BAB I

PENDAHULUAN
1.1

Latar Belakang
Pendidikan merupakan kebutuhan yang cukup diutamakan oleh masyarakat.

Di Indonesia pendidikan terbagi menjadi beberapa jenjang mulai dari prasekolah,

sekolah dasar, sekolah menengah pertama, sekolah menengah keatas, dan
kemuadian perguruan tinggi merupakan salah satu tempat terjadinya proses
belajar mengajar. Proses belajar mengajar merupakan gabungan antara proses
belajar yang dilakukan oleh mahasiswa dan mengajar yang dilakukan oleh dosen
atau guru. Tujuan proses belajar mengajar tersebut akan mencapai hasil yang
optimal apabila proses berjalan secara efektif. Salah satu peranan penting dalam
keberhasilan pengajaran dalam proses pelaksanaan pengajaran yang baik, sangat
dipengaruhi oleh perencanaan yang baik pula. Efektifitas dan efisiensi proses
pelaksanaan pengajaran dibutuhkan sebuah perencanaan yang tersusun secara baik
dan sistematis sehingga proses belajar mengajar (PBM) akan lebih bermakna dan
mahasiswa menjadi lebih aktif dalam belajar.
Pengukuran tingkat capaian hasil dari proses belajar mengajar tersebut dapat
digunakan suatu teknik dalam Pengendalian Kualitas yaitu peta kendali.
Pengendalian Kualitas Statistik adalah ilmu yang mempelajari tentang bagaimana
mengendalikan kualitas secara statistik agar suatu hasil dari proses dapat
memenuhi spesifikasi. Jika suatu hasil dari proses memenuhi spesifikasi maka
dapat dikatakan bahwa hasil proses tersebut berkualitas. Peta kendali digolongkan
menjadi dua yaitu peta kendali variabel dan peta kendali atribut. Pada peta kendali
variabel, data yang digunakan adalah data yang bersifat kuantitatif, sedangkan
pada peta kendali atribut, data yang digunakan adalah data yang bersifat kualitatif.
Pada pengendalian kualitas, variabel menunjukkan karakteristik kualitas yang
dapat diukur secara numerik misalnya IPS mahasiswa,nilai mata kuliah,
sedangkan atribut menunjukkan karakteristik kualitas yang hanya bias diukur
secara visual seperti cacat atau tidak cacat dimana cacat ini menandakan bahwa
hasil proses tidak sesuai dengan spesifikasi (Montgomery D. C., 2009).

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

yang digunakan adalah dengan menggunakan statistika dekriptif, peta

xR

, peta

I MR , diagram pareto, diagram sebab akibat (Ishikawa), serta kapabilitas

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

dari data waktu proses pembelajaran di

I MR dari data waktu proses pembelajaran di

Jurusan Statistika ITS?

6. Bagaimana bentuk diagram pareto dari waktu proses pembelajaran yang
lebih, kurang dan kosong?
7. Bagaimana bentuk diagram sebab akibat (Isikhawa) dari penyebab
terjadinya sumber variasi?
8. Bagaimana menentukan kapabilitas proses pada kualitas waktu proses
pembelajaran dan ketidaksesuaian waktu proses pembelajaran di Jurusan
1.3

Statistika ITS?
Tujuan
Berdasarkan rumusan masalah di atas, maka di dapatkan beberapa tujuan

dari penelitian sebagai berikut:

1. Mengetahui karakteristik data lama dosen mengajar mata kuliah di
bidang Ekonomi dan Bisnis Jurusan Statistika ITS.

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

dari data waktu proses pembelajaran di

I MR dari data waktu proses pembelajaran

di Jurusan Statistika ITS

6. Mengetahui bagaimana bentuk diagram pareto dari waktu proses
pembelajaran yang lebih, kurang dan kosong.
7. Mengetahui bentuk diagram sebab akibat (isikhawa) dari penyebab
terjadinya sumber variasi.
8. Mengetahui kapabilitas proses pada kualitas waktu proses pembelajaran
dan ketidaksesuaian waktu proses pembelajaran di Jurusan Statistika
1.4

