6.

1 Pengantar
Banyak karakeristik kualitas dapat dinyatakan dalam pengukuran numerik.
Misalnya, diameter bantalan dapat diukur dengan mikrometer dan dinyatakan dalam
milimeter. Karakteristik kualitas pengukuran tunggal, seperti dimensi, berat, atau
volume, disebut variabel. Control chart untuk variable telah digunakan secara luas.
Control chart adalah salah satu alat utama yang digunakan dalam analisa dan langkalangka pengendalian DMAIC.

6.2.2 Pengembangan dan

penggunaan x dan R chart
Pada bagian sebelumnya kita disajikan latar belakang statistik untuk

dan

control chart R. Kami juga membahas beberapa pedoman menggunakan grafik ini
dalam praktek.
Contoh 6.1
Proses hard-bake (lihat Bagian 5.3.1) yang digunakan bersama dengan
photolithography di bidang manufaktur semikonduktor. Kita ingin menetapkan
statistic control dari lebar aliran yang menolak proses ini menggunakan

dan

diagram R. 25 sampel, tiap ukuran 5 wafer, telah diambil ketika kita berpikir proses
terkendali. Interval waktu antara sampel atau subkelompok adalah satu jam. Data
pengukuran lebar aliran (dalam x mikron) dari sampel tersebut ditunjukkan pada
Tabel 6.1

TABEL 6.1
Pengukuran lebar aliran (mikron) untuk proses hard-bake

Penyelesaian
Saat membuat

x dan diagram kontrol R, sangat baik untuk mulai dengan

grafik R. Karena batas kontrol pada grafik

tergantung pada variabilitas proses,

kecuali variabilitas proses memegang kendali, batas-batas ini tidak akan berpengaruh.
Menggunakan data pada Tabel 6.1, kita menemukan bahwa garis tengah untuk grafik
R adalah
25

Ri
R= i=1 = 8.1302 =0.32521
25
25
untuk sampel dari n = 5, kita peroleh dari lampiran table VI bahwa D 3 = 0 dan
D4 = 2.114. oleh karna itu, batas control dari grafik R, menggunakan persamaan (6.5)

LCL =
UCL =

R
D3 = 0.32521(0) = 0
D = 0.32521(2.114) = 0.68749
R
4

Grafik R ditunjukkan pada Gambar. 6.2b. kedua diagram kontrol pada

Gambar 6.2 dibuat menggunakan Minitab. Perhatikan bahwa UCL untuk grafik R
hasilnya sebagai 0,6876 karena Minitab menggunakan perhitungan desimal lebih
detail dari yang kita lakukan. Ketika jarak 25 sampel diplot di diagram R pada
gambar 6.2b tidak ada indikasi dari kondisi tak terkendali.
Karena grafik R menunjukkan bahwa variabilitas proses yang memegang
kendali, kita boleh jadi sekarang dapat membuat grafik
25

xi

x = i=1 =
25

37.6400
=1.5056
25

x . Garis tengah adalah

Mencari batas kendali pada diagram

x , kita gunakan A = 0.577 dari

2

lampiran table VI untuk sampel berukuran n = 5 dan persamaan (6.4)

UCL =

+ A2 R = 1.5056 +(0.577)(0.32521) = 1.69325

Dan
LCL =

x A R
= 1.5056 (0.577)(0.32521) = 1.31795
2
Grafik

ditunjukkan pada Gambar 6.2a. Ketika sampel awal rata-rata

diplot pada grafik ini, tidak ada indikasi kondisi diluar kontrol yang telah diamati.
Oleh karena itu, karena

dan grafik R control, kami dapat menyimpulkan bahwa

proses dalam control di level tersebut dan memeriksa batas kontrol untuk digunakan
dalam tahap II, dimana memantau produksi masa depan yang saling terkait.

Memperkirakan Proses kapabilitas.

dan grafik R memberikan

informasi tentang kinerja atau proses kapabilitas dari proses tersebut. Dari grafik
x , kita dapat mengestimasi rata-rata lebar aliran yang menolak proses hard-bake

sebagai

x =1.5056

mikron. Proses standar deviasi dapat dihitung menggunakan

persamaan (6.6); adalah,

0.32521
R
^ = =
=0.1398 mikron
d2
2.326
dimana nilai d2 untuk sampel ukuran lima ditemukan dalam Lampiran Tabel
VI. Spesifikasi batas lebar aliran adalah 1,50 0,50 mikron. Peta kendali data dapat
digunakan untuk menggambarkan kemampuan proses untuk menghasilkan relative
wafer terhadap spesifikasi ini. Dengan asumsi bahwa lebar aliran adalah variabel acak
berdistribusi normal, dengan rata-rata 1,5056 dan standar deviasi 0,1398, kita dapat
memperkirakan fraksi wafer tidak sesuai dihasilkan sebagai
p = P{x<1.00)+P(x>2.00}
1.001.5056
0.1398
=
)+1

2.001.5056
)
0.1398

= (3.61660 )+ 1 ( 3.53648 )
0.00015+10.99980

0.00035
Artinya, sekitar 0,035 persen [350 bagian per juta (ppm)] dari wafer yang
dihasilkan akan berada di luar spesifikasi.

