PENDAHULUAN
1.1
Latar Belakang
Pendidikan merupakan kebutuhan yang cukup diutamakan oleh masyarakat.
Pada penelitian ini akan dibahas tentang Evaluasi Proses Belajar Mengajar
di Jurusan Statistika ITS. Berdasarkan permasalahan yang ada peneliti ingin
mengetahui ketidaksesuaian (kecacatan) proses jam perkuliahan aktual yang ada
di Jurusan Statistika ITS di setiap mata kuliah bidang Ekonomi-Bisnis. Metode
xR
, peta
proses.
1.2
Rumusan Masalah
Berdasarkan latar belakang di atas maka dapat disusun rumusan masalah
sebagai berikut:
1. Bagaimana karakteristik data lama dosen mengajar mata kuliah di
bidang Ekonomi dan Bisnis Jurusan Statistika ITS?
2. Bagaimana uji keacakan pada data lama dosen mengajar mata kuliah di
bidang Ekonomi dan Bisnis Jurusan Statistika ITS?
3. Bagaimana uji distribusi normal pada data lama dosen mengajar mata
kuliah di bidang Ekonomi dan Bisnis Jurusan Statistika ITS?
4. Bagaimana hasil peta
Jurusan Statistika ITS?
5. Bagaimana hasil peta
X R
Statistika ITS?
Tujuan
Berdasarkan rumusan masalah di atas, maka di dapatkan beberapa tujuan
2. Mengetahui hasil uji keacakan pada data lama dosen mengajar mata
kuliah di bidang Ekonomi dan Bisnis Jurusan Statistika ITS.
3. Mengetahui hasil uji distribusi normal pada data lama dosen mengajar
mata kuliah di bidang Ekonomi dan Bisnis Jurusan Statistika ITS.
4. Mengetahui hasil peta
Jurusan Statistika ITS.
5. Mengetahui hasil peta
X R
ITS.
Manfaat
Manfaat yang dapat diambil dari penelitian ini adalah sebagai berikut:
1. Mahasiswa
Manfaat yang diperoleh dari praktikum ini adalah untuk mengetahui
serta memahami salah satu metode dalam pengendalian kualitas
statistik yaitu peta
X R
, peta
I MR
Batasan Masalah
Pengamatan yang dilakukan dalam penelitian ini difokuskan pada mata
untuk
menghindari
mengambangnya
dan
meluasnya
bahasan
BAB II
TINJAUAN PUSTAKA
1
Statistika Deskriptif
Statistika deskriptif mengacu pada bagaimana menata atau mengorganisasi
(2.1)
(2.2)
di mana:
S n : fungsi peluang kumulatif data sampel
|Sn ( x )F0 ( x )|
Pvalue <
(Daniel, 1989).
untuk mengetahui letak pengamatan apakah dalam batas kendali atau di luar
batas kendali.Penggunaan peta kendali dapat menunjukkan perubahan dari waktu
ke waktu tetapi tidak dapat menjawab penyebab pengamatan berada di luar batas
1
Peta kendali X R
Peta kendali
X R
memantau rata-rata kualitas proses dan variabilitas pada proses. Selain itu dapat
pula digunakan untuk mengukur kapabilitas proses. Peta kendali
X R
dengan
yaitu:
UCL= x + A2 R
(2.3)
Center Line=x
(2.4)
LCL= x + A 2 R
(2.5)
A2
merupakan
Peta kendali
range data sebagai penentu batas kendali (Montgomery, 2009). Batas kendali
yang ditetapkan untuk peta kendali
dengan
(2.6)
Center Line= R
(2.7)
LCL=D 3 R
(2.8)
D3
serta
D4
adalah
2 Peta kendali
I MR
Peta kendali I-MR atau Individual Chart and Moving Ranges merupakan
peta kendali yang digunakan untuk memantau proses dan variabilitas proses serta
mengidentifikasi penyebab khusus ketika data pengamatan tidak bisa
dikelompokkan sebagai subgrup. Secara umum peta kendali I-MR mengestimasi
variasi yang terjadi selama proses produksi dilakukan (Montgomery, 2009). Peta
kendali I-MR digunakan saat data merupakan data pengamatan individu sehingga
tidak dapat dilakukan penghitungan standar deviasi tiap subgrup.
MR
UCL= x 3
d2
Center Line=x
(2.10)
MR
d2
(2.11)
LCL= x 3
di mana,
dan
6
d2
(2.9)
sehingga
MR
MRi
Diagram Pareto
Diagram pareto adalah sebuah metode yang digunakan untuk mengelola
mengacu
pada
keseragaman
proses.
Ternyata
keseragaman ini tidak dapat diperoleh secara langsung akibat adanya variabilitas
pengembangan
aktivitas
untuk
mereduksi
variabilitas
itu
sendiri
(Montgomery, 2009).
Analisis kapabilitas proses dapat dilakukan dengan histogram maupun rasio
kapabilitas proses(PCR) yang dinotasikan dengan Cp. Nilai Cp dapat diperoleh
melalui formula berikut:
Cp=
USLLSL
6
(2.12)
di mana USL merupakan batas atas spesifikasi dan LSL merupakan batas bawah
spesifikasi.