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

, diagram pareto, diagram

sebab akibat, serta nilai kapabilitas sehingga dapat digunakan secara

tepat pada pengamatan lainnya.
2. Pihak jurusan Statistika
Memberikan evaluasi dan perbaikan proses pembelajaran di Jurusan
Statistika terutama dalam hal ketepatan durasi waktu proses belajar
mengajar dengan jadwal yang telah ditetapkan oleh Jurusan Statistika.
3. Umum
Adanya penelitian ini, diharapkan dapat membantu dan menambah
informasi bagi pembaca yang ingin melakukan penelitian yang
berkaitan dengan kasus ini.
1.5

Batasan Masalah
Pengamatan yang dilakukan dalam penelitian ini difokuskan pada mata

kuliah bidang ekonomi-bisnis yang dilaksanakan pada semester genap. Mata

kuliah tersebut ialah Ekonometrika, Ekonomi Teknik, Pengantar Teori Ekonomi,

Analisis Keputusan Bisnis, Manajemen Resiko untuk program studi D3, S1

maupun LJ(Lintas Jalur). Pengamatan mata kuliah ini ditetapkan sebagai batasan
masalah

untuk

menghindari

mengambangnya

dan

meluasnya

bahasan

permasalahan dalam penelitian.

BAB II
TINJAUAN PUSTAKA
1

Statistika Deskriptif
Statistika deskriptif mengacu pada bagaimana menata atau mengorganisasi

data, menyajikan, dan menganalisis data. Menata, menyajikan, dan menganalisis

data dapat dilakukan misalnya dengan menentukan nilai rata-rata hitung dan
persen/proposisi. Statistika deskriptif mencakup ukuran pemusatan data, ukuran
penyebaran data, grafik distribusi, kemencengan dan keruncingan kurva, time
series, angka indeks, serta korelasi dan regresi sederhana yang dapat
menggambarkan bagaimana keadaan data (Walpole, 1995).
2 Uji Keacakan

Sebelum melakukan pengujian lebih lanjut, selain menghitung statistika

deskriptif data perlu dilakukan uji keacakan (Run test).Uji keacakan adalah
pengujian yang dilakukan untuk mengetahui keacakan dat. Pengujian ini
dilakukan dengan mengukur keacakan populasi melalui pengujian keacakan
terhadap sampel.Rumusan hipotesis, statistic uji dan daerah penolakan dari uji
keacakan dapat dituliskan sebagai berikut (Daniel, 1989).
Hipotesis:
H0: data diambil secara acak dari populasi
H1: data diambil secara tidak acak dari populasi
Statistik uji: r (banyaknya runtun)
Daerah penolakan: Tolak H0 jika r < rbawah atau r>ratas dari tabel nilai kritis, untuk
runtun r dengan n1 banyaknya data bertanda positif(+) dan n2 banyaknya data
bertanda negatif(-).
Jika n1,n2>20 maka digunakan rumus berikut:
n n
r { 1 2 +1 }
n1 +n 2
z=
2
2 n1 n2 (2 n1 n2n1 n2) ( n1 +n 2) (n1 +n21)

(2.1)

Untuk mendapatkan kesimpulan nilai z dibandingkan dengan tabel distribusi

normal standar dengan taraf signifikan yang digunakan.

