Analisa Permasalahan & Teknik Statistik - Full PDF

TAHAP II:
IDENTIFIKASI PELUANG PERBAIKAN

C. ANALISA PERMASALAHAN
C1. ANALISA DATA
Analisa Permasalahan-R0
1/211
Copyright 2009 - PQM Consultants
http:\\www.pqm.co.id
Tony A Himawan
2/211
ATURAN
TEPAT WAKTU
PROAKTIF
HP SILENT
MENERIMA
TELEPON DI
LUAR RUANGAN
3/211
PRE-TEST
4/211
NEW TEAMS
PERIOD: 16 Maret 6 June 2009 (Classroom)
KELAS A : 5 team
KELAS C : 6 team
Team 2 & 3 : 8 org

Team 4 & 5 : 8 org
Team 1 & 6 : 6 org
Team 11 & 12 : 5 org
Team 10 : 4 org
Team 8 & 9 : 7 org

Team 13 & 14 : 7 org
Team 28 & 29 : 7 org
Team 30 & 31 : 7 org
Team 33 & 34 : 7 org
Team 32 & 20 : 7 org
KELAS B : 6 team
Team 7 & 15 & 16 : 9 org

Team 18 & 19 : 7 org
Team 21 & 22 : 7 org
Team 23 & 24 : 7 org
Team 26 & 27 : 6 org
Team 17 & 25 : 8 org
5/211
LATIHAN : DATA COLLECTION PLAN

1
Project measurements
Operational Definition
Data Sources
Sample Size
Sampling scheme
PIC
Form
Procedure
AnalisaAnalysis
Permasalahan-R0
6/211
MARS PTBA
PT BA. PT BA ..
PT BA MILIK KITA
YUK KITA BANGUN BERSAMA
UNTUK PT BA EMAS
7/211
SASARAN MODUL
Setelah mengikuti pelatihan ini MT
memahami dan mampu melakukan
Analisa Data dengan menggunakan
teknik yang sesuai
8/211
TAHAP II: IDENTIFIKASI PELUANG PERBAIKAN
TEKNIK ANALISA DATA
Hari Pertama:
08.00 10.00
Grafik Visualisasi Data

- Grafik: Balok, Garis, Pie, Pareto
10.00 -10.15
Rehat
10:15 -12.00

- Pareto
12.00 -13.00
Makan Siang
13:00 -14.30

- Histogram
14:30 -14.45
Rehat
14.45 -16.30
Menetapkan Target
- SMART
9/211
TEKNIK ANALISA DATA
Hari Kedua:
08.00 10.00
Analisa Sebab
- 5xMengapa?
10.00 -10.15
Rehat
10:15 -12.00
Analisa Sebab:
- Diagram Tulang Ikan/Sebab-Akibat
12.00 -13.00
Makan Siang
13:00 -14.30
Analisa Sebab
- Verifikasi Sebab Diagram Tebar/Scatter
14:30 -14.45
Rehat
14.45 -16.30
Analisa Sebab
- Verifikasi Sebab
10/211
GRAPH
(BALOK, GARIS, PIE)
11/211
GRAFIK BALOK
DEFINISI
Grafik Balok adalah grafik dalam bentuk balok
yang menunjukkan perbandingan kuantitas/jumlah
dari dua atau lebih faktor / item dalam periode
tertentu
MANFAAT
Membandingkan dua atau lebih faktor/ item pada
periode tertentu
12/211
GRAFIK BALOK
LANGKAH
1. Kumpulkan data berbentuk kategori

Tetapkan periode waktu
Jenis data : dapat berupa data continuous (hasil
pengukuran) atau data atribut (hasil penghitungan)
2. Gambar sumbu horizontal dan vertikal dan buat skalanya
Sumbu Horizontal : kategori
Sumbu Vertical
: hasil pengukuran atau penghitungan
3. Gambar dan beri label balok dari tiap kategori
dimana setiap balok dapat mencerminkan perhitungan suatu
kategori, suatu fungsi (rumus) dari kategori (seperti ratarata, jumlah, atau standard deviasi ) atau jumlahan nilai
dari suatu tabel
4. Analisa Grafik Balok
13/211
GRAFIK BALOK
CONTOH
Problem Tile di FT 1 - Januari 2001
50
40
30
39
31
29
27
20
12
18
10
Si
ze
Th
ic
kn
es
s
Sh
ad
in
g
ra
zi
ng
C
Pi
nh
ol
e
hi
pp
in
g
Kesimpulan: Problem tile terbesar pada Januari 2001 adalah

Pinhole (39 pcs)
14/211
GRAFIK BALOK
CONTOH
Graph batang vertikal
Graph batang horizontal
Jumlah
penjualan
100
Line A
200
300
400
Jumlah
produk
200
Line B
Line C
100
Line D
pabrik pabrik pabrik pabrik

D
A
B
C
15/211
GRAFIK GARIS
DEFINISI :
Grafik Garis adalah grafik dalam bentuk garis yang
menunjukkan PERGERAKAN hasil pengukuran
suatu parameter dalam periode tertentu
Contoh Parameter : suhu, kelembaban, jumlah produk cacat
MANFAAT :
Untuk memonitor kecenderungan / perubahan hasil
pengukuran suatu pengamatan dalam periode
tertentu
.
16/211
GRAFIK GARIS
LANGKAH
1.
2.
3.
3.
2.
Kumpulkan data dalam kurun waktu tertentu

Data yang diplot bisa berupa data continuous (hasil
pengukuran) atau data atribut (hasil penghitungan)
Contoh : suhu, berat jenis, # defect, Rp Sales
Tentukan frekwensi pengamatan (misal setiap 1 jam, setiap 1
shift, dll).
Gambar sumbu horizontal dan vertikal dan buat skalanya
Sumbu Horizontal : interval waktu
Sumbu Vertical
: hasil pengukuran atau penghitungan
Plot data secara kronologis ke dalam grafik dan hubungkan
dengan garis
Analisa Grafik
17/211
GRAFIK GARIS
CONTOH
KERUSAKAN MESIN JAN JULI 02
CACAT CHIPPING TAHUN 2001
persentase
kerusakan
jml Chipping
30
Mesin A
25
20
15
10
Mesin B
Bulan
1
Kesimpulan: Mesin A
mengalami kerusakan lebih
sering dibanding mesin B
5
1 2 3
4 5 6
7 8 9 10 11 12
Kesimpulan: Cacat Chipping

selama tahun 2001 cenderung
menunjukkan penurunan
18/211
GRAFIK LINGKARAN / PIE CHART
DEFINISI :
Suatu grafik lingkaran yang menggambarkan proporsi
dua atau lebih data kategori dengan pengukuran yang
sama pada periode waktu tertentu
Contoh: kg, Rp, newton, unit
MANFAAT
Berguna untuk menunjukkan proporsi dari setiap
kategori data relatif terhadap keseluruhan data
19/211
GRAFIK LINGKARAN / PIE CHART

LANGKAH:
1. Data disusun dalam tiga kolom : kolom pertama berisi kategori

data dan 2 (dua) kolom berikutnya adalah rekapitulasi data
(Hitungan & %)
2. Hasil dari grafik lingkaran / pie chart berupa potongan -potongan
untuk setiap kategori yang diurutkan dari yang paling besar
proporsinya hingga yang paling kecil. Kategori pertama dimulai
dari puncak pie chart dan semua kategori diatur searah putaran
jarum jam.
3. Analisa Grafik
20/211
GRAFIK LINGKARAN (PIE CHART)

CONTOH
Problem Tile di FT 1 - Januari 2001

Shading; 12; 8%
Pinhole; 39; 24%
Size; 18; 12%
Thickness; 27;
17%
Chipping; 29;
19%
Crazing; 31; 20%
Kesimpulan: Problem tile terbesar pada Januari 2001 adalah

Pinhole (24%= 39/156)
21/211
DIAGRAM PARETO
22/211
DIAGRAM PARETO
LATAR BELAKANG
Pernahkah anda berada dalam situasi ini?

1. Anda sebagai Production Manager baru melihat bahwa
banyak sekali pemborosan yang terjadi di
perusahaan, dan anda bertekad melakukan perbaikan
namun kalau semua program perbaikan dijalankan
maka sudah kebayang bakalan lembur tiap hari
2. Seorang Supervisor harus mengalokasikan waktu kerja
sebaik-baiknya. Namun sering dijumpai beberapa
Supervisor lebih senang mengerjakan pekerjaan yang
mudah, dan pekerjaan yang sulit dilakukan belakangan
yang akhirnya tidak selesai
Apa yang salah ?
23/211
DIAGRAM PARETO
DEFINISI
Diagram Pareto adalah suatu Grafik Balok berbentuk
vertikal yang mengurutkan hasil pengukuran dari yang

tertinggi ke yang terendah
Diagram Pareto merupakan salah satu bentuk Bar Chart , dimana
setiap balok dapat merupakan mencerminkan perhitungan suatu
kategori, suatu fungsi (rumus) dari kategori (seperti ratarata, jumlah, atau standard deviasi ) atau jumlahan nilai dari suatu
tabel
Pada umumnya digunakan untuk menunjukkan masalah yang disusun
dari prioritas tertinggi ke yang terendah untuk menentukan masalah
yang harus ditangani terlebih dahulu
Pertama kali ditemukan oleh Vilfredo Pareto , ahli ekonomi Italia
24/211
DIAGRAM PARETO
MANFAAT
Merupakan pedoman memilih peluang perbaikan
berdasarkan prinsip vital few dari trivial many
Memfokuskan sumber daya pada area/ defect/
penyebab yang menghasilkan keuntungan yang
terbesar
Membandingkan frekuensi dan/atau dampak dari
berbagai penyebab masalah
25/211
DIAGRAM PARETO
LANGKAH
1. Tetapkan kategori yang relevan dengan topik yang akan
dianalisis untuk menjabarkan masalah menjadi komponen yang
lebih kecil
Pareto umumnya terdiri dari 5 kategori atau kurang

Kategori yang dibuat harus saling eksklusif sesuai
jenis kelompok masalah
Urutkan balok berdasarkan jumlahan atau biaya
2. Tetapkan periode waktu
3. Kumpulkan data
Jenis data
Berdasarkan jumlahan atau biaya
Membutuhkan data tambahan (Total/jumlahan)
Data tidak dapat berupa : hal-hal yang tidak bisa
ditambahkan (mis: Yields, Rates , tingkat kecelakaan ,
tingkat komplain , dsb.)
26/211
DIAGRAM PARETO
LANGKAH
4.
Buat tabel frekuensi (item, jumlah , jumlah kumulatif , % , %

kumulatif)
5.
Buatlah segi empat dan buat skalanya
6.
Gambarkan grafik baloknya dan beri keterangan untuk setiap

kategori
7.
8.
Sumbu Horizontal : kategori

Sumbu Vertical kiri : hasil pengukuran
Sumbu Vertical kanan : persentase
Setiap balok vertikal menunjukkan besarnya kontribusi

terhadap total masalah
Balok disusun berdasarkan urutan nilai, yang paling tinggi
diletakkan sebelah kiri. Balok paling kiri memberikan kontribusi
tertinggi dalam jumlah kejadian maupun biaya.
Gambarkan garis persentase kumulatif

Analisa Diagram Pareto yang dihasilkan
27/211
DIAGRAM PARETO
Defect Produksi FT 1 - Periode : 1-7 Juli 2001
Jenis Cacat
Chipping
Frekwensi Akumulasi
40
40
%
Akumulasi
37,38%
37,38%
Crawling
20
60
18,69%
56,07%
Fallen dirty
16
76
14,02%
70,09%
100,00%
100,00%100%
94,39%
94,39%
100
82,24%
82,24%
70,09%
70,09%
12
88
12,15%
82,24%
Dimple
96
7,48%
89,72%
Pinhole
101
4,67%
94,39%
70%
60%
Jumlah
Cam pana
defect
80%
80
60
90%
89,72%
89,72%
56,07%
56,07%
50%
40
40
40%
37,38%
37,38%
30%
20
20
Lain-lain
107
5,61%
20%
15
100,00%
13
8
5
Pinhole
Lain-lain
10%
TOTAL
107
100,00%
0%
Chipping
Crawling
Fallen Dirty
Campana
Dimple
Def ect
Jenis Cacat
Kesimpulan : Defect paling besar di FT 1 pada 1- 7 Juli 2001

adalah Chipping (40 pcs = 37.38%)
28/211
ANALISA PARETO DIAGRAM
Type of Furniture Returns - Store # 1 - Jan 07

100
80
40
20
10
10
C 11
C 12
Percent
Cum %
20
8
5
Chairs
30
50,0
50,0
C ouches Fine Dining Sets

10
8
16,7
13,3
66,7
80,0
Lamps
5
8,3
88,3
Beds
4
6,7
95,0
$USD
30
Percent
FREQ
60
80
20000
40
30
100
25000
50
15000
60
15000
40
10000
4500
5000
3000
3
Other
3
5,0
100,0
C17
C18
Percent
Cum %
Percent
60
30000
Fine Dining Sets