Seringkali nilai
taksiran
R
d2
(2.13)
BAB III
METODOLOGI PENELITIAN
3.1 Sumber data
Sumber data yang digunakan dalam praktikum ini berasal dari data primer
dan sekunder. Data primer diperoleh sejak tanggal 7-18 Maret 2016. Responden
yang diamati adalah mahasiswa Program Studi S1, D3, dan Lintas Jalur yang
memperoleh mata kuliahEkonometrika, Ekonomi Teknik, Pengantar Teori
Ekonomi, Analisis Keputusan Bisnis, Manajemen Resiko.
minggu sebelumnya.
Menginputkan data.
Menentukan rumusan masalah dan tujuan dari praktikum yang dilakukan.
Mengolah data dengan software minitab.
Menganalisis statistik deskriptif pada data waktu (durasi) proses
pembelajaran
dan
data
ketidaksesuaian
(kecacatan)
waktu
proses
x R danpeta kendali
10
Tidak
R
Diasumsikan
Uji Keacakan
acak
Ya
Uji Normalitas
Tidak
Membuat dan menganalisis diagram Pareto
Diasumsikan
normal
Menarik Kesimpulan
11
Selesai
Gambar 3.1 Diagram Alir Penelitian
BAB IV
ANALISIS DAN PEMBAHASAN
4.1 Statistika Dekriptif
Statistika Deskriptif yang digunakan dalam laporan ini adalah Mean,
Standar deviasi, Range, Minimum dan Maximum. Statistika Deskriptif hanya
memberikan informasi mengenai data telah disajikan. Berikut ini adalah hasil
perhitungannya.
Tabel 4.1 Hasil Statistika Deskriptif dengan Minitab
Variabel
Waktu kuliah(menit)
Minimu
Maximu
Rang
Mean Stdev
m
m
e
64,44
40,38
0
115
115
Berdasarkan Tabel 4.1 dapat dilihat bahwa data lama dosen mengajar pada
bidang Ekonomi-Bisnis Jurusan Statistika ITS terdapat nilai mean sebesar 64.44,
nilai standar deviasi sebesar 40.38, nilai minimum sebesar 0, nilai maksimum
sebesar 115, dan nilai range sebesar 115.
4.2 Uji Keacakan
Uji keacakan yang digunakan dalam laporan ini adalah Run-test satu
sampel. Uji ini digunakan untuk mengetahui persebaran data apakah data acak
atau tidak. Berikut ini adalah hasil perhitungannya.
12
P-value
0,661
Keputusan
Gagal tolak H0
X R
sampel yang
digunakan adalah sampel yang memenuhi asumsi normal. Berikut ini adalah
hipotesis untuk pengujian distribusi normal. Berikut adalah hasil pengujian
Kolmogorov Smirnov yang dilakukan dengan software Minitab.
Probability Plot of waktu kuliah
Normal
99
Mean
StDev
N
95
KS
P-Value
90
64,02
40,89
42
0,250
<0,010
Percent
80
70
60
50
40
30
20
10
5
-50
50
waktu kuliah
100
150
Dari gambar 4.1 didapatkan bahwa nilai p-value dari hasil uji
Kolmogorov-smirnov kurang dari
13
karena dalam pembuatan peta kendali X-MR harus berdistribusi normal, maka
data diasumsikan berdistribusi normal.
X R
Sample Mean
120
90
_
_
X=64,4
60
30
LCL=2,3
0
1
5
Sample
Sample Range
200
UCL=194,7
150
100
_
R=85,3
50
0
LCL=0
1
5
Sample
= 64,4 LCL = 2,3 UCL = 126,6. Proses tersebut terkendali karena tidak
terdapat nilai observasi yang lebih dari batas kendali. Sedangkan peta kendali R
dapat dilihat bahwa nilai
terkendali karena tidak terdapat nilai observasi yang lebih dari batas kendali. Hal
tersebut berarti bahwa semua pertemuan kuliah selama 2 minggu masih sesuai
dengan spesifikasi yang ditetapkan.
14
Berdasarkan peta kendali I MR dalam Gambar 4.3 pada semua data sekunder
lama proses pembelajaran mata kuliah bidang Ekonomi-Bisnis Jurusan Statistika
untuk peta kendali Individualdiperoleh nilai
MR
= 42,1
LCL = 0 UCL = 137,6. Proses tersebut terkendali karena tidak terdapat nilai
observasi yang lebih dari batas kendali. Hal tersebut berarti bahwa semua
pertemuan kuliah selama 2 minggu masih sesuai dengan spesifikasi yang
ditetapkan.