Uji Distribusi Normal

Setelah melakukan penghitungan statistika deskriptif dan uji keacakan

dilakukan pengujian normalitas untuk mengetahui apakah data berdistribusi

normal atau tidak. Untuk menguji apakah data berdistribusi normal atau tidak
dapat digunakan beberapa uji seperti uji Kolmogorov-Smirnov, uji Shapiro-Wilk
dan beberapa pengujian lain.
Berikut merupakan rumusan hipotesis, statistik uji dan daerah penolakan
untuk uji normalitas dengan menggunakan uji Kolmogorov-Smirnov (Daniel,
1989).
Hipotesis:
H0: F0(x) = F(x) untuk semua nilai x (Data berdistirbusi normal(0,2)
H1: F0(x) F(x) untuk semua nilai x (Data berdistirbusi normal(0,2)
Statistik uji:
S ( x ) F (x)|
D =|

(2.2)

di mana:
S n : fungsi peluang kumulatif data sampel

F0 ( x ) : fungsi distribusi kumulatif normal

D : supremum semua x dari nilai

|Sn ( x )F0 ( x )|

Daerah penolakan: Tolak H0 jika

atau
4

Pvalue <

|D| < |D|tabel Kolmogorov Smirnov (1 ;n)

(Daniel, 1989).

Pengendalian Kualitas Statistik

Menjaga konsistensi kualitas produk barang dan jasa merupakan kewajiban

yang perlu dilakukan oleh tiap-tiap produsen untuk memenuhi kebutuhan

pelanggan. Menjaga konsistensi kualitas dapat dilakukan dengan pengendalian
kualitas atas proses yang dijalani.
Pengendalian kualitas didefinisikan sebagai teknik operasional dan kegiatan
yang dilakukan untuk kebutuhan memenuhi kualitas (Gasperz, 2005).Selain itu,
pengendalian kualitas juga diartikan sebagai usaha untuk mempertahankan
kualitas barang yang dihasilkan supaya sesuai dengan spesifikasi produk yang
telah ditetapkan berdasarkan kebijakan pimpinan perusahaan dengan tujuan yang
ingin dicapai adalah agar barang hasil produksi dapat mencapai standar kualitas
yang telah ditetapkan dan mengusahakan biaya inspeksi, desain dan produksi
yang minimum (Assauri, 2004).
Pengendalian kualitas statistik tidak jauh berbeda definisinya dengan
definisi pengendalian kualitas yang telah dijabarkan sebelumnya. Pengendalian
kualitas statistik merupakan pengendalian kualitas yang dilakukan dengan
melibatkan metode statistik seperti peta kendali, diagram pareto, diagram sebab
akibat dan beberapa metode statistik lainnya.
5 Peta Kendali
Untuk melakukan pengendalian kualitas secara statistik dapat digunakan
beberapa instrument seperti peta kendali.Peta kendali dalam pengendalian
kualitas statistik dibedakan atas peta kendali variabel dan atribut. Secara umum
fungsi dua jenis peta kendali ini hampir sama. Perbedaannya terletak pada
penggunaan data untuk membangun peta kendali itu sendiri.
Peta kendali variabel didefinisikan sebagai peta kendali yang dibangun dari
data variabel yang sifatnya kuantitaif dan terukur.Sedangkan peta kendali atribut
dibangun dari data yang sifatnya kualitatif (Montgomery, 2009).
Peta kendali adalah grafik yang mencantumkan batas maksimum dan
minimum yang berfungsi sebagai daerah pengendalian.Peta kendali difungsikan

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

kendali (Wibawa, 2013).

Peta kendali X R
Peta kendali

X R

merupakan peta kendali yang digunakan untuk

memantau rata-rata kualitas proses dan variabilitas pada proses. Selain itu dapat
pula digunakan untuk mengukur kapabilitas proses. Peta kendali

X R

menggunakan data subgrup atau data kelompok.

Peta kendali X merupakan peta kendali yang menggambarkan rata-rata

kualitas dengan menggunakan nilai rataan sebagai penentu batas kendali
(Montgomery, 2009). Batas kendali yang ditetapkan untuk membangun peta
kendali

dengan

yaitu:

UCL= x + A2 R

(2.3)

Center Line=x

(2.4)

LCL= x + A 2 R

(2.5)

merupakan rata-rata besar (grand average) dan

A2

merupakan

konstanta dari tabel.