15000
56,3
56,3
Chairs
4500
16,9
73,2
Couches
3000
11,3
84,4
20
2000
Beds
2000
7,5
91,9
1800
Dressers
1800
6,8
98,7
350
Other
350
1,3
100,0
Note : Pareto Diagram dari Furniture return berdasar Frequency dan berdasar losses
$USD beda prioritasnya mana yang dipilih?
29/211

Number of Returns of Furniture by Store - Jan 07

60
100
100
50
80
60
40
40
60
30
40
20
15
8
Store # 1
60
50,0
50,0
Store # 6
32
26,7
76,7
30
20
32
20
0
C8
C9
Percent
Cum %
80
40
Number
60
Percent
Number
80
60
100
Percent
120
Store # 2
15
12,5
89,2
Store # 4
8
6,7
95,8
Other
5
4,2
100,0
10
10
C 11
C 12
Percent
Cum %
Chairs
30
50,0
50,0
20
C ouches Fine Dining Sets

10
8
16,7
13,3
66,7
80,0
Lamps
5
8,3
88,3
Beds
4
6,7
95,0
Other
3
5,0
100,0
Type of Chairs Returned - Store # 1 - Jan 07

30
100
25
80
Number
60
15
40
Percent
20
10
20
5
0
C14
C15
Percent
Cum %
Dining Room
22
73,3
73,3
Occasional
5
16,7
90,0
Wood Fine Dining Sets

2
6,7
96,7
Other
1
3,3
100,0
30/211
Pareto Chart Defect - Jan 07
IMPROVEMENT
140
100
120
60
68
60
40
100
60
30
20
10
Defect A
68
51,9
51,9
Defect B
30
22,9
74,8
80
50
20
20
Defect C
20
15,3
90,1
Defect D
10
7,6
97,7
Other
3
2,3
100,0
40
60
33
30
40
20
15
Percent
40
0
C2
C3
Percent
Cum %
Pareto Chart Defect- April 07

70
FREQ
FREQ
80
Percent
80
100
15
20
10
2
0
C5
C6
Percent
Cum %
Defect B
33
50,8
50,8
Defect A
15
23,1
73,8
Defect D
15
23,1
96,9
Other
2
3,1
100,0
AFTER IMPROVEMENT
BEFORE IMPROVEMENT
Kesimpulan: Penurunan Defect keseluruhan dapat dilihat.bukan hanya pada Defect A

yang dominan saja
31/211
Membuat Diagram Pareto dengan EXCELL

1. Buka File Excell
2. Siapkan lembar data Pareto dengan data yang
sudah diurutkan dari besar hingga terkecil
3. Blok Range yang berisi 3 kolom: Item
masalah, frekwensi, %kumulatif
4. Klik : Chart Wizard
5. Pilih Custom Types
6. Pda Chart type: pilih Line Column on 2 axes
7. Klik : Next
8. Klik : Next ,
1.
2.
klik Title : beri judul

Klik Data labels: Pada Label contains Klik value
9. Klik Next
10. Finish muncul Diagram Pareto awal bersambung
32/211
Membuat Diagram Pareto dengan EXCELL

Lanjutan
11. Klik pada Diagram Pareto awal, pada sumbu Y sebelah kiri
hingga muncul value axis
12. Klik kanan: Format axis
13. Klik Scale
14. Maximum : disesuaikan nilai total frekwensi
15. Minimum : 0, Klik : OK
16. Klik pada Diagram Pareto awal, pada sumbu Y sebelah
kanan hingga muncul secondary value axis
17. Klik kanan: Format axis
18. Klik Scale
19. Maximum : 1 , Minimum : 0 , Klik : OK
20. Supaya baloknya rapat, klik kanan pada salah satu
baloknya, klik format data series , klik Options. Klik
pada kotak Gap width = 0, klik OK
21. Diagram Pareto selesai (jika perlu dapat dirapikan ukuran
font)
33/211
DIAGRAM PARETO
LATIHAN
Identifikasi data-data di area kerja yang dapat dianalisa dengan Diagram
Pareto, dan buatlah Diagram Paretonya
34/211
HISTOGRAM
35/211
HISTOGRAM
LATAR BELAKANG

1.
2.
3.
Berdasar data lalu menunjukkan bahwa rata-rata lead time dari

order barang dari supplier hingga delivery adalah 7 hari.
Berdasar data tersebut anda melakukan pemesanan barang H7, Namun pada hari H ternyata barang belum datang, dan anda
kecewa.
Anda sedang kehabisan uang sehingga pergi ke ATM terdekat
dari rumah Anda, namun untuk kesekian kalinya anda kecewa
karena ternyata uang di ATM tersebut habis, sehingga terpaksa
pindah ke ATM lainnya
Anda suka jeruk Medan yang memang manis, namun tidak
semua supermarket menjualnya sehingga harus ke
supermarket tertentu
Apa yang salah ?

36/211
DEFINISI:
HISTOGRAM
Grafik balok yang menggambarkan penyebaran data sebagai hasil

dari satu macam pengukuran ,atas suatu kejadian atau proses
MANFAAT:
Berguna untuk menguji bentuk dan penyebaran sample data :
Untuk melihat range dan distribusi dari data continuous

(misalnya: berat barang yang dikirim, dolar yang dibelanjakan
dalam setiap PO , dsb)
Untuk melihat variasi dan tingkat pemenuhan

spesifikasi/persyaratan pelanggan (size, cycle time, suhu,
dsb). Hanya berlaku untuk data continuous saja
37/211
HISTOGRAM
LANGKAH
1.
Kumpulkan dan tabulasikan data continuous (data hasil

pengukuran) : n data
2.
Urutkan data dari data yang terendah nilainya (min) sampai

nilai yang tertinggi (max)
3.
Kurangi nilai tertinggi dengan nilai terendah untuk

menghitung range dari data yang diobservasi
4.
Hitung jumlah balok (sel) sebagai berikut : akar pangkat dua

dari jumlah nilai data
5.
range = max - min
k = sqrt ( n)
Hitung lebar tiap balok dengan membagi range dari data

(max-min) dengan jumlah balok
h = Range / k
38/211
HISTOGRAM
LANGKAH
6.
Beri label di sumbu X dengan nilai dari tiap balok

(dari balok pertama s/d balok ke k)
balok pertama : min + h

balok kedua : min + 2h
..
balok ke -k : min + (kxh)
7.
8.
Hitung jumlah data dari tiap balok

Sumbu vertikal (Y) menunjukkan jumlah data pada
tiap balok
9. Sumbu horizontal (X) menunjukkan nilai data dari
setiap balok
10. Analisa Histogram
39/211
DATA BERAT SUSU 400 gr

407,2
406,8
400,1
405,0
401,3
402,4
403,2
405,6
404,3
406,2
NO KELAS
INTERVAL KELAS
400,10 -
401,65
||||
401,65 -
403,20
|||| ||
|||| ||
||||
||||
T O T AL
30
401,4
409,0
402,0
402,6
403,20 -
404,75
406,5
402,6
404,4
404,0
401,4
404,75 -
406,30
406,30 -
407,85
402,8
406,1
403,2
404,0
409,4
6
407,85 -
409,40
404,0
404,0
403,2
FREKUENSI
406,9
403,5
TALLY
404,4
8
5
5
Maximum : 409,4 ; Minimum :400,1

Jumlah data = n = 30 k = sqrt (30) = mendekati 6
Range = max min = 409, 4 400,1 = 9,3
H = Range / k = 9,3/6 = 1,55
Rata-rata : Mean : Excel formula =average (..) = 404,25
Standard Deviasi : Excel formula = STDEV(..) = 2,26
40/211
HISTOGRAM Berat Susu- 400 gr

Rata
2
Center
Spread
7
Mean
Median
StDev
Range
Var
404,3
404,0
2,262
9,3
5,1
0
1
41/211
HISTOGRAM
DATA BERDISTRIBUSI NORMAL
Mean : Rata-rata
Median : Nilai Tengah
Mode : Nilai yang sering
muncul
Mean
Median
Mode
42/211
HISTOGRAM
DATA BERDISTRIBUSI NORMAL
Untuk Data berdistribusi Normal

a. 68.27% data berada dalam area X dan X +
b. 95.45% data berada dalam area X 2 dan X + 2
c. 99.73% data berada dalam area X- 3 dan X + 3
95.45%
68.27%
-3
-2
-1
mean +
-3
-2
-1
mean + 2
99.73%
-3
-2
-1
mean + 3
43/211

ANALISA HISTOGRAM
Pelajari bentuk/ pola histogram
Membandingkan Histogram dengan spesifikasi
yang ditetapkan
Jika ada spesifikasi, buatlah garis batas spesifikasi
pada histogram untuk membandingkan distribusi dari
histogram dengan batas spesifikasi yang ditentukan.
Kemudian perhatikan apakah histogram berada
dalam batas spesifikasi tersebut.
Membandingkan histogram dengan spesifikasi ini
lebih lanjut dianalisa dengan pengukuran Process
Capability Analysis
44/211
ANALISA HISTOGRAM
Stratifikasi Histogram
Untuk menganalisa lebih lanjut sebuah histogram (terutama bila
terjadi penyimpangan) dengan data yang dikumpulkan dari
berbagai sumber/cara, stratifikasikanlah data yang ada
(misalnya berdasar material, mesin, kondisi
operasional, pekerja, dll) dan buatlah masing-masing histogram
untuk data yang sudah distratifikasikan itu.
Dengan stratifikasi, persoalan akan lebih jelas.
Histogram of Torque
Normal
Machine
1
2
0,09
0,08
Mean StDev N
18,67 4,395 36
24,19 7,119 32
0,07
Density
0,06
0,05
0,04
0,03
0,02
0,01
0,00
12
18
24
Torque
30
36
45/211
POLA HISTOGRAM
S
35
er
S
30
er
25
S
20
er
15
S
er
10
5
0
Normal
Distribusi Normal (Simetris)
Anda bisa memberi tanda spesifikasi pelanggan pada

histogram sehingga secara visual dapat diketahui
seberapa baik kemampuan proses memenuhi (tidak
memenuhi) persyaratan pelanggan
Anda juga dapat memunculkan nilai rata-rata dan
Standard Deviasi pada histogram ini sebagai angka
yang mewakili proses
46/211
POLA HISTOGRAM
30
30
25
25
20
20
15
15
10
10
25
20
15
10
Skewed Distribution
(kelompok data mendekati
salah satu ekor histogram)
Contoh : waktu proses, cycle

time, biaya
Analisa kondisi apa yang
terjadi di area ekor yang
membedakan dengan area
lain nya, jika kondisi tersebut
tidak diinginkan lakukan
perbaikan, eliminir
kejadiannya, tetapi jika
merupakan kondisi yang
diinginkan maka pertahankan
dan dapat diterapkan di area
lain
Distribusi Bimodal
(data memiliki dua puncak)
Pola ini muncul bila sesuatu
yang anda perkirakan sebagai
sebuah proses ternyata adalah
dua proses
Jika anda melakukan
stratifikasi, anda bisa
mengidentifikasi sumber data
dari setiap puncak
Nilai data tersebar rata

(jarang sekali terjadi)
Model ini muncul di pabrik bila
sebuah gauge atau TOOLS
pengukuran sudah tidak lagi sensitif
dalam mendeteksi perbedaan antara
unit (seperti sebuah penggaris yang
seluruhnya hanya memiliki tanda
inci)
47/211
HISTOGRAM
LATIHAN
Identifikasi data-data di area kerja yang dapat dianalisa dengan
Histogram, dan buatlah Histogramnya
48/211
LEMBAR DATA (1) UNTUK HISTOGRAM

DATA:
LOKASI :
PERIODE:
MAX =
MIN =
49/211
LEMBAR DATA (2) UNTUK HISTOGRAM

DATA:
LOKASI :
PERIODE:
NO KELAS
INTERVAL KELAS
TALLY
FREKWENSI
TOTAL
50/211
Data :
Lokasi
Periode :
HISTOGRAM
Kesimpulan :..
51/211
MENETAPKAN
TARGET
52/211
MENETAPKAN TARGET
Target menggambarkan hasil yang ingin dicapai dari masalah yang
dikemukakan dalam Proposal perbaikan
MANFAAT:
1. Memberikan arah perbaikan
2. Mendorong pencapaian tujuan yang lebih baik
CARA :
1. Penetapan Target dilakukan setelah dibuat kesimpulan dari Analisa Data
2. Target biasanya mengandung prinsip SMART : Specific, Measurable,
Attainable, Relevant & Time Bounded
S
M
A
R
T
pesific,
easureable
ttainable
elevant
ime bounded
> tertentu
> dapat diukur atau diamati
> realistik dan dapat dicapai
> terkait dengan misi/cita-cita
> ada batas waktu
53/211
MENETAPKAN TARGET
CARA
3. Target biasanya dimulai dengan kata kerja:

Mengurangi, meningkatkan, atau
Mengeliminasi
4. Target harus menunjukkan perbaikan dari kondisi
sebelumnya
Baseline data yang digunakan : data
lampau, pengalaman, kompetitor, hasil
Benchmarking
Target yang akan ditetapkan hendaknya
menunjang pencapaian sasaran perusahaan
54/211
MENETAPKAN TARGET
CARA
5.
Target seharusnya tidak berisi bagaimana akan

dicapai. Jika demikian akan banyak solusi dari problem
tersebut.
Contoh SALAH : Mengurangi defect pada Customer Application
sebesar 50% sebelum April 30, 2006 dengan meng- install
suatu Web Site
Tulisan dengan tanda italic di atas merupakan solusi. Kita harus

menggali dahulu penyebab-penyebab defect sebelum install
solusi, jika tidak, kita bisa gagal menyelesaikan masalah
(sementara kita telah mengeluarkan banyak waktu dan biaya
untuk Web site).
6. Jelaskan bagaimana target tersebut ditetapkan (bagaimana
perhitungan atau mengapa angka tersebut ditetapkan)
55/211
MENETAPKAN TARGET
Contoh:
Kesimpulan dari Analisa Data :
PH merupakan sumber dominan kebocoran gas SO2= 52.92 ppm
Target Perbaikan:
Menurunkan kebocoran gas SO2 di PH menjadi 5 ppm dalam waktu 2
bulan ke depan
Latar Belakang Penetapan Target:

- Merupakan target perusahaan
- Pernah dicapai 2 thn lalu
56/211
LATIHAN : ANALISA DATA

Berdasar data yang telah dikumpulkan, analisalah data anda dengan 7QC Tools
yang sesuai & Tetapkan Target Perbaikan
57/211
CAUSE & EFFECT

ANALYSIS
58/211
DIAGRAM SEBAB DAN AKIBAT

LATAR BELAKANG

1. Menghadapi suatu problem, kemudian berhasil
diselesaikan , tetapi dalam beberapa waktu
kemudian problem yang sama berulang kembali
2. Menganalisa sebab-sebab permasalahan produksi
namun penyebabnya senantiasa berujung pada
mesin yang yang harus diganti, padahal kondisi
perusahaan sedang payah dan tidak
memungkinkan mengganti mesin yang tua dan
sering rusak
Apa yang salah ?
59/211
Menggali Faktor Penyebab

Gunakan prinsip 5 Why, untuk:
Menghindari jebakan mengobati gejala
Menggali akar penyebab yang sebenarnya
Merangsang tim melakukan perbaikan optimal
60/211
CONTOH 1: BERTANYA 5-MENGAPA

Masalah:
Banyak karyawan
keluar
1 Mengapa?
Tidak betah
2 Mengapa?
Beban kerja tak seimbang
3 Mengapa?
Skill tidak merata
4 Mengapa?
Tidak ada program
pengembangan karyawan
Penanggulangan:
5 Mengapa?
Menyusun kompetensi needs
Ketidakjelasan kompetensi yang dibutuhkan
61/211
LATIHAN : BERTANYA 5-MENGAPA

Masalah:
1 Mengapa?
2 Mengapa?
3 Mengapa?
4 Mengapa?
Penanggulangan:
5 Mengapa?
62/211

DEFINISI
Suatu diagram yang terstruktur untuk mengidentifikasi
penyebab dari masalah (xs) dan hubungan sebabakibat berdasarkan pengalaman dan keahlian dari
sekelompok orang dengan melakukan brainstorming
secara terstruktur.
Juga dapat digunakan untuk brainstorming cara-cara

yang perlu dilakukan untuk mencapai suatu tujuan
Diagram Sebab dan Akibat ini dikembangkan tahun

1943 oleh Prof Kaoru Ishikawa. Sehingga juga disebut
dengan Diagram Ishikawa atau diagram Tulang Ikan
karena bentuknya mirip gambar tulang ikan
63/211
MANFAAT
Mengidentifikasi sebab-sebab utama
masalah
Mengidentifikasi akar masalah
Mengidentifikasi beberapa
alternative cara penyelesaian
masalah
64/211

(CAUSEANDEFFECT DIAGRAM)
Penyebab
Akibat (masalah)
Sub-Penyebab 1
Sub-Penyebab
Sub-Penyebab 3
Sub-Penyebab 2
Penyebab
Sub-Penyebab ke 4, dsb
65/211

LANGKAH
1. Tuliskan secara singkat Masalah atau Akibat yang akan

dianalisa pada kepala Diagram Tulang Ikan
2. Tetapkan kategori penyebab yang sesuai dengan
permasalahan yang dianalisa
Umumnya menggunakan kategori sbb:
5M & 1 E:
Manusia, Mesin, Metoda, Material, Measurement
(Pengukuran), Environment (Lingkungan)
4 P : Policy, Prosedur, Plant (Pabrik), People
Jika permasalahannya cukup kompleks dapat dibuat tulang
ikan untuk setiap sub proses baru kemudian di setiap sub
proses dianalisa 5M + 1E
3. Lakukan brainstorming sebab-sebab yang mungkin di setiap
kategori
66/211

LANGKAH
4. Identifikasi hubungan sebab-akibat di antara faktor
di dalam setiap kategori dan sub kategori
5. Buat Diagram Tulang Ikan
Kategori utama menjadi tulang terbesar dari diagram

tulang ikan
Susun setiap penyebab dan sub penyebab di tulang yang
lebih rendah (penyebab paling spesifik dituliskan di
tulang terkecil)
6. Gunakan data atau lakukan konsensus untuk

memilih akar penyebab yang paling mungkin atau
paling penting untuk dianalisa lebih lanjut
Pilih 3-5 penyebab dari tulang terkecil

Penyebab tersebut ditandai tanda bintang atau lingkaran
67/211
CONTOH: DIAGRAM SEBAB DAN AKIBAT

da
ka n
Td itme
m
ko
Komite Min- Max
Cataloging
Tidak Akurat
Merubah Spec. Tanpa

Persetujuan komite
Kurang
Koordinasi
Penyimpagan Spec.
Material Absolut
Keterbatasan
waktu
Spec. Material sudah Absolut
Min-Max Level
Tidak optimal
Check Listing terganggu
Merubah Spec. dicataloging Tanpa

Persetujuan komite
Printer
Sering Hang
Penyimpagan Qty Order

Tidak ada
Standarisasi
Perhitungan Min-Max Level
Over Night Run

Perubahan data
Tanpa otorisasi
Perhitungan Min Max Level

Tidak Akurat
Unit Of Measure
Tidak Standart
Perubahan Qty Order

Tanpa persetujuan Komite
Quideline tidak ada
Masalah Zero stock & Below Stock

Consumable (Min-Max)
Proses penerimaan
Material lambat dari
supplier
Distribusi RO to
Buyer tidak merata
Pengetahuaan Buyer
Tentang Material Kurang
Pengiriman material
Belawan-Porsea sering terlambat
Stock tidak cukup
Schedule transportasi
Tidak bagus
Material Lambat
dikirim
User punya Sub store

Material yang diterima
Tidak sesuai dengan
permintaan
Kominikasi Expeiditer
Dengan buyer kurang
Follow upEke Supplier

Kurang oleh Expeiditer
Baring tidak jadi ambil tetapi

Request Material disystem MIMS tidak
dibatalkan
Penyimpangan
schedule
Tidak review RO
Disystem MIMS
Picking slip yang sudah

Diprint tapi Material tidak
diambill
Proses RTS lambat
Penawaran harga
Yang berulang-ulang
Kurang Trainning
SOP tidak dijalankan

Kominikasi buyer
Dengan Mill store
kurang
Material Sulit diperoleh
Pembagian RO ke Buyer
Yang tidak Sistematis
Pengetahuan User tentang

Online system MIMS Minim
Cataloging merubah
Spec.tanpa
Persetujuan buyer
Seleksi supplier
Kurang teliti
Receiving
Penyerahan dari Issuing

Ke user sering terlambat
Setting printer
Dari MIS tidak sempurna
Salah Spec.
Performance
Supp. Yang jelek
Procurement
S
User ambil material melebihi

Yang dibutuhan
Issuing
Printer sering hang
68/211
LATIHAN : DIAGRAM SEBAB AKIBAT
Sebab Dominan: 1; 2..: 3: 4

69/211
SCATTER DIAGRAM
70/211
DIAGRAM TEBAR
LATAR BELAKANG

1. Dari survai karyawan menunjukkan bahwa kinerja
karyawan yang kurang disebabkan gaji
kurang, namun setelah dinaikkan gajinya, ternyata
kinerjanya tidak meningkat
2. Dalam rapat mingguan disimpulkan bahwa semakin
sering dilakukan visit ke customer maka penjualan
semakin meningkat, namun anda kecewa ternyata
peningkatan visit ke customer pada bulan Oktober
ini tidak meningkatkan penjualan
Apa yang salah ?
71/211
DIAGRAM TEBAR ( SCATTER DIAGRAM )
DEFINISI :
Diagram yang menggambarkan hubungan (korelasi)
antara dua variabel (faktor )
MANFAAT :
Menyajikan data untuk mengkonfirmasikan hipotesa
apakah dua variable (faktor) saling berhubungan
/berkorelasi
Mengetahui seberapa erat hubungan antara faktor
tersebut
Sebagai tools untuk memverifikasi akar penyebab
yang diperoleh dari analisa sebab dan akibat
72/211
CONTOH KORELASI :
antara jumlah kunjungan ke pelanggan dengan hasil
penjualan
antara keluhan pelanggan dengan pendapatan usaha
antara lama kerja dengan prestasi kerja
antara jumlah salesmen dengan hasil penjualan
antara waktu pelayanan dengan tingkat kepuasan
pelanggan
antara umur mesin dengan jumlah breakdown
antara jumlah sampel yang diinspeksi dengan jumlah
defect
antara frekwensi perawatan dengan dengan jumlah
reject/breakdown
antara tingkat inventory dengan jumlah produk kedaluarsa
antara jumlah buku dengan kompetensi karyawan
antara jam training dengan kecelakaan/kesalahan kerja
73/211
JENIS KORELASI ANTARA DUA VARIABEL

y
x
Korelasi Positif
Tidak ada Korelasi
Korelasi Positif
Mungkin Terjadi
y
x
Korelasi Negatif
Korelasi Negatif
Mungkin Terjadi
x
Pola Kurvalinear
74/211

LANGKAH PEMBUATAN:
1. Tetapkan dua variabel yang akan diteliti korelasinya, yaitu variabel X
& Y.
Variabel X: variabel independen (sebab, akan dirubahrubah, dipengaruhi). Misal: jumlah kunjungan, dan
Variabel Y: variabel dependen( akibat, diharapkan

berubah, terpengaruh, goal /dampak yang terjadi). Misalnya hasil
penjualan
2.
Tentukan sumber data/darimana data itu diperoleh untuk setiap

pasangan X dan Y
Misalnya : X = 10 kunjungan, hasilnya Y= 2 penjualan; data ini
merupakan data kunjungan & penjualan Pak Budi(Salesman).
Jadi dalam hal ini sumber data adalah: data Salesman(nama
seluruh Salesman)
75/211

LANGKAH PEMBUATAN : (lanjutan)
3.
4.
Tentukan periode pengumpulan data (misal : tgl 1 31 Juli)

Buat Lembar Data Scatter Diagram yang terdiri dari 4 kolom:
Kolom 1 nomor urut data
Kolom 2 Sumber Data
Kolom 3 variabel X
Kolom 4 variabel Y
5.
Kumpulkan data dengan melakukan pengukuran aktual (pada

umumnya data yang dibuat Scatter Diagram adalah > 50
pasang data )
6.
Gambarkan Diagram Tebar dengan sumbunya:

Gambarkan garis horizontal (sumbu X atau variabel
independen) dan
vertikal (sumbu Y atau variabel dependen); Beri Label pada
setiap titik skala dalam diagram
76/211

LANGKAH PEMBUATAN : (lanjutan)
7. Plot data pada diagram sehingga dipeoleh titik-titik yang

berpencar (scatter)
8. Interpretasikan data
Analisa Scatter Diagram, apakah ada kecenderungan
positif, negatif, atau tidak ada pola tertentu
Untuk memastikan ada tidaknya korelasi, buatlah
garis regresi dengan type regresi sesuai pola
data(linier, kurve, dll) ,
kemudian hitung koefisien korelasinya ( r )
Korelasi dua variabel adalah kuat, bila |r| > 0.75
77/211
KOEFISIEN KORELASI ( r )
DEFINISI :
Koefisien yang menunjukkan korelasi antara dua faktor atau
variabel
Koefisien Korelasi
r = -1 < r < 1
r = 0, tidak ada korelasi

r > 0 , korelasi positif, bila X meningkat , maka Y juga
meningkat
r < 0 , korelasi negatif, bila X meningkat, Y menurun
78/211
1. Perhitungan Manual
-1
-1
Korelasi Negatif
Kuat
Korelasi Positif
Kuat
79/211
DIAGRAM TEBAR (SCATTER DIAGRAM)
PEMBUATAN DIAGRAM TEBAR Microsoft Excel

LANGKAH
1. Buka File Excell
2. Blok Range yang terdiri dari : Data X & Y (berisi faktor yang
akan dianalisa hubungannya)
3. Klik : Chart Wizard
4. Pilih: XY (Scatter)
5. Klik : Chart Subtype, pilih paling atas
6. Klik Next
7. Ketik Judul
8. Klik : Finish
9. Klik value (X) axis
10. Klik Kanan: Format axis
11. Klik Scale
12. Minimum : tulis sesuai dengan data minimum
13. Scatter Diagram selesai
80/211
PEMBUATAN GARIS TREND PADA DIAGRAM TEBAR & r Microsoft Excel
LANGKAH
1.
Klik salah satu titik pada Diagram Tebar
2.
Klik kanan : Format Trend line
3.
Klik : Add trend line, Klik: OK
4.
Klik : Linier Correlation *), Klik : OK
5.
Klik kanan pada trend line
6.
Klik : Format trend line
7.
Klik: Option
8.
Klik: Display squared value on chart
9.
OK nilai R2 muncul
10. Hitung r = sqrt(R2)

*) Note: Dalam contoh soal ini pola diagramnya mendekati linier sehingga
didekati dengan regresi linier dan korelasi linier
81/211
DIAGRAM TEBAR
CONTOH SOAL
Kita ingin mengetahui dan melihat , apakah ada korelasi

antara jumlah kunjungan salesmen - sales calls dengan
hasil penjualan
1.
Mengumpulkan data, misalnya ada 40 orang salesmen dengan

jumlah kunjungan dan hasil penjualan mereka.
Dibuatkan tabel seperti dalam Tabel 1.