Cara lain menyatakan kapabilitas proses adalah rasio kemampuan proses

(PCR) Cp, yang untuk karakteristik kualitas dengan baik atas dan bawah batas
spesifikasi (USL dan LSL, masing-masing) adalah
Cp=

USLLSL
6
6

Perhatikan bahwa penyebaran

kemampuan proses. Karena

dari proses ini adalah definisi dasar

adalah biasanya tidak diketahui, kita harus

menggantinya dengan perkiraan. Kita sering gunakan

,

hasil

estimasi

^p
C

dari

Cp.

Untuk

R
^ =
d2 , sehingga perkiraan

proses

hard-bake,

karena,

R
= ^ =0.1398
, kami menemukan bahwa
d2
^p = 2.001.00 = 1.00 =1.192
C
6(0.1398) 0.8388

Ini berarti bahwa batas toleransi normal dalam proses (tiga sigma di atas dan
di bawah) berada di dalam batas atas dan dibawah batas spesifikasi. Akibatnya, cukup
kecil jumlah wafer yang tidak sesuai akan diproduksi. PCR Cp dapat ditafsirkan
dengan cara lain. Kuantitasnya
P=

1
100
Cp

( )

hanya persentase spesifikasi band yang menggunakan proses up. Untuk proses
hardbake bahwa estimasi dari P adalah

1
1
^
P=
100 =
100 =83.89
^
1.192
Cp

( ) ( )

Artinya, proses akan menggunakan sekitar 84 % dari spesifikasi band.

Gambar 6.3 mengilustrasikan tiga kasus yang menarik relatif terhadap PCR
Cp dan spesifikasi proses. Pada Gambar 6.3a PCR Cp lebih besar dari kesatuan. Ini
berarti bahwa proses akan menggunakan jauh lebih sedikit dari 100 % dari toleransi.
Akibatnya, relatif sedikit unit yang tidak sesuai.

6.3.2

dan Peta Kendali s dengan variable ukuran

sampel
x

dan Peta Kendali s relative mudah untuk diterapkan dalam kasus dimana

ukuran sampel adalah variable. Dalam kasus ini, kita dapat menggunakan ukuran

rata-rata ketimbang menjumlahkan

n
dan s . Jika i adalah jumlah observasi

dalam sampel ke- i , gunakan

m

ni x i

x = i=1
m

ni
i=i

Dan
1
2 2
i

[ ]
m

( ni1 ) s

i=1
m

nim
i=1

Sebagai garis tengah pada

dan peta kendali s. Batas control dapat

dihitung dari persamaan (6.27) dan (6.28), tetapi konstanta A3, B3 dan B4 bergantung
pada ukuran sampel yang digunakan dalam setiap sub-kelompok individu.

Contoh 6.4
Data pada Tabel 6.4, yang merupakan modifikasi dari data piston-ring yang
digunakan pada contoh 6.3. perhatikan bahwa variasi ukuran sampel dari n = 3 ke n
= 5. Gunakan prosedur yang dijelaskan pada halaman 255 untuk mengatur

dan

peta kendali s.
Penyelesaian:
Ukuran rata-rata grand dan ukuran rata-rata standar deviasi dihitung dari persamaan
(6.30) dan (6.31) sebagai berikut:

25

ni x i

x = i=1
25

ni

5 (74.010 )+ 3 ( 73.996 )++5 ( 73.998 )

5+3+ +5

i=1

8362.075
=74.001
113

 ( ni1 ) s

s =

1
2 2
i

[ ]
25

i=1
25

ni 25

4 ( 0.0148 )2 +2 ( 0.0046 )2 ++4 ( 0.0162 )2

=
5+ 3++525

1
2

i=1

0.009324 2

=0.0103
88
Oleh karena itu, garis tengah grafik
tengah s chart adalah

dihitung. Batas grafik

x adalah

adalah

= 74.001, dan garis

= 0.0103. batas kontrol sekarang mungkin dengan mudah

UCL=74.001+ ( 1.427 ) ( 0.0103 )=74.016

CL=74.001
LCL=74.001( 1.427 ) ( 0.0103 )=73.986

Batas kontrol untuk s chart adalah

UCL = (2.089)(0.0103) = 0.022
CL = 0.0103
LCL = (0)(0.0103) = 0
Perhatikan bahwa kita dapat menggunakan nilai-nilai A3, B3, dan B4 untuk
n1=5.batas sampel kedua dapat gunakan nilai dari konstanta-konstanta untuk n2=3.
Perhitungan batas kendali untuk semua sampel sebanyak 25 dirangkum dalam Tabel
6.5. peta kendali diplot pada gambar 6.18.

Cara lain untuk menggunakan variable-lebar batas control pada

kendali s adalah perhitungan batas kendali pada rata-rata ukuran sampel

dan peta
n . Jika n
i

tidak sangat berbedah, pendekatan ini dapat diterapkan dalam beberapa situasi; itu
sangat membantu jika grafik digunakan dalam presentasi pada manajemen.karna ratarata ukuran sampel ni bukan bilangan bulat, cara lain sangat membantu menerapkan
batas control pada ukuran sampel.

Estimasi dari

. Kita mungkin mngestimasi proses standar deviasi,

dari masing-masing nilai sampel si. pertama, rata-rata semua nilai dari si yang ni = 5
(nilai yang sering terjadi pada ni). hal ini memberikan
s =

0.1715
=0.0101
17

Estimasi dari proses

adalah

s 0.0101
^ = =
=0.01
c 4 0.9400
Dimana nilai dari c4 dapat digunakan untuk ukuran sampel n = 5.