R menggambarkan variabilitas proses dengan menggunakan

Peta kendali

range data sebagai penentu batas kendali (Montgomery, 2009). Batas kendali
yang ditetapkan untuk peta kendali

dengan

R dapat dituliskan sebagai berikut:

UCL=D 4 R

(2.6)

Center Line= R

(2.7)

LCL=D 3 R

(2.8)

merupakan rata-rata range data dan

D3

serta

D4

adalah

konstanta dari tabel.

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

MRi =|x ix i1|

(2.9)

sehingga

MR

merupakan rata-rata dari

MRi

merupakan konstanta dari tabel.

Diagram Pareto
Diagram pareto adalah sebuah metode yang digunakan untuk mengelola

kesalahan, masalah, atau cacat guna membantu memusatkan perhatian untuk

upaya penyelesaian suatu masalah. Diagram ini mengidentifikasi beberapa hal
penting dibandingkan dengan begitu banyak hal yang kurang penting (Heizer &
Render, 2009).
7 Diagram Sebab Akibat
Diagram sebab akibat atau diagram tulang ikan atau diagram Ishikawa
merupakan alat yang digunakan untuk mengidentifikasi masalah kualitas dan
titik inspeksi.Diagram sebab akibat didefinisikan pula sebagai teknik sistematik
yang digunakan untuk mengetahui letak-letak masalah kualitas yang mungkin
(Heizer & Render, 2009).

Penggunaan diagram ini dapat mengidentifikasi

hubungan antara kemungkinan penyebab permasalahan kualitas. Sehingga

informasi mengenai penyebab permasalahan kualitas dapat diketahui secara lebih
cepat dan menyeluruh.
8 Kapabilitas Proses
Kapabilitas proses

mengacu

pada

keseragaman

proses.

Ternyata

keseragaman ini tidak dapat diperoleh secara langsung akibat adanya variabilitas

selama proses. Estimasi kapabilitas proses dilakukan melalui studi analisis

kapabilitas proses. Estimasi ini dapat dilakukan melalui bentuk distribusi peluang
dari data pengamatan, ukuran pemusatan data (mean) dan ukuran persebaran data
(standar deviasi). Selain itu analisis kapabilitas proses dapat dilakukan dengan
analisis terhadap siklus produk yang meliputi pengembangan aktivitas produksi
dalam penghitungan variabilitas proses, analisa variablitas terhadap spesifikasi
dan

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

tidak diketahui sehingga diperlukan nilai taksiran

untuk mengetahui rasio kapabilitas proses. Untuk mendapatkan nilai

taksiran

R
d2

dapat digunakan standar deviasi sampel atau melalui rumusan

sehingga estimasi nilai Cp dapat diperoleh melalui formula berikut:

^p = USLLSL
C
6 ^

(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.

3.2 Variabel Penelitian

Variabel penelitian yang digunakan dalam analisis laporan praktikum ini
adalah durasi waktu proses pembelajaran dan data ketidaksesuaian dari waktu
proses pembelajaran yang dilakukan oleh dosen pada mata kuliah Ekonometrika,
Ekonomi Teknik, Pengantar Teori Ekonomi, Analisis Keputusan Bisnis,
Manajemen Resikoprogram Studi S1, D3, dan Lintas Jalur.
3.3 Langkah Analisis
Langkah analisis yang dilakukan dalam praktikum ini antara lain sebagai
berikut :
1. Membuat kuisioner.
2. Mengumpulkan data sekunder tentang durasi proses pembelajaran selama 2
3.
4.
5.
6.

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

pembelajaran yang dilakukan oleh dosen Jurusan Statistika ITS.