150
100
_
X=64,0
50
0
LCL=-48,0
-50
1
13
17
21
25
Observation
29
33
37
41
Moving Range
150
UCL=137,6
100
__
MR=42,1
50
LCL=0
1
13
17
21
25
Observation
29
33
37
41
100
16
14
Frekuensi
60
10
8
40
6
4
20
Penyebab
C4
Percent
Cum %
Percent
80
12
5
29.4
29.4
5
29.4
58.8
3
17.6
76.5
2
11.8
88.2
1
5.9
94.1
1
5.9
100.0
16
Measurements
Material
Personnel
Libur
Dosen terlambat
Dosen menguji
Dosen ada kegiatan lain
Kuis
Kuliah pengganti
Environment
Methods
Machines
Process Data
LSL
95
Target
*
USL
105
Sample Mean
64.4444
Sample N
36
StDev(Within)
43.6431
StDev(Overall) 40.3849
-30
Observed Performance
% < LSL
75.00
% > USL
2.78
% Total
77.78
30
60
90
120
0.04
-0.25
0.33
-0.25
*
150
Gambar 4.6 Diagram Kapabilitas Proses Durasi Kuliah Bidang Ekonomi-Bisnis untuk 36
Pertemuan
17
ekonomi-bisnis banyak yang tidak sesuai dengan jadwal di mana total pertemuan
sebanyak 36 kali pertemuan selama 2 minggu. Berdasarkan hasil perhitungan
yang disertakan dalam gambar diketahui bahwa nilai Cp atau rasio kapabilitas
prosesnya sebesar 0,04.
Sedangkan gambar 4.7 menyajikan analaisis kapabilitas proses durasi kuliah
bidang ekonomi bisnis dengan 42 pertemuan dalam 2 minggu. Jumlah pertemuan
yang berbeda ini disebabkan oleh perbedaan beban sks tiap mata kuliah.
Berdasarkan gambar dapat diketahui bahwa 76,19% pengamatan berada di bawah
batas kendali, sedangkan pengamatan di atas batas kendali hanya 2,38%. Hasil ini
tidak berbeda jauh dengan hasil yang ditampilkan gambar 4.6.untuk nilai Cp atau
rasio kapabilitas proses antara kedua gambar bernilai sama yaitu 0,04.
LSLUSL
Within
Overall
Process Data
LSL
95
Target
*
USL
105
Sample Mean
64.0238
Sample N
42
StDev(Within)
37.3422
StDev(O verall) 40.8946
-30
O bserved Performance
% < LSL
76.19
% > USL
2.38
% Total
78.57
30
60
90
120
0.04
-0.25
0.33
-0.25
*
150
18
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan analisis yang telah dilakukan maka dapat ditarik kesimpulan
sebagai berikut.
1. Berdasarkan nilai statistika deskriptif dari data durasi waktu perkuliahan
selama 2 minggu Jurusan Statistika ITS diperoleh nilai mean sebesar 64.44,
nilai standar deviasi sebesar 40.38, nilai minimum sebesar 0, nilai maximum
sebesar 115, dan range sebesar 115.
2. Berdasarkan uji keacakan diperoleh hasil bahwa data durasi lama
pembelajaran di Jurusan Statistika pada bidang Ekonomi-Bisnis memenuhi
asumsi keacakan.
3. Berdasarkan pengujian normalitas data durasi perkuliahan selama 2 minggu
untuk semua prodi di bidang Ekonomi-Bisnis Jurusan Statistika ITS
diperoleh nilai p-value dari hasil uji Kolmogorov-smirnov dengan
menghasilkan bahwa p-value <
X R
19
I MR
20
DAFTAR PUSTAKA
Anonim. (2009). Definisi Statistika Deskriptif. Dipetik April 19, 2014, dari
Statistika Deskriptif: http://id.wikipedia.org
Anonim. (2011, September 9). Definisi proses belajar mengajar. Dipetik April 18,
2014,
dari
Pengertian
proses
belajar
mengajar:
http://inspirasibelajar.wordpress.com
Anonim. (2011). Uji Keacakan atau Run Test dengan Program Macro Minitab.
Dipetik April 19, 2014, dari http://statistikabercerita.blogspot.com
Anonim. (t.thn.). Pengendalian Kualitas Statistika untuk Data Atribut. Dipetik
April 18, 2014, dari http://elista.akprind.ac.id
Assauri. (2004). Manajemen Produksi dan Operasi. Jakarta: Lembaga Penerbit
Fakultas Ekonomi Universitas Indonesia.
Daniel, W. W. (1989). Statistika Nonparametrik Terapan. Jakarta: PT Gramedia.
Evans, J. R. (2007). Pengantar Six Sigma. Jakarta: Salemba Empat.
Evgust. (2011). Tujuh Alat Perbaikan Kualitas. Dipetik maret 15, 2014, dari
http://evgust.wordpress.com
Gasperz, V. (2005). Total Quality Management. Jakarta: PT. Gramedia Pustaka
Utama.
Heizer, J, & Render, B. (2009). Manajemen Operasi. Jakarta: Salemba Empat.
Montgomery, D. C. (2009). Introduction to Statistical Quality Control. New York:
John Wiley & Sons, Inc.
21
Poerwanto. (t.thn.). Pengendalian Kualitas Statistik. Dipetik maret 15, 2014, dari
http://sites.google.com
Walpole, R. E. (1995). Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuan.
Bandung: ITS.
Wibawa, G. (2013). Penerapan Pengendalian Kualitas dalam Upaya Mengurangi
Kecacatan Produk pada PT. Dirgantara Indonesia. 25-26.
22