2.
Membuat diagram tebar mengenai jumlah kunjungan vs hasil

penjualan. Caranya dengan menggambarkan titik-titik data ke
dalam sumbu datar/ absis (X) dan sumbu tegak/ ordinat (Y)
dimana: Sumbu datar (X) : jumlah kunjungan
Sumbu tegak (Y) : hasil penjualan
dengan menggunakan Scatter Diagram
3. Hitung koefisiensi korelasi (r)

82/211
TABEL: 1
NO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
NAMA
SALESM
AN
LEMBAR DATA SCATTER DIAGRAM

X
JUMLAH
KUNJUNGAN
90
130
140
100
123
121
133
95
88
135
117
125
92
132
105
129
102
118
107
135
Y
HASIL
PENJUALAN
4
3
8
5
7
6
8
3
2
10
6
9
7
7
5
11
4
3
2
12
NO
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
NAMA
SALESM
AN
X
JUMLAH
KUNJUNGAN
125
131
137
100
128
85
110
113
139
80
122
130
127
95
103
115
105
135
124
97
Y
HASIL
PENJUALAN
6
9
7
7
8
3
5
4
10
2
9
10
8
8
3
5
4
11
9
1
83/211
hasil penjualan
SCATTER DIAGRAM
15
R2 = 0,5121
10
5
0
60
80
100
jml kunjungan
120
140
160
Kesimpulan : karena nilai r = 0.735 mendekati 1 maka bisa disimpulkan ada

korelasi yang cukup kuat antara variabel X dan variabel Y (peningkatan
kunjungan mempengaruhi peningkatan sales)
84/211
LEMBAR DATA UNTUK SCATTER DIAGRAM

DATA:
LOKASI :
PERIODE:
NO
SUMBER DATA
X : .
Y: .
85/211
LATIHAN : SCATTER DIAGRAM

100
90
80
70
60
50
40
30
20
10
0
1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
Kesimpulan :..
86/211
VERIFIKASI SEBAB
87/211
VERIFIKASI SEBAB
DEFINISI
Suatu kegiatan untuk memverifikasi / mengkonfirmasikan /
membuktikan terjadinya penyebab masalah
MANFAAT
Mendapatkan data / bukti / evidence yang menunjukkan bahwa
penyebab masalah tersebut memang ada dan dapat
dipertanggungjawabkan, bukan berdasar opini, dan berkorelasi
dengan akibat masalah
LANGKAH
1.
Dari setiap sebab dominan yang diperoleh pada analisa sebab
akibat , kumpulkan data kuantitatif atau bukti-bukti lainnya
2.
Analisa data / evidence yang telah dikumpulkan. Tools yang dapat
digunakan antara lain : Grafik, Scatter Diagram, Hyphothesis
Test, tabel atau dengan menampilkan nilai kuantitatifnya
3.
Buat kesimpulan apakah sebab dominan tersebut valid atau tidak
Sebab dominan yang valid ditindaklanjuti dengan menyusun Rencana

Penanggulangan
Sebab dominan yang tidak valid , didrop (tidak ditindaklanjuti)
88/211
CONTOH : VERIFIKASI SEBAB

SEBAB
EVIDENCE
Tidak ada standarisasi perhitungan min max masih pakai perhitungan sederhana (average per month)
dan belum dibakukan
1 level
valid
Feb 2006 : 0 kejadian ; Maret 2006 terjadi 19 kejadian
Perubahan quantity order tanpa persetujuan perubahan quantity order tanpa persetujuan komite min
max
2 komite
valid
actual : terima PR dari store dibagikan oleh Section Head
secara manual, dampaknya terjadi double job (2 org
Pembagian RO ke buyer yang tidak
mengerjakan 1 pekerjaan sama): ideal : dimasukkan
dalam sistem Mincom, dll
3 sistematis
valid
Catalouging merubah spec tanpa persetujuan Catalouging rubah spec setelah ada cut order, dlm bln
December 05 terjadi 3 kejadian
4 buyer
valid
tidak meresponse undangan meeting dari level yang

lebih rendah
valid
5 no Commitment dari higher level

Note : Data No 3 & 4 dilampirkan
89/211
SEBAB DOMINAN WASTE JUAL

NO
10
11
SEBAB DOMINAN
Bag di tusuk saat

Pengecekan
Mutu Impeller Centrifugal

kurang bagus
EVIDENCE
Bag di
tusuk saat
pengecekan
Impeller
sering
Putus
KESIMPULAN
Valid
Valid
Prongkolan Akibat
Pisau Aus
12
Pisau Rotary Aus
Valid
90/211
LATIHAN : VERIFIKASI SEBAB

Dari Sebab Dominan yang dipilih pada Diagram Sebab dan Akibat, lakukan
Verifikasi untuk setiap Sebab Dominan
NO
SEBAB DOMINAN
EVIDENCE
KESIMPULAN
(Valid/Invalid)
91/211
TAHAP II:
IDENTIFIKASI PELUANG PERBAIKAN
C2. TEKNIK STATISTIK
92/211
SASARAN MODUL
Setelah mengikuti pelatihan ini MT
memahami dan mampu melakukan
Analisa Data dengan menggunakan
teknik statistik lanjutan
93/211
TEKNIK STATISTIK
Hari Pertama:
08.00 10.00
Teknik Statistik: Statistical Process Control (SPC)

- Variable Control Chart
10.00 -10.15
Rehat
10:15 -12.00

12.00 -13.00
Makan Siang
13:00 -14.30

- Atribute Control Chart
14:30 -14.45
Rehat
14.45 -16.30

- Process Capability Analysis
94/211
TEKNIK STATISTIK
Hari Kedua:
08.00 10.00
10.00 -10.15
10:15 -12.00
12.00
13:00
14:30
14.45
-13.00
-14.30
-14.45
-16.30
Advanced analytical Tools (Continuous Data)

- Concept of Hypothesis Test
- p Value
- One sample Z - test
Rehat
Advanced analytical Tools (Continuous Data) -lanjutan
- Two sample T test
- Paired T Test
Makan Siang
Analysis of Varian (ANOVA)
Rehat
Advanced analytical Tools (Discrete Data)
- One Sample Proportion test
- Two Samples Proportion test
- Goodness of fit chi square test
95/211
STATISTICAL PROCESS CONTROL

(SPC)
- Attribute Control Chart
96/211
STATISTICAL PROCESS CONTROL (SPC)
DEFINISI:
SPC adalah suatu metode pengendalian proses
dengan menggunakan data dan teknik statistik
dalam pengambilan keputusan
MANFAAT:
Meminimalkan variasi yang muncul di dalam
proses
97/211
SPESIFIKASI vs. CONTROL
MENGONTROL PROSES
TERHADAP SPESIFIKASI =
TAMPERING
Tampering mengakibatkan
meningkatnya variasi proses
98/211
MENGONTROL PROSES
BERBASIS SPESIFIKASI LIMIT
Kondisi awal
Setelah Adjustment
USL
LSL
99/211
Proses Tampering
Kondisi awal
Stlh Adjustment #1
USL
LSL
Stlh Adjustment #2
100/211
Effect Tampering
Kondisi Awal
Stlh Adjustment #1
Original Variation
Resulting Variation
USL
LSL
Stlh Adjustment #2
101/211
CONTROL LIMIT vs SPESIFIKASI LIMIT
Control limit:
Control Limit merupakan garis batas yang menggambarkan
(potret) kemampuan berdasarkan pengalaman dan
kemampuan teknik .
Control Limit bukanlah Spesifikasi Limit !!!!
Spesifikasi Limit ;
Spesifikasi Limit adalah limit/batas-batas/spesifikasi yang
ditentukan oleh konsumen (dalam maupun luar) atau target
yang harus dicapai.
Walaupun proses menunjukkan keadaan terkontrol (di dalam control limit) harus
diperhatikan juga apakah proses sesuai dengan Spesifikasi Limit
102/211
CONTROL LIMIT
Adalah garis yang menunjukkan
dispersi/penyebaran data dan memberitahu
apakah situasi abnormal terjadi dalam
produksi, dengan demikian kita dapat segera
mengambil tindakan yang tepat
Ada tiga macam garis kendali yaitu :
UCL (Upper Control Limit) atau garis/batas
kontrol atas
LCL (Lower Control Limit) atau garis/batas
kontrol bawah
CL (Central line) atau garis tengah
103/211
CONTROL CHART
DEFINISI:
Control Chart adalah suatu grafik garis yang
mencantumkan garis-garis control (Control Limit) sebagai
dasar pengendalian proses (untuk menunjukkan proses
dalam keadaan terkontrol atau tidak)
MANFAAT:
Control Chart ini digunakan untuk memonitor variasi hasil
pengukuran parameter proses
Apakah prosesnya normal atau menunjukkan trend?
Mengidentifikasi penyimpangan dini dan mengambil

tindakan sebelum proses out of control
104/211
CONTOH CONTROL CHART

x-chart and R-chart
UCL
x-chart
LCL
time
UCL
R-chart
R
LCL
time
105/211
JENIS-JENIS CONTROL CHART

1. Variable Control Chart :
adalah Control Chart dimana data yang
dikumpulkan dan akan dianalisa adalah
data variabel (data yang diperoleh
dengan melakukan pengukuran dengan
alat ukur).
Contoh : X-R , X-S, Individual Moving Range
106/211

2. Attribute Control Chart :
adalah Control Chart dimana data
yang dikumpulkan dan akan
dianalisa adalah data yang
diperoleh dengan melakukan
menghitung
contoh : c-chart, u-chart, np-chart, pchart
107/211
Individual
& Moving
range
chart
108/211
CONTROL CHART BASICS

Special Cause Variation:
Range of unexpected variability
UCL
Common Cause
Variation: range of
expected variability
+3
Process Average
-3
LCL
time
UCL = Process Average + 3 Standard Deviations

LCL = Process Average 3 Standard Deviations
109/211
PROCESS VARIABILITY
Special Cause of Variation
UCL
3 99.7% of
process values
should be in this
range
Process Average
LCL
time
UCL = Process Average + 3 Standard Deviations

LCL = Process Average 3 Standard Deviations
110/211
Contoh Form untuk pengontrolan proses dengan menggunakan X bar - R Chart

( UCL & LCL dihitung berdasar kinerja proses lalu yang stabil dan memenuhi
spesifikasi yang dijadikan acuan untuk mengontrol proses mendatang )
111/211
PROCESS IN CONTROL
Process in control: Titik-titik
terdistribusi secara random di sekitar
center line dan semua titik berada di
dalam control limit
x
UCL
x
LCL
time
112/211
PROCESS OUT OF CONTROL

Nine or more points in a
One or more points

outside control limits
UCL
row on one side of the

center line
UCL
LCL
LCL
Six or more points
moving in the same

UCL
direction
14 or more points
alternating above and

below the center line UCL
LCL
LCL
113/211
PROCESS OUT OF CONTROL

Jika control chart menunjukkan out-ofcontrol
Maka ada dua penyebab : common causes
of variation dan assignable causes of
variation
Assignable causes of variation harus
diidentifikasi
Jika menunjukkan gejala penurunan mutu, maka
assignable causes of variation harus dihilangkan
Jika menunjukkan gejala peningkatan
mutu, maka assignable causes of variation harus
diintegrasikan dalam proses
114/211
VARIABLE CONTROL CHART