7. Menguji keacakan pada data waktu proses pembelajaran dan data kecacatan
durasi proses pembelajaran di Jurusan Statistika ITS.
8. Melakukan pengujian kenormalan pada data waktu proses pembelajaran di
Jurusan Statistika ITS.
9. Membuat peta kendali

x R danpeta kendali

I MR pada data waktu

(durasi) proses pembelajaran yang dilakukan oleh dosen Jurusan Statistika

ITS.
10. Membuat diagram pareto dari waktu proses pembelajaran yang lebih, kurang
dan kosong..
11. Membuat diagram sebab-akibat dari penyebab terjadinya sumber variasi.
12. Menentukan kapabilitas proses pada kualitas waktu proses pembelajaran dan
ketidaksesuaian waktu proses pembelajaran
13. Menarik kesimpulan.

10

3.4 Diagram Alir

Diagram alir pada penelitian ini adalah sebagai berikut :
Mulai
Data Survey
Mengumpulkan Data

Tidak
R
Diasumsikan

Uji Keacakan

Membuat Peta Kendali

acak

Ya
Uji Normalitas
Tidak
Membuat dan menganalisis diagram Pareto

Diasumsikan
normal

Membuat dan menganalisis

diagram Sebab-akibat
Ya

Menentukan Kapabilitas Proses

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

Tabel 4.2 Uji Keacakan durasi perkuliahan Jurusan Statistika ITS

P-value
0,661

Durasi kuliah selama 2 minggu

Keputusan
Gagal tolak H0

Dengan menggunakan statistik uji p-value dan = 0,05 dapat diputuskan

untuk menolak H0 apabila p-value< = 0,05. Berdasarkan hasil pengujian
keacakan diatas, dapat disimpulkan bahwa data durasi kuliah selama 2 minggu
diambil secara acak sehingga menghasilkan keputusan gagal tolak H0.
4.3 Uji Normalitas Data
Setelah melakukan pengujian keacakan, maka dilakukan pengujian
distribusi normal (Normality Test) menggunakan uji Kolmogorov-Smirnov.
Pengujian normalitas dilakukan untuk mengetahui apakah sampel mengikuti
distribusi normal atau tidak karena untuk analisis dengan peta

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

Gambar 4.1 Hasil Uji Kolmogorov-Smirnov dengan Minitab

Dari gambar 4.1 didapatkan bahwa nilai p-value dari hasil uji
Kolmogorov-smirnov kurang dari

yaitu senilai < 0.150 sehingga tolak

H0.Sehingga dapat diartikan bahwa data durasi perkuliahan selama 2 minggu

untuk semua prodi di bidang ekonomi bisnis tidak berdistribusi normal. Namun,

13

karena dalam pembuatan peta kendali X-MR harus berdistribusi normal, maka
data diasumsikan berdistribusi normal.

4.4 Peta Kendali X R pada Durasi Perkuliahan

Setelah dilakukan uji normalitas data kemudian dilanjutkan dengan
membuat peta kendali

X R

dari durasi perkuliahan selama 2 minggu Jurusan

Statistika ITS. Berikut ini adalah output dari Minitab:

Xbar-R Chart of waktu kuliah
UCL=126,6

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

Gambar 4.2 Peta

5
Sample

X R Durasi Kuliah Bidang Ekonomi-Bisnis

Berdasarkan peta kendali

pada semua data sekunder lama proses

pembelajaran mata kuliah bidang Ekonomi-Bisnis Jurusan Statistika diperoleh

nilai

= 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

= 85,3 LCL = 0 UCL = 194,7. Proses juga

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

4.5 Peta Kendali

I MR pada Durasi Perkuliahan

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

= 64,4 LCL = -48,0 UCL =

176,1. Sedangkan untuk peta kendali Moving Range diperoleh 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.

