l [,2 ]

30

p=0.5

20

Gambar 6. Grafik pengendali bivariat berdasarkan estimasi densitas kernel

untuk data simulasi dengan p=0.5 untuk n= 1000

15

10

6
hasil[,1]

10

12

Gambar 7. Grafik pengendali bivariat berdasarkan estimasi densitas kernel

untuk data simulasi dengan p=0.5 untuk n= 1500

11