1. X bar-R Chart
Definisi:
Adalah variabel control chart dimana data yang
dikumpulkan dalam setiap pengamatan berbentuk
subgroup yang besarnya 2-9
Kapan digunakan:
Jika ingin mengetahui stabilitas suatu proses
Jika datanya adalah data variabel

Jika setiap data yang dikumpulkan dalam bentuk
subgroup yang besarnya 2 - 9
115/211
Variable Control Chart :

X bar - R Chart
116/211

1. X bar R Chart
Contoh penerapan X bar R Chart:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
Panjang potongan pelat baja yang diproduksi

Welding strength (2 tiap 2jam)
Porosity (n=4, tiap 4jam)
Freeness ( 2x / shift)
Ph (2 x / shift)
Thickness solder paste (n=2, 2 jam)
Punch terminal pressure (n=5, 2 jam)
Impact test (n=2, 1 jam)
Intermediate test (n=10, per lot)
Sliding impact test (n=6, per lot)
Berat piston motor grm (n= 5 per shift)
Bending strength kg/cm2 (n=3 per shift)
117/211

X bar - R Chart
. Rumus garis kendali, yaitu:
Peta X :
Peta R :
UCL = X + A2.R
LCL = X - A2.R
CL = X
UCL = D 4.R
LCL = D 3.R
CL = R
A2, D3, D4 diambil dari Table A. Factors for Computing Control

Chart Lines
X = rata-rata hasil pengukuran dalam sekali pengamatan
R = range/selisih hasil pengukuran terbesar dengan terkecil dalam
sekali pengamatan
X= X/N
R= R/N
N = jumlah pengamatan.
Untuk membuat peta kendali ini N = data (subgroup) yang dibutuhkan
minimum 25
118/211
X bar R Chart
119/211
X bar R Chart
X BAR CHART - UJI LIMIT (BOLT DIAMETER)
14,5
14,0
ucl
AVERAGE
13,5
cl
13,0
12,5
12,0
lcl
11,5
11,0
1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
PENGAMATAN KE
R CHART - UJI LIMIT (BOLT DIAMETER)

3,5
ucl
3,0
RANGE
2,5
2,0
cl
1,5
1,0
0,5
lcl
0,0
1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
PENGAMATAN KE
120/211

2. X bar-S Chart
Definisi:
Adalah Variable Control Chart dimana data
yang dikumpulkan dalam setiap
pengamatan, dalam subgroup yang besarnya
10 atau lebih
Kapan digunakan:
Jika setiap data yang dikumpulkan dalam
bentuk subroup yang besarnya 10 atau lebih
121/211

2. X bar S Chart
Contoh penerapan Peta X bar - S:
1. Berat rokok hasil lintingan
2. Diameter hasil potongan ampul
3. .
4. .
5. .
6. .
7. .
8. .
122/211

X bar - S Chart
Rumus garis kendali, yaitu:
Peta X :
Peta S :
UCL = X + A3.S
LCL = X - A3.S
CL = X
UCL = B4.S
LCL = B3.S
CL = S
A3, B3, B4 diambil dari Table A. Factors for Computing Control Chart
Lines
X = rata-rata hasil pengukuran dalam sekali pengamatan
S = standard deviasi setiap sub group
X = X / N (N = jumlah pengamatan)
S=
( Xi - X )2
S= S/N
n-1
123/211
Variable Control Chart : X bar - S Chart

Berat Pasta (gr)
124/211

Berat Pasta (gr)
125/211
126/211

3. X- Moving Range Chart
Definisi:
Adalah Variable Control Chart dimana data yang dikumpulkan dalam setiap
pengamatan jumlahnya satu (=1)
Disebut Moving Range karena: range diperoleh dari data yang bergerak
yakni data dari pengujian satu ke pengujian berikutnya
Kapan digunakan:
Jika setiap data yang dikumpulkan adalah data individu
Umumnya digunakan dalam industri yang berjalan 24 jam seperti

semen, pupuk kimia, minyak dimana dalam setiap pengambilan data
hasilnya relatif homogen sehingga cukup diambil satu sampel
Dapat juga digunakan dimana pengujian hanya dapat dilakukan sedikit

saja, karena faktor biaya, atau memang sedikit produksi yang tersedia
127/211

3. X- Moving Range Chart
Contoh penerapan Peta X - Moving Range
1. Konsentrasi larutan
2. Daya ledak peluru
3. Kadar air dalam pupuk
4. Daya tahan baterai handphone
5. Kadar TS (per batch)
6. Kadar protein ransum (per no formula)
7. Dimensi komponen (per komponen)
8. Running test break-m (per unit)
9. PH larutan (per batch)
10. Viskositas poise (per batch)
128/211

X Moving Average
Peta X :
Peta Moving Range :
UCL
= X + E2.mR
UCL = D 4.mR
LCL
CL
= X - E2.mR
= X
LCL = D 3.mR
CL = mR
E2, D3, D4 diambil dari Table A. Factors for Computing

Control Chart Lines (untuk n= 2--> E2 = 2.66)
X = hasil pengukuran dalam sekali pengamatan
mR = range dari sekelompok data yang berturutan
X = X / N (N = jumlah pengamatan)
mR = mR / (N-n+1)
Subgroup Size
(n)
2
3
4
5
6
7
8
9
10
E2
2.660
1.772
1.457
1.290
1.184
1.109
1.054
1.010
0.975
129/211
Variable Control Chart : X Moving Average
130/211
Variable Control Chart : X Moving Average
mR
MOVING RANGE (LEBAR SISI AXIS)-UJI LIMIT

0,04
0,03
0,03
0,02
0,02
0,01
0,01
0,00
mR
UCL
CL
LCL
PENGUKURAN KE
131/211
ATTRIBUTE CONTROL CHART

DEFECT vs DEFECTIVE
Dalam pembuatan ATTRIBUTE CONTROL CHART akan
ditemui istilah - istilah yang perlu diperhatikan yaitu :
defect dan defective
n Produk disebut memiliki defect(nonconformity) jika terdapat
sekurang-kurangnya satu spesifikasi yang tak dipenuhi
Misal : tergores, dinding menggelombang, cat mengelupas
n Produk disebut defective(nonconforming) jika terdapat defect (satu

atau lebih) yang mengakibatkan produk tersebut ditolak / tak
berfungsi lagi
Misal : ubin pecah, gelas retak, produk yang rusak, dan lain-lain
132/211

1. p - chart
Definisi:
Adalah Attribute Control Chart dimana data yang dikumpulkan
digo-longkan diterima atau ditolak (mengecek defective), dan
dalam setiap pengamatan besarnya subgroup berbeda
Kapan digunakan:
n Jika ingin mengetahui stabilitas suatu proses
n Jika datanya dalam setiap subgroup berupa jumlah
produk defective / nonconforming
n Jika dalam setiap pengamatan besarnya subgroup
berbeda
n Jika ingin mengamati karakteristik kualitas, dimana
produk diklasifikasikan diterima atau ditolak
133/211

1. p - chart
Contoh penerapan p - chart:
1.
Proporsi waste per hari dalam pembuatan produk
2.
Proporsi reject item dalam pembelian barang
3.
Proporsi pasien meninggal dari seluruh pasien dirawat
4.
Proporsi ubin yang pecah dalam pemasangan lantai
5.
Jml Lampu mati pada saat pengujian
6.
Reject kropos casting process
7.
Jml pengujian salah per bulan
8.
Salah kirim
9.
Salah bayar wesel
10. Jml nasabah yang dilayani vs yg complain
11. Jml transaksi kiriman uang vs jml salah bayar
12. Jml unit terjual vs jml retour
13. Jml ATM vs ATM yang rusak
14. Jml PO vs delivery terlambat
15. Jml panggilan vs jml panggilan gagal
134/211
Attribute Control Chart : p - chart

UCL = p + 3
p(1-p)
ni
LCL = p - 3
p(1-p)
ni
CL
p = proporsi defective per unit

p = pn / ni
ni = besarnya subroup/ pengamatan ke - i
135/211
Attribute Control Chart :
p - chart
136/211
p - chart
137/211

2. np - chart
Definisi:
Adalah Attribute Control Chart dimana data yang dikumpulkan digolongkan diterima atau ditolak (mengecek defective/nonconforming ) dan
dalam setiap pengamatan besarnya subgroup sama
Kapan digunakan:
n Jika datanya dalam setiap subgroup berupa jumlah produk defective /
nonconforming
n Jika dalam setiap pengamatan besarnya subgroup sama
n Jika ingin mengamati karakteristik kualitas, dimana produk
diklasifikasikan diterima atau ditolak
138/211

2. np - chart
Contoh penerapan np - chart:
1.
2.
3.
4.
5.
6.
7.
8.
9.
Lama waktu breakdowm mesin setiap seminggunya

(mesin beroperasi 24 jam dalam sehari)
Jml reject item dalam setiap karton box(isi 12 lusin), bolpen yang
dibeli
Jml bayi meninggal setiap 100 kelahiran
Jml landing pesawat yang kurang mulus dari setiap 1000 kali
landing
Inspeksi 100% untuksemua item setiap lot (ukuran sama)
Setiap 1000 ton dihitung complain
Setiap 1000 debitur, yg macet brp
Box tercampur dalam tiap palet
Setiap box dihitung salah size
139/211
np - chart
Rumus Garis kendali, yaitu:
UCL =
CL
np
+3
np ( 1 - p )
= np
LCL = np - 3
np ( 1 - p )
np = proporsi defective per subgroup=> jumlah

np = np / N
p = np / ni
N = banyaknya pengamatan/ jumlah subgroup
140/211
np - chart
141/211
np - chart
142/211

3. u - chart
Definisi:
adalah defect-defect / nonconformity dalam subroup dimana dalam
setiap pengamatan besarnya subgroup berbeda
Kapan digunakan:
n Jika datanya adalah berupa banyaknya defect / nonconformity
setiap subgroup
n Jika dalam setiap pengamatan besarnya subgroup berbeda
n Jika ingin mengamati karakteristik kualitas, berapa banyaknya
defect per unit pengamatan
143/211

3. u - chart
Contoh penerapan u - chart:
1. Jml nasabah yang transfer vs jumlah kesalahan
penulisan form
2. Jml kehadiran karyawan vs tindakan indisipliner
3. Jml produksi harian vs jumlah cacat
4. Jumlah pelanggan datang vs Jumlah keluhan
5. Jml siswa vs kesalahan penggunaan pemadam
kebakaran
6. .
7. .
8. .
144/211
u - chart
UCL =
+ 3
CL =
ni
LCL = u - 3
u
ni
u = proporsi defect per unit =>juml defect/juml yg di inspect

u = c / ni
c = jumlah defect per subgroup
ni = besarnya subroup/ pengamatan ke- i
145/211
u - chart
146/211
u - chart
147/211

4. c - chart
Definisi:
adalah defect-defect / nonconformity dalam subgroup dimana dalam
setiap pengamatan besarnya subgroup sama
Kapan digunakan:
n Jika datanya adalah berupa banyaknya defect / nonconformity
setiap subgroup
n Jika dalam setiap pengamatan besarnya subgroup sama
n Jika ingin mengamati karakteristik kualitas, berapa banyaknya
defect pada setiap artikel produk
148/211

4. c - chart
Contoh penerapan c - chart:
1. Setiap 10 halaman buku vs jumlah salah
2. Setiap 10 m luas bidang yang dicat vs jumlah cacat
3. Setiap botol obat vs banyaknya gelembung udara
dalam satu botol obat
4. Setiap 100 sambungan telepon vs salah sambung
5. Setiap area dalam roll yang diperiksa vs jml defect
6. .
7. .
8. .
149/211
c - chart
UCL =
CL
LCL
+ 3
= c - 3
c = proporsi defect per subgroup =>jumlah

c=
c/N
c = jumlah defect per subgroup
N = banyaknya pengamatan atau jumlah subgroup
150/211
c - chart
151/211
c - chart
152/211
153/211
Process Capability
Analysis
Cp
Cpk
154/211
PROCESS CAPABILITY ANALYSIS
Definisi: adalah suatu analisa untuk memprediksi seberapa

konsisten proses memenuhi spesifikasi yang ditentukan
pelanggan internal atau eksternal
Proses disebut capable jika mampu menghasilkan hampir

100% output sesuai spesifikasi
Capability: kemampuan proses untuk menghasilkan
output sesuai spesifikasi
Capability Index: adalah suatu index yang
menggambarkan seberapa jauh proses memenuhi
spesifikasi yang ditetapkan :
1. Potential Capability Index = Cp
2. Real Capability Index = Cpk

155/211
Mengapa perlu Process Capability Analysis?