I-MR Chart of waktu kuliah

UCL=176,1
I ndividual Value

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

Gambar 4.3 Peta

17

21
25
Observation

29

33

37

41

I MR Durasi Kuliah Bidang Ekonomi-Bisnis

4.6 Diagram Pareto

15

Untuk mengetahui penyebab durasi kuliah yang berbeda dilakukan analisis

sederhana menggunakan diagram Pareto. Sebelumnya dikelompokkan terlebih
dahulu penyebab durasi kuliah yang tidak sesuai dengan jadwal baik durasi yang
kurang, lebih bahkan bernilai nol. Berdasarkan pengelompokan ini diketahui
bahwa penyebab utama durasi kuliah tidak sesuai yaitu dosen memiliki kegiatan
lain yang harus dilakukan. Penyebab lainnya yaitu adanya hari libur, dosen
menguji dan dosen terlambat datang.Penyebab seperti diadakannya kuis dan
kuliah pengganti bukan penyebab yang utama dari tidak sesuainya durasi kuliah.
Diagram pareto durasi kuliah bidang ekonomi-bisnis disajikan pada Gambar 4.4.
Selain menjelaskan penyebab utama durasi kuliah tidak sesuai, Gambar 4.4 juga
menunjukkan persentasi masing-masing penyebab dan frekuensi masing-masing
penyebab.
18

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

Gambar 4.4 Diagram Pareto Durasi Kuliah Bidang Ekonomi-Bisnis

4.7 Diagram Sebab Akibat

Diagram sebab akibat berguna untuk mengidentifikasi hubungan antara
kemungkinan penyebab permasalahan kualitas.Sehingga informasi mengenai
penyebab permasalahan kualitas dapat diketahui secara lebih cepat dan
menyeluruh. Berdasarkan diagram sebab akibat diketahui bahwa penyebab suatu
permasalahan dapat berasal dari subjeknya, metode, pengukuran, lingkungan,
bahan dan mesin.

16

Measurements

Material

Personnel

Libur
Dosen terlambat
Dosen menguji
Dosen ada kegiatan lain
Kuis
Kuliah pengganti

Environment

Methods

Machines

Gambar 4.5 Diagram Sebab Akibat Durasi Kuliah Bidang Ekonomi-Bisnis

Berdasarkan gambar 4.5 diketahui bahwa penyebab durasi kuliah tidak

sesuai jadwal berasal dari subjeknya.Penyebab ini kemudian dijabarkan lagi ke
dalam beberapa penyebab kecil seperti adanya hari libur, dosen memiliki kegiatan
lain, dosen menguji, kuis, dosen terlambat dan adanya kuliah pengganti.
4.8 Kapabilitas Proses
Setelah diagram Pareto dan diagram sebab akibat dilakukan analisis proses
kapabilitas yang menggambarkan bentuk distribusi peluang dari data pengamatan,
ukuran pemusatan data (mean) dan ukuran persebaran data (standar deviasi).
LSL
USL
Within
Overall

Process Data
LSL
95
Target
*
USL
105
Sample Mean
64.4444
Sample N
36
StDev(Within)
43.6431
StDev(Overall) 40.3849

Potential (Within) Capability

Cp
0.04
CPL
-0.23
CPU
0.31
Cpk
-0.23
Overall Capability
Pp
PPL
PPU
Ppk
Cpm

-30
Observed Performance
% < LSL
75.00
% > USL
2.78
% Total
77.78

30

Exp. Within Performance

% < LSL
75.81
% > USL 17.64
% Total
93.45

60

90

120

0.04
-0.25
0.33
-0.25
*

150

Exp. O verall Performance

% < LSL
77.54
% > USL 15.76
% Total
93.30

Gambar 4.6 Diagram Kapabilitas Proses Durasi Kuliah Bidang Ekonomi-Bisnis untuk 36
Pertemuan

Gambar 4.6 menyajikan analisis kapabilitas proses durasi kuliah bidang

ekonomi-bisnis. Berdasarkan gambar 4.6 terlihat bahwa data pengamatan durasi
kuliah tidak berdistribusi normal.Sebanyak 75% data pengamatan berada di
bawah batas spesifikasi sehingga dapat dikatakan bahwa durasi kuliah bidang

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

Potential (Within) Capability

Cp
0.04
CPL
-0.28
CPU
0.37
Cpk
-0.28
O verall Capability
Pp
PPL
PPU
Ppk
Cpm

-30
O bserved Performance
% < LSL
76.19
% > USL
2.38
% Total
78.57

30

Exp. Within Performance

% < LSL
79.66
% > USL 13.63
% Total
93.28

60

90

120

0.04
-0.25
0.33
-0.25
*

150

Exp. O verall Performance

% < LSL
77.56
% > USL 15.82
% Total
93.38

Gambar 4.7 Diagram Kapabilitas Proses Durasi Kuliah Bidang Ekonomi-Bisnisuntuk 42

Pertemuan

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 <

tidak berdistribusi normal. Namun, kerena

dalam pembuatan peta kendali X-MRharus berdistribusi normal, maka data

diasumsikan berdistribusi normal.
4. Berdasarkan hasil dari peta kendali

X R

data durasi perkuliahan selama

2 minggu untuk semua prodi di bidang Ekonomi-Bisnis Jurusan Statistika

19

ITS diketahui bahwa proses terkendali sehingga pertemuan kuliah sesuai

dengan spesifikasi yang ditentukan.
5. Berdasarkan hasil dari peta kendali

I MR

data durasi perkuliahan

selama 2 minggu untuk semua prodi di bidang Ekonomi-Bisnis Jurusan

Statistika ITS diketahui bahwa proses terkendali sehingga pertemuan kuliah
sesuai dengan spesifikasi yang ditentukan.
6. Melalui diagram Pareto diketahui bahwa penyebab utama durasi kuliah
tidak sesuai yaitu dosen memiliki kegiatan lain yang harus dilakukan.
Penyebab lainnya yaitu adanya hari libur, dosen menguji dan dosen
terlambat datang. Penyebab seperti diadakannya kuis dan kuliah pengganti
bukan penyebab yang utama dari tidak sesuainya durasi kuliah.
7. Diagram sebab akibat menjelaskan bahwa penyebab durasi kuliah tidak
sesuai jadwal berasal dari subjeknya. Penyebab ini kemudian dijabarkan lagi
ke dalam beberapa penyebab kecil seperti adanya hari libur, dosen memiliki
kegiatan lain, dosen menguji, kuis, dosen terlambat dan adanya kuliah
pengganti.
8. Analisis kapabilitas proses menjelaskan bahwa data pengamatan durasi
kuliah tidak berdistribusi normal baik untuk data dengan 36 peretemuan
maupun 42 pertemuan. Sebanyak 75% data pengamatan dengan total 36
pertemuan berada di bawah batas spesifikasi sehingga dapat dikatakan
bahwa durasi kuliah bidang ekonomi-bisnis banyak yang tidak sesuai
dengan jadwal. Sedangkan berdasarkan data dengan 42 pertemuan diperoleh
hasil sebesar 76,19% pengamatan berada di bawah batas kendali. Untuk
hasil perhitungan yang disertakan dalam gambar diketahui bahwa nilai Cp
atau rasio kapabilitas prosesnya sebesar 0,04 untuk keduanya.
5.2 Saran
Pengambilan data pengamatan selanjutnya perlu dilakukan dengan lebih
baik agar diperoleh data yang lebih valid. Kemudian perlu dilakukan transformasi
pada data yang tidak berdistribusi normal sehingga diperoleh hasil analisis
lanjutan yang dapat memberikan informasi yang tepat. Ketepatan hasil analisis ini
nantinya dapat digunakan sebagai pedoman atau batasan tertentu dalam
melakukan pengembangan proses maupun perbaikan proses. Selanjutnya dalam
identifikasi penyebab permasalahan dapat dilakukan pengamatan lebih lanjut
sehingga dugaan penyebab tidak hanya berasal dari subjeknya saja.

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