Problem with Spread
Problem with Centering
Current situation
Accurate
(but not precise)
LSL
Desired
Current Situation
Desired
Precise
(but not
accurate)
T
USL
LSL
USL
Precise but not

Accurate
Accurate but not

Precise
156/211

Dengan mengetahui Capablility Index, membantu
memfokuskan pada target value, yaitu value yang
paling diinginkan pelanggan. Meskipun output 100%
berada di dalam spesifikasi limit, bisa jadi pelanggan
tidak puas & memungkinkan hilangnya bisnis
PENERAPAN:
Menguji apakah setup mesin baru sudah OK,
Menguji seberapa baik performance dari suatu alat/
mesin / sekelompok pekerja terhadap suatu
parameter (dimensi, dll) dalam periode tertentu
(daily, weekly, monthly, dll)
Sebagai persyaratan untuk penerimaan produk
157/211

Sebelum melakukan Process Capability Analysis harus
dipastikan prosesnya stabil. Proses yang tidak stabil
tidak bisa dijadikan acuan untuk memprediksi. Jika
proses stabil maka dapat diprediksi performance
mendatang dan meningkatkan capability
Process capability harus senantiasa diukur dan dianalisa
Dengan melakukan Process Capability Analysis dapat
diketahui:
Apakah proses memenuhi spesifikasi

Bagaimana kinerja proses di masa mendatang
Apakah perlu dilakukan perbaikan di dalam proses
Apakah improvement yang dilakukan bisa
mempertahankan kinerja, atau malah menurun?
158/211

LANGKAH ANALYSIS:
Tetapkan parameter yang akan dianalisis :
temperatur, dimensi, viskositas, dll (data variabel)
Kumpulkan data untuk setiap parameter yang
akan dianalisa, n> 25(populasi homogen)
Buatlah Control Chart yang sesuai, analisa
apakah Chart dalam keadaan in control atau out
of control
Buat histogramnya, analisa apakah berdistribusi
normal? (Test: Anderson-Darling test atau
Kolmogorov-Smirnov statistic, atau
Mean=Median=Mode)
Hitung Cp dan/atau Cpk
159/211

Istilah yang perlu diperhatikan dalam mengukur proses
Capability Index:
Control Limit:
Control Limit merupakan garis batas yang
menggambaran kemampuan (potret) proses
berdasarkan pengalaman dan kemampuan
teknik
Spesifikasi Limit :
Spesikfikasi Limit adalah limit/batas-batas
/spesifikasi yang ditentukan oleh konsumen
(dalam maupun luar) atau target yang harus
dicapai
160/211
PROCESS POTENTIAL CAPABILITY INDEX - Cp

Cp = Index yang menunjukkan kemampuan suatu proses dalam
memenuhi Spesifikasi Limit (atas & bawah), dimana
perhitungannya hanya memperhatikan spread (sebaran
data) namun Tidak memperhatikan centering /titik tengah
dari proses.
Cp ini mengukur seberapa presisi suatu parameter proses
Karena Cp tidak memperhitungkan centering dari proses, maka nilai
Cp tak dapat digunakan sebagai index tersendiri dalam
menggambarkan performance proses, dan harus disertai dengan Cpk
Cp =
Spec. Atas - Spec. Bawah
Jika ada 2 batas Spec. :

Spec. Atas & Spec. Bawah
161/211
dapat diestimasi dari

1.
Standard deviasi sampel s:

X : rata-rata
S : Std. Deviasi
S=
2.
Dalam Minitab, jika

menggunakan rumus
ini , maka hasilnya
adalah Ppk
( X - X )2
n-1
Data dari Peta Kendali Xbar- R atau X bar-S:

= R
d2
= S
c4
Dalam Minitab, jika

menggunakan rumus
ini , maka hasilnya
adalah Cpk
R = rata-rata range pada peta kendali X bar-R

d2 = konstanta yang besarnya tergantung jumlah
observasi dalam menghitung range (besar subgroup)
S = rata-rata satndard deviasi pada peta kendali X bar-S
c4 = konstanta yang besarnya tergantung jumlah
observasi dalam menghitung standard deviasi(besar
subgroup)
162/211
INTERPRETASI
PROCESS POTENTIAL CAPABILITY - Cp
Variabilitas Proses dikatakan memenuhi

spesifikasi yang ditetapkan, jika:
Index Capability Process
1 , atau
Cp 1
163/211
INTERPRETASI PROCESS POTENTIAL CAPABILITY -
Cp
Upper
Lower
Specification
Specification
Limit
Limit
Cp <1
=1
= 1.5
= 2.0
Improvement
164/211
INDEX PROCESS REAL CAPABILITY - Cpk

Cpk = Index yang menunjukkan kemampuan suatu proses
dalam memenuhi spesifikasi limit (atas &/ atau
bawah) dimana dalam perhitungannya
memperhatikan sebaran data dan centering/titik
tengah proses
Cpk ini mengukur seberapa
Cpk =
min
presisi dan akurasi suatu parameter proses
Spec. Atas - X , X - Spec Bawah

3
Cpk =
Spec. Atas - X

Spec. Atas & Spec. Bawah

Spec. Atas saja
Cpk =
X - Spec. Bawah

Spec. Bawah saja
3
165/211
INTERPRETASI PROCESS REAL CAPABILITY - Cpk
Proses dikatakan memenuhi spesifikasi

yang ditetapkan, jika:
Index Capability Process - Cpk
Catatan :
nilai Cp
Cpk
166/211
Cp & Cpk BERBAGAI PROSES

Lower
specification
Upper
specification
Potential
capability
Increase in the number of rejects
= 2.0
Real
capability
C
pk
= 2.0
= 2.0
= 2.0
= 2.0
= 2.0
= 2.0
pk
pk
pk
pk
pk
=1
<1
=0
<0
< -1
167/211
CONTOH PERHITUNGAN Cp
Jika Manajemen telah menetapkan spesifikasi
bahwa berat susu tidak boleh kurang dari
400 gr dan tidak boleh lebih dari 404 gr
Berapa nilai index Cp dari proses tersebut ?
LSL
Rata
2
9
8
USL
Jawaban :
n = 30 ; X = 404,3 gr ; s = 2,262 gr;

Spec bawah = LSL= 400 gr; Spec Atas = USL= 404
gr
4
3
2
Center
0
1
Cp =
USL - LSL
6
404 - 400
Spread
Mean
Median
StDev
Range
Var
404,3
404,0
2,262
9,3
5,1
= 0.29
6 ( 2,262)
Interpretasi :
Karena Cp = 0,29 < 1 , maka variabilitas berat susu melebihi batas
spesifikasi perlu dilakukan perbaikan untuk memperkecil
variabilitas
168/211
CONTOH PERHITUNGAN Cpk

Jika Manajemen telah menetapkan spesifikasi bahwa
berat susu tidak boleh kurang dari 400 gr dan tidak
boleh lebih dari 404 gr
Berapa nilai index Cpk dari proses tersebut ?
LSL
Rata
2
9
8
Jawaban :
n = 30 ; X = 404,3 gr ; s = 2,262 gr;
Spec bawah = LSL= 400 gr; Spec Atas = USL= 404
gr
USL
7
6
5
Center
3
Spread
Mean
Median
StDev
Range
Var
404,3
404,0
2,262
9,3
5,1
0
1
Cpk
min
{ Spec atas - X , X - Spec bawah } = min { 404 - 404,3 ; 404,3 - 400 }

3s
3 s
3 x 2,262
2 x 2,262
Cpk = min { -0,04 ; 0,63} = - 0,04
Kesimpulan :
Karena Cpk = -0,064 < 1 , maka variabilitas berat susu melebihi batas spesifikasi
dan rata-rata berat susu jauh menyimpang dari titik tengah spesifikasi
169/211
INTERPRETASI PROCESS REAL CAPABILITY - Cpk

Cpk > 1.3 :
Jika terjadi peningkatan variasi di masa mendatang, kecil
kemungkinannya menyimpang dari spesifikasi (proses menjadi lebih
murah, lebih produktif)
1.1 < Cpk < 1.3 :

Kondisi ideal, variasi dalam batas yang diijinkan
1.0 < Cpk < 1.1 :

Perubahan sedikit dalam proses produksi mengakibatkan munculnya
penyimpangan
0.9 < Cpk < 1.0 :

Produk cacat (penyimpangan produk) kadangkala muncul, proses
harus diperiksa lebih ketat untuk mengeliminasi
cacat/penyimpangan
Cpk < 0.9 :

Produk cacat (penyimpangan produk) terjadi secara teratur, proses
tak terkontrol. harus diperiksa bagaimana proses kerja, atau design
spesifikasi perlu ditinjau ulang
170/211
Cpm
Cpm (Taguchi Index): indeks yang menggambarkan kemampuan

proses memenuhi spesifikasi. Dimana target prosesnya bukan
merupakan titik tengah spesifikasi limit.
Cpm =
LSL
6
LSL
T: Target
USL ( T )2 +
USL
LSL
: rata-rata ;
T: target/nominal ;
standard deviasi populasi
T: Target
USL
OR
171/211
CONTOH PERHITUNGAN Cpm

Diketahui :
Specification limit : 28 + 3/-4 . Rata-rata X = 29.0, dan standard deviasi S = 0.43
Berapa nilai Cpm?
Cpm =
LSL
6
( T )2 +
LSL
24
31 24
USL -
26
27
28
29
(29 28 )2 + 0.43 2
USL
Target
25
= 1.07
30
31
172/211

Capability Analysis untuk Data Attribute

Index Capability Process data attribute diperoleh langsung hasil pembuatan
control chart, tidak diperlukan perhitungan tersendiri.
Capability dari data yang dituangkan dalam p chart adalah nilai p bar
(average nonconforming items )
Capability dari data yang dituangkan dalam np chart adalah nilai np
bar (average number of nonconforming items generated by the
system
Capability dari data yang dituangkan dalam c chart adalah nilai c bar
(average number of nonconformities per subgroup)
Capability dari data yang dituangkan dalam u chart adalah nilai u bar
(average number of nonconformities per unit )
Kelemahan Capability analisis untuk data attribute ini adalah tidak menjelaskan
mengapa system tidak capable.
Contoh: - apakah system tidak capable karena tidak centered, atau terlalu
dekat dengan spesifikasi limit atau variabilitas yang tinggi di anatara unit .
Untuk improvement harus dipelajari sebab-sebab permasalahannya secara
menyeluruh (Source : PQ Systems)
173/211
HYPHOTHESIS TEST
174/211
Hypothesis Test
Untuk mendapatkan keputusan, umumnya
digunakan asumsi terhadap populasi. Asumsi
untuk mendapatkan keputusan tersebut (bisa
benar, bisa salah), dinamakan STATISTICAL
HYPHOTHESIS atau Hypothesis Test
Hypothesis test dapat digunakan untuk:
Menilai kinerja proses (rata-rata dan variasi) terhadap suatu
standard atau spesifikasi,
Menentukan apakah terdapat perbedaan-perbedaan yang terjadi
selama proses,
Menguji peningkatan proses dengan membandingkan data lama
dan yang baru,
Dan sebagainya
175/211
HYPOTHESIS TEST
Dalam melakukan hypothesis test, digunakan dua
hypothesis yang berlawanan:
Hipotesis Nol (Null Hypothesis) (H0) : Yaitu suatu statement
mengenai persamaan atau ketidaksamaan mengenai
parameter populasi. Peneliti ingin mendeskreditkan
(menyangkal) statement ini.
Hipotesis Alternatif (Alternative Hypothesis) (H1) : Yaitu suatu
statement yang berkontradiksi dengan null hyphothesis.
Peneliti mengharapkan statement ini yang aktual terjadi.
Menolak H0 = Menerima H1, Menerima H1 = Menolak H0
176/211
HYPOTHESIS TEST
Starting point untuk hypothesis test adalah null
hypothesis - Ho. Ho merupakan hypothesis mengenai suatu
kesamaan atau tidak ada perbedaaan
Contoh : H0: Rata-rata Populasi = rata-rata hasil pengujian
Hypothesis Ha adalah alternative hypothesis. Menyajikan

hyphothesis mengenai adanya perbedaan
Contoh Ha: rata-rata Populasi # rata-rata hasil pengujian
Dengan Hypothesis test dapat dibuktikan apakah perbedaan

memang terjadi secara signifikan atau secara kebetulan
177/211
Note: based on the graph above, the Ho

wouldnt be , but =, , or . And the Ha is
178/211
the opposite.

HYPOTHESIS TEST
Contoh :
1. Jika ingin memutuskan apakah suatu coin itu imbang,
maka formulasi hipotesa tsb adalah :
Ho: p = 0.5, dan Coin disebut imbang (dengan
probabilitas muncul gambar kepala = 0.5)
H1: p # 0.5 atau p > 0.5 atau p = 0.7 (pilih salah satu)
2. Jika ingin memutuskan apakah suatu prosedur lebih baik
dari yang lain, maka formulasi hipotesa tsb adalah:
Ho: Tidak ada perbedaan antara prosedur

H1 : Ada perbedaan prosedur
179/211
LEVEL OF SIGNIFICANCE,
Dalam melakukan pengujian terhadap suatu
hipotesa, probabilitas maksimum bahwa akan muncul
error type I disebut Level of Significance / tingkat
signifikan dari suatu pengujian,
Dalam statistic, , (level of significance) : merupakan
tingkat kesalahan yang ditolerir
Nilainya ditentukan secara bebas sesuai tingkat ketelitian
yang diinginkan, yang sering digunakan adalah 0,01 atau
0,05
Jika suatu hipotesa dengan Level of Significance
sebesar 0.05 (5%) , artinya:
kita 95% yakin bahwa kita mengambil keputusan
tepat
hipotesa tersebut ditolak pada tingkat signifikan 5%
atau kemungkinan salah sebesar 5%
180/211
Critical Values of Z
Dari Tabel Distribusi Normal, untuk setiap level of significant ( ), dapat
dihitung confidence koefisien atau critical value/daerah kritis yang
dinyatakan dalam Z
Level of
significance( )
0.10
0.05
0.01
0.005
0.002
Critical Values of z
for One Tailed Test
-1.28
atau
1.28
-1.645
atau
1.645
-2.33
atau
2.33
-2.58
atau
2.58
-2.28
atau
2.28
Critical Values of z
for Two Tailed Test
-1.645
dan
1.645
-1.96
dan
1.96
-2.58
dan
2.58
-2.81
dan
2.81
-3.08
dan
3.08
(Untuk
lainnya, Critical values of Z
dapat dilihat dalam tabel Distribusi Normal)

181/211
Mapping Statistical Tools
182/211
LANGKAH-LANGKAH UJI HYPOTHESIS

1.
Define the hypothesis.

Tetapkan Hypothesis Awal (Ho), dan Hypothesis Alternatif/Kontra (Ha/H 1),
Misal; untuk menguji apakah rata-rata populasi ( ) sama atau tidak dengan nilai tertentu,
2.
H0:
X vs H1:
H0:
< X vs H1:
X (tanda nantinya menuntun kita untuk melakukan uji dua sisi/tail).
>X (tanda > atau < nantinya menuntun kita untuk melakukan uji satu sisi).
Define the hypothesis test & Calculate the value of the test statistic. Tetapkan
test statistik yang digunakan (Z, t,
atau F, atau p value )
Misal untuk mengetes rata-rata populasi dengan n> 30, test statistiknya:
Z =
X
hitung hingga diperoleh suatu nilai
s
n
3.
Define the confidence level and error level ( level).

Definisikan tingkat kesalahan ( ) dan kuasa uji (1- ).
Misal, dengan tingkat error 5%, maka tingkat kepercayaan adalah sebesar 95%.
4.
Carry out the test.

Hasil test statistik pada no 3 dibandingkan dengan rejection region. Buat keputusan
terima/tolak Ho
5.
State a conclusion.
Buat kesimpulan. (Gunakan bahasa sehari-hari, jangan pakai jargon statistik).
183/211
p-Value
p-value adalah suatu test statistik yang digunakan di dalam
hypotesis testing untuk menerima atau menolak null hypothesis.
p-value ditunjukkan oleh tail area di dalam table distribusi normal
yang diperoleh dari konversi hasil pengukuran aktual (rata-rata)
ke dalam Statistic ( Z , t atau c2 statistic )
= .05
= .05
= .05
= .05
A
B
A
P value = area A yg diarsir
B
P value = area B (yg diarsir)
P value = area A + B
(yg diarsir)
184/211
P-value
p-value menunjukkan peluang untuk membuat Type I error, menolak null

hypothesis yang benar.
Type I Error : Menolak null hypothesis padahal null hypothesis itu benar.
Probabilitas Type I Error = .
Contoh: peneliti menolak klaim/hipotesa bahwa rata-rata tinggi populasi =
160 cm, padahal kenyataannya adalah benar
Type II Error : Menerima null hypothesis padahal null hypothesis itu salah.
Probabilitas Type II Error = .
Contoh: Peneliti tidak menolak (menerima) klaim/hipotesa bahwa rata-rata
tinggi populasi = 160 cm, padahal kenyataannya rata-rata tinggi 160 cm
Semakin kecil p-value, semakin kecil pula peluang untuk membuat kesalahan
untuk menolak null hypothesis (H0).
Nilai cut-off value yang sering dipergunakan untuk p-value adalah 0.05 ().
185/211
p-Value
Acuan menerima atau menolak hypothesis, pada significance
level ( )
Jika p-value < , menerima H1
Jika p-value
, menerima H0
Nilai umumnya yang digunakan adalah 0, 01 atau 0,05 ( = 0,05
yang paling sering ), sehingga:
Kriteria penerimaan:
Jika p-value < 0,05, diterima H1 atau tolak Ho
Jika p-value > 0,05, diterima Ho atau tolak H1
= .05
= .05
Terima Ho /Tolak H1
p value
p value
Terima H1 / Tolak Ho
186/211

HYPHOTHESIS TEST
- Data Variable -
187/211
ONE SAMPLE Z-TEST

One Sample Z-Test
Digunakan untuk membandingkan rata-rata sample
dengan nilai tertentu ketika standard deviasi populasi ( )
diketahui.
Langkah melakukan One Sample Z-Test :

Tentukan uji normalitas (normality test)
Jika p-value > 0,05 : Data berdistribusi normal
Jika p-value < 0,05 : Data tidak berdistribusi normal
Lakukan uji one sample Z-Test

Tentukan keputusan berdasarkan analisa
188/211
Contoh: One Sample Z-Test
(dengan Excel Calculator)
PT Crunchy yang memproduksi cereal mengklaim bahwa kadar protein dalam setiap 1
cup cereal adalah 3 gram. Dari data sebelumnya diketahui bahwa standar deviasi
populasi ( )= 0,25 gr. Sebagai karyawan baru, anda ingin membuktikan apakah
pernyataan tersebut masih valid dengan melakukan pengujian terhadap 100 sample .
Dari hasil pengujian diketahui bahwa rata-rata kadar protein 2,88 gr dan standard
deviasi (s) = 0,41 gr.
Ho :
H1:
> 3 gr (kadar protein dalam cereal benar > 3 gr)

< 3 gr, (kadar protein dalam cereal < 3 gr)
2
1
3
4
Karena p-value =
0,0000 < 0,05, maka
diterima H1, artinya
dengan kepercayaan
95% (1-0.05) terbukti
bahwa kadar protein
dalam cereal <
3gram
189/211
One Sample T-Test

One Sample T-Test
Digunakan untuk membandingkan sebuah sample
dengan sebuah nilai tertentu ketika standard deviasi
populasi ( ) tidak diketahui.
Langkah melakukan One Sample T-Test :

Lakukan uji one sample T-Test

190/211
Contoh: One Sample T-Test

(dengan Excel Calculator)
PT Merah Delima yang memproduksi cereal mengklaim bahwa kadar gula dalam
cerealnya adalah 8 gram. Tidak diketahui standar deviasi populasi ( ) sebelumnya.
Anda melakukan pengujian dengan mengambil 10 sampel, dan diperoleh rata-rata
berat gula 7,84 gr, std dev sample : 0,39 gr. Kita akan menguji apakah klaim tersebut
benar atau tidak dengan signifikan level 5%? Gunakan One sample t Test
Ho : beratgula dalam cereal > 8 gr

H1 : berat gula dalam cereal < 8 gr
2
3
Karena p-value =
0,1114 > 0,05, maka
terima H0, artinya
dengan kepercayaan
95% terbukti bahwa
berat gula dalam
cereal
> 8 gram
191/211
Two Sample T-Test
Two Sample T-Test

Digunakan untuk membandingkan dua rata-rata dari dua proses jika
standard deviasi tidak diketahui, dimana data didapat dari sampling
dua
populasi independen.
Ingin membandingkan mutu dari 2 produk /proses /area yang berbeda
(data contonuous) mana yang lebih baik
Langkah melakukan Two Sample T-Test :

Tentukan uji homogeneity dengan melakukan Two variation test
Jika p-value
> 0,05 : tidak ada perbedaan varians antar sample
Jika p-value < 0,05 : ada perbedaan varians antar sample
Lakukan uji two sample T-Test

192/211
Contoh: Two Sample T-Test

Tahap 1: Two Variation Test
Anda akan melakukan pengamatan untuk mengevaluasi efsiensi penggunaan bahan bakar dari dua alat
electric vent damper (Mesin A )dan thermally activated vent damper (Mesin B) . Untuk itu anda akan
melakukan two sample t test, tetapi sebelumnya anda harus melakukan two- variation test untuk menguji
apakah kedua mesin tersebut varians nya berbeda. (syarat untuk melakukan two sample t test adalah
varians kedua mesin tersebut berbeda)
Ho : varians konsumsi bahan bakar (ltr/hr) kedua mesin sama
H1 : varians konsumsi bahan bakar (ltr/hr) kedua mesin tidak sama
1
2
3
4
Karena p-value =
0,0030 < 0,05, maka
dengan kepercayaan
95% terbukti bahwa
varians konsumsi
bahan bakar kedua
mesin tidak
sama, dengan
demikian anda bisa
melan-jutkan
pengujian two sample
193/211
t test.
Contoh: Two Sample T-Test

Tahap 2: Two Sampe t -Test
Anda akan melakukan pengamatan untuk mengevaluasi efsiensi penggunaan bahan bakar dari dua alat
electric vent damper (Mesin A )dan thermally activated vent damper (Mesin B) . Anda telah melakukan
two variation test, (sebagai syarat melakukan two sample t test), dan hasil pengujian menunjukkan
bahwa varians kedua mesin tersebut beda, sehingga anda sekarang bisa melakukan two sample t test,
H0: rata2 konsumsi bahan bakar (ltr/hr) kedua mesin sama
H1 : rata2 konsumsi bahan bakar (ltr/hr) antara dua mesin berbeda
2
3
Karena p-value =
0,5276> 0,05, maka
dengan kepercayaan
95% terbukti bahwa
rata2 konsumsi bahan
bakar kedua mesin
sama.
194/211
Paired T-Test
Paired T-Test
Digunakan untuk membandingkan rata-rata perbedaan antara dua
sample jika standard deviasinya tidak diketahui, dimana data didapat
dari sampling dua
populasi dependen.
Ingin dilihat pengaruh mutu suatu Produk (data continuous)

atas penggunaan suatu jenis material : A vs B
Ingin dilihat pengaruh mutu suatu Produk (data continuous)
jika diberi perlakukan A vs perlakuan B
Langkah melakukan Paired T-Test :

Lakukan uji paired T-Test
195/211
Contoh: Paired T-Test

PT Merah Delima yang memproduksi roti menyatakan bahwa tepung terigu dari vendor A
dan dari vendor B kadar proteinnya tidak sama sehingga berpengaruh pada kualitas roti
yang dihasilkan. Kita akan menguji apakah benar bahwa material kedua vendor tersebut
berbeda dengan signifikan level 5%?
Ho : kadar protein terigu dari vendor A # vendor B

Ha : kadar protein terigu dari vendor A = vendor B
2
3
Karena p-value =
0,0085 <
0,05, maka terima
H1, artinya dengan
kepercayaan 95%
terbukti bahwa
kadar protein terigu
dari vendor A =
vendor B
196/211
ANALYSIS OF VARIANCE (ANOVA)

DEFINISI :
Adalah suatu analisa statistik yang digunakan dalam rancangan
percobaan untuk menguji ada/tidaknya perbedaan dampak yang
signifikan atas perlakuan yang berbeda
Contoh Penerapan Anova:
Akan diuji coba apakah suatu serum apakah dapat menyembuhkan
penyakit hepatitis.
obyek yang diamati adalah pasien hepatitis,
serumnya yang diuji beda-beda, misal A, B, C,
pasien ada yang diberi serum jenis A, B, atau C;
selain kondisi di atas, pasien yang diobservasi mendapat
perlakuan yang sama
197/211
ANALYSIS OF VARIANCE (ANOVA)

Istilah yang digunakan dalam Anova: Observasi, Faktor & Perlakuan
Observasi: adalah frekwensi pengamatan yang dilakukan untuk

percobaan tersebut. Biasanya observasi untuk percobaan dilakukan > 3
kali.
Faktor: adalah variabel yang diujicoba dan diduga akan mempengaruhi

hasil percobaan. Contoh. Mesin, manusia, metode, material
Perlakuan: adalah jenis perlakuan dari Faktor yang diujicobakan.
Contoh: Faktor Mesin perlakuan dengan menggunakan mesin A, B, C
198/211
JENIS-JENIS ANOVA
One Way ANOVA : yaitu Anova dimana faktor yang diuji adalah 1 faktor
Contoh: Misal ingin diuji jenis pupuk mana di antara pupuk A, B, C, yang
memberikan hasil panen terbaik
Ho : 1 = 2 = 3 = (Rata-rata berbagai jenis pupuk Sama)
H1 : Minimal ada satu rata-rata yang berbeda
Two Way ANOVA : yaitu Anova dimana faktor yang diuji adalah 2 faktor .
Contoh: Misal ingin diuji varietas padi apa serta pupuk jenis apa yang
memberikan hasil panen yang terbaik
Ho : 11 = 2 =
3 = =
1= 2=
3 (Rata-rata berbagai jenis padi
dan jenis pupuk Sama)
H1 : Minimal ada satu rata-rata yang berbeda
Multiple Way ANOVA : yaitu Anova dimana faktor yang diuji adalah > 2 faktor
Contoh: Misal ingin diuji kombinasi faktor (suhu, kekentalan, kelembaban, daya
tekan, lama tekan, dll) seperti apa yang memberikan daya rekat lem yang terbaik
Note: Dalam bab ini, yang dibahas adalah khusus One Way & Two way Anova
199/211
Langkah-langkah pengujian dengan One way Anova

1.
Tentukan output hasil percobaan .

Misal ingin diuji apakah terdapat perbedaan hasil panen dari penggunaan pupuk A, B, C
di suatu petak sawah.
2.
Menetapkan faktor & jenis perlakukan :

Sawah diberi pupuk A, B, C. dalam hal ini faktor adalah pupuk(1 faktor), sedangkan
perlakuan ada 3 , yaitu : A, B, C
3.
Menentukan jumlah observasi:

Misalnya untuk analisa ini akan diobservasi periode panen selama 10 periode. Dalam 10
periode tersebut, 3 periode menggunakan pupuk A, 3 periode menggunakan pupuk B, 4
periode menggunakan pupuk C. (jumlah periode observasi dengan pupuk A, B, C
sebaiknya proporsional)
4.
Lakukan percobaan.
Gunakan masing-masing pupuk tersebut sesuai ketentuan di atas.Percobaan dapat
dilakukan sekaligus atau bergantian (sesuai dengan kondisi lapangan)
5.
Analisa output hasil percobaan.

Analisa output hasil percobaan (hasil panen) dengan rumus One Way Anova. Apakah
ada indikasi bahwa pupuk jenis tertentu memberikan hasil panen yang lebih baik
dibanding pupuk lainnya
200/211
Contoh: One Way Anova

(Excel Calculator)
Botol kemasan plastik diproduksi dari 3 mesin (A, B, C). Ingin diuji apakah terdapat
perbedaan berat botol (dalam gram) dari ke-tiga mesin tersebut, pada tingkat signifikan
0.05? Customer menginginkan berat botol adalah 80 gr +/- 0.2 gr
Dari mesin A & B & C diambil masing-masing 7 botol, kemudian ditimbang berat botol
tersebut dan masukkan hasil pengukuran tersebut ke dalam lembar data berikut:
Ho : Rata-rata berat botol dari mesin A = mesin B = mesin C
H1 : Di antara mesin A , B, C rata-rat berat botol ada yang berbeda
Berat Botol
Observasi
Mesin A
Mesin B
Mesin C
3
Karena p-value =
0,021 < 0,05, maka
terima H1, artinya
dengan
kepercayaan 95%
terbukti bahwa : Di
antara mesin A
, B, C rata-rata
berat botol ada
yang berbeda
201/211

Contoh: Two Way Anova

Seorang karyawan di departemen Litbang sedang meneliti bagaimana bakteri hidup di dalam
susu sapi. Dia menyediakan enam wadah di dalam laboratorium. 3 wadah diisi susu dari sapi
jenis 1, dan 3 wadah diisi susu jenis 2. Kemudian dia menambahkan satu dari tiga zat kimiawi
ke dalam masing-masing wadah dan setelah 30 hari dia menghitung jumlah bakteri di dalam
setiap wadah.
Dia menggunakan two way ANOVA untuk menguji apakah rata-rata jumlah bakteri sama / tidak
di setiap wadah
Ho : Jumlah bakteri tidak dipengaruhi oleh jenis sapi dan zat kimiawi (jml bakteri sama di
semua wadah)
H1 : Jumlah bakteri dipengaruhi oleh jenis sapi dan zat kimiawi (ada minimal 1 wadah yang
tidak sama)
Data : Jumah bakteri per ml

1
Karena p-value = 0,915 >

0,05, maka terima H0, artinya
dengan kepercayaan 95%
terbukti bahwa Jumlah bakteri
tidak dipengaruhi oleh jenis sapi
dan zat kimiawi (jml bakteri
sama di semua wadah)
202/211
HYPHOTHESIS TEST
- Data Attribute -
203/211
ONE SAMPLE PROPORTION TEST
One Sample Proportion Test adalah pengujian proporsi pada data

discrete jika jumlah sample yang dipelajari adalah satu sample/faktor
Mengapa menggunakan one sample proportion test?
Guna menentukan apakah defect rate berbeda terhadap kriteria

penerimaan (level of significant) atau terhadap suatu defect
target
Kapan Menggunakan one sample proportion test?
Membandingkan proporsi tunggal dari sample acak/random

dengan suatu nilai tertentu
Membandingkan proporsi defect dengan jumlah sample
204/211
Contoh : One Sample Proportion Test

PT Tinatoon produsen pembuat kaleng makanan menyatakan bahwa yield
ratio dari proses pembuatan kaleng makanan adalah 90%. Kemudian
diperiksa 100 kaleng dan hasilnya 87 diantaranya adalah bagus dan 13 part
adalah leaking. Kita ingin mengetahui apakah pernyataan orang tersebut tadi
bisa diterima atau tidak.
Ho : yield ratio = 90%
H1: yield ratio # 90%
Karena p-value = 0,4047

> 0,05, maka terima
H0, artinya dengan
kepercayaan 95%
terbukti bahwa yield
ratio proses pembuatan
kaleng = 90%
205/211
TWO SAMPLE PROPORTION TEST

Two Sample Proportion Test adalah pengujian proporsi pada data
discrete jika jumlah sample yang dipelajari adalah dua sample/faktor
Mengapa menggunakan one sample proportion test?
Guna menentukan apakah dua defect rate berbeda

Sebelum dan sesudah perbaikan
Dua supplier, shift, setting proses, dll
Kapan Menggunakan one sample proportion test?
Membandingkan dua proporsi dari sample acak/random

dengan suatu nilai tertentu
Membandingkan proporsi defect dengan jumlah sample
206/211
Contoh : Two Sample Proportion Test

Kita ingin mengetahui apakah yield ratio proses pembuatan kaleng susu
dari Plant A (dancow) dengan Plant B (Milo) sama atau tidak. Diambil
sampel 100 kaleng dari masing-masing plant. Dari Plant A (dancow) 74
part bagus, dan dari Plant B (Milo) 78 kaleng adalah bagus.
H0: tidak ada perbedaan yield ratio antara Dancow Plant dan Milo Plant
H1: ada perbedaan yield ratio antara Dancow Plant dan Milo Plant
2
1
Berdasarkan hasil
analisa, didapatkan nilai p-value =
0,5078 > 0,05, maka terima
Ho, artinya dengan kepercayaan
95% terbukti tidak ada perbedaan
yield ratio antara Plant Dancow
dan Milo Plant
207/211
CHI-SQUARE TEST
Chi-Square Goodness-of-Fit Test: pengujian untuk
melihat/menganalisa data discrete yang lebih dari 2
faktor/sample, apakah hasil sampling sama dengan hasil yang
diharapkan
Contoh:
Faktor X : lokasi (Jkt, Sby, Lampung) , method (manual, otomatis) , product type (A, B, C, D)
Faktor Y : performance ( OK, NOK); customer satisfaction (poor, fair, good, excellent), defect
(kotor, bau, warna tak sesuai, rasa tak sesuai)
DEGREES OF FREEDOM
Jumlah degrees of freedom dari statistik dinyatakan dengan simbol d.f., adalah
jumlah N independen observasi dalam sampel (sample size ) dikurangi jumlah
k parameter dari populasi yang diestimasi dari sampel.
Simbolnya: d.f. = N k
208/211
CHI-SQUARE TEST
Ho: tidak ada perbedaan proporsi secara signifikan di antara
kelompok yang diamati
H1 : minimal ada 1 kelompok yang berbeda dari semua kelmpok yang
diamati
Kriteria Penerimaan
Jika p
.05
Terima Ho (tidak cukup bukti bahwa terjadi perbedaan proporsi
secara signifikan di antara kelompok yang diamati
Jika p < .05
Tolak H0, (minimal ada 1 kelompok dengan proporsi yang
berbeda secara signifikan di banding kelmpok lainnya)
209/211
LATIHAN : CHI SQUARE TEST

Sebuah perusahaan electronic mengevaluasi product cacat yang
dihasilkan dalam suatu periode. Jumlah total cacat = n = 309 yang terdiri
dari 4 kategori cacat(A,B,C, D). Perusahaan menduga bahwa perbedaan
shift berpengaruh terhadap banyaknya cacat
Buktikan apakah terjadi perbedaan jumlah cacat antar shift
Ho: tidak ada perbedaan jumlah cacat antar shift
Ha: ada perbedaan jumlah cacat antar shift
Type Cacat
A : Dents
B : Sealed system Leaks.
C : Switch failure
D : Missing Parts
Shift
1
2
3
A
15
26
33
B
21
31
17
C
45
34
49
D
13
5
20
210/211
LATIHAN : CHI SQUARE TEST
Berdasarkan
hasil
analisa, didapatk
an nilai p-value =
0,004 <
0,05, maka
terima
H1, artinya
dengan
kepercayaan
95% terbukti
ada perbedaan
cacat antar shift
211/211

Analisa Permasalahan & Teknik Statistik - Full PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisa Permasalahan & Teknik Statistik - Full PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

TAHAP II:

IDENTIFIKASI PELUANG PERBAIKAN

Team 2 & 3 : 8 org

Team 8 & 9 : 7 org

Team 7 & 15 & 16 : 9 org

LATIHAN : DATA COLLECTION PLAN

TAHAP II: IDENTIFIKASI PELUANG PERBAIKAN

Grafik Visualisasi Data

Grafik Visualisasi Data

Grafik Visualisasi Data

TAHAP II: IDENTIFIKASI PELUANG PERBAIKAN

1. Kumpulkan data berbentuk kategori

Kesimpulan: Problem tile terbesar pada Januari 2001 adalah

Graph batang horizontal

pabrik pabrik pabrik pabrik

Kumpulkan data dalam kurun waktu tertentu

CACAT CHIPPING TAHUN 2001

Kesimpulan: Cacat Chipping

GRAFIK LINGKARAN / PIE CHART

GRAFIK LINGKARAN / PIE CHART

1. Data disusun dalam tiga kolom : kolom pertama berisi kategori

GRAFIK LINGKARAN (PIE CHART)

Problem Tile di FT 1 - Januari 2001

Size; 18; 12%

Crazing; 31; 20%

Kesimpulan: Problem tile terbesar pada Januari 2001 adalah

Pernahkah anda berada dalam situasi ini?

vertikal yang mengurutkan hasil pengukuran dari yang

Pertama kali ditemukan oleh Vilfredo Pareto , ahli ekonomi Italia

Pareto umumnya terdiri dari 5 kategori atau kurang

Buat tabel frekuensi (item, jumlah , jumlah kumulatif , % , %

Buatlah segi empat dan buat skalanya

Gambarkan grafik baloknya dan beri keterangan untuk setiap

Sumbu Horizontal : kategori

Setiap balok vertikal menunjukkan besarnya kontribusi

Gambarkan garis persentase kumulatif

Kesimpulan : Defect paling besar di FT 1 pada 1- 7 Juli 2001

ANALISA PARETO DIAGRAM

Type of Furniture Returns - Store # 1 - Jan 07

Type of Furniture Returns - Store # 1 - Jan 07

C ouches Fine Dining Sets

Fine Dining Sets

ANALISA PARETO DIAGRAM

Number of Returns of Furniture by Store - Jan 07

C ouches Fine Dining Sets

Type of Chairs Returned - Store # 1 - Jan 07

Wood Fine Dining Sets

ANALISA PARETO DIAGRAM

Pareto Chart Defect - Jan 07

Pareto Chart Defect- April 07

Kesimpulan: Penurunan Defect keseluruhan dapat dilihat.bukan hanya pada Defect A

Membuat Diagram Pareto dengan EXCELL

klik Title : beri judul

Membuat Diagram Pareto dengan EXCELL

Pernahkah anda berada dalam situasi ini?

Berdasar data lalu menunjukkan bahwa rata-rata lead time dari

Apa yang salah ?

Grafik balok yang menggambarkan penyebaran data sebagai hasil

Berguna untuk menguji bentuk dan penyebaran sample data :

Untuk melihat range dan distribusi dari data continuous

Untuk melihat variasi dan tingkat pemenuhan

Kumpulkan dan tabulasikan data continuous (data hasil

Urutkan data dari data yang terendah nilainya (min) sampai