BAB III

LANDASAN TEORI

3.1. Pengendalian Mutu

Pengendalian mutu merupakan suatu sistem verifikasi dan penjagaan/

perawatan dari suatu tingkat kualitas produk atau proses yang dikehendaki dengan

perencanaan yang seksama, pemakaian peralatan yang sesuai, inspeksi yang terus

menerus serta tindakan korektif bilamana diperlukan. Jadi, pengendalian kualitas

tidak hanya kegiatan inspeksi ataupun menentukan apakah produk itu baik

(accept) atau jelek (reject).

Pengendalian mutu dilakukan mulai dari proses input informasi/bahan

baku dari pihak marketing dan purchasing hingga bahan baku tersebut masuk ke

pabrik dan bahan baku itu diolah di pabrik yang akhirnya dikirim ke pelanggan.

Bahkan pengendalian kualitas juga dilakukan setelah adanya purna jual. Untuk

memenuhi semua kebutuhan ini tentunya perlu adanya berbagai macam tool yang

mampu merepresentasikan data yang dibutuhkan dan menganalisis data tersebut

hingga didapat suatu kesimpulan (Ginting Rosnani, 2007)

3.2. Rekayasa Mutu

Pangsa pasar dan tingkat profitabilitas adalah dua determinan pokok dari

keberhasilan setiap perusahaan dalam menjalankan misinya di dunia bisnis.

Perusahaan yang mampu memelihara pangsa pasar dan profitabilitas yang tinggi

merupakan kekuatan perusahaan tersebut dalam membangun daya saing. Faktor-

faktor yang sangat menentukan daya saing ialah waktu ancang-ancang, unit biaya

dan mutu produk. Oleh karena itu, upaya perbaikan mutu telah mendapat

perhatian semakin serius. Salah satu pendekatan yang efektif dalam perbaikan

mutu produk adalah pembangunan mutu ke dalam proses dan produk secara tepat

pada setiap tahapan desain produk dan proses nya (Sinulingga Sukaria, 2007).

3.3. Failure Mode and Effect Analysis (FMEA)

FMEA merupakan suatu metode yang bertujuan untuk mengevaluasi

desain sistem dengan mempertimbangkan bermacam-macam mode kegagalan dari

sistem yang terdiri dari komponen-komponen dan menganalisis pengaruh-

pengaruhnya terhadap keandalan sistem tersebut. Risk Priority Number (RPN)

merupakan hubungan antara tiga buah variabel yaitu Severity (Keparahan),

Occurrence (Frekuensi Kejadian), Detection (Deteksi Kegagalan) yang

menunjukkan tingkat risiko yang mengarah pada tindakan perbaikan.

1. Severity

Severity adalah tingkat keparahan atau efek yang ditimbulkan oleh kegagalan

terhadap keseluruhan mesin.

2. Occurrence

Occurrence adalah tingkat keseringan terjadinya kerusakan atau kegagalan.

Occurrenceberhubungan dengan estimasi jumlah kegagalan kumulatif yang

muncul akibat suatu penyebab tertentu dalam mesin.

 3. Detection

Deteksi diberikan pada sistem pengendalian yang digunakan saat ini yang

memiliki kemampuan untuk mendeteksi penyebab atau mode kegagalan sebelum

sampai ke tangan konsumen.

Tahapan pembuatan FMEA secara umum yaitu:

1. Penentuan mode kegagalan yang potensial

Dampak kegagalan potensial adalah dampak yang ditimbulkan dari suatu

kegagalan terhadap konsumen.

2. Penentuan nilai Severity (S)

Severity adalah peringkat yang menunjukkan tingkat keseriusan efek dari

suatu mode kegagalan.

Tabel 3.1. Penentuan Nilai Severity

Efek Kriteria Ranking

Berbahaya tanpa Dapat membahayakan konsumen
ada peringatan Tidak sesuai dengan peraturan pemerintah 10
Tidak ada peringatan
Dapat membahayakan konsumen
Berbahaya dan
Tidak sesuai dengan peraturan pemerintah 9
ada peringatan
Ada peringatan
Mengganggu kelancaran lini produksi
Sebagian besar menjadi scrap, sisanya dapat disortir
Sangat tinggi 8
(apakah sudah baik/bisa rework)
Pelanggan tidak puas
Sedikit mengganggu kelancaran lini produksi
Tinggi Sebagian besar menjadi scrap, sisanya dapat disortir 7
(apakah sudah baik/bisa rework)
Pelanggan tidak puas
Sedang Sebagian kecil menjadi scrap, sisanya tidak perlu disortir 6
(sudah baik)
100% produk dapat di-rework
Rendah 5
Produk pasti dikembalikan oleh konsumen
 Tabel 3.1. Penentuan Nilai Severity (Lanjutan)

Efek Kriteria Ranking

Sebagian besar dapat di-rework dan sisanya sudah baik
Sangat rendah 4
Kemungkinan produk dikembalikan oleh konsumen
Hanya sebagian kecil yang dapat di-rework dan sisanya
Kecil sudah baik 3
Rata rata pelanggan komplain
Sangat kecil Komplain hanya diberikan oleh pelanggan tertentu 2
Mungkin disadari oleh operator.
Tidak ada 1
Mungkin tidak disadari oleh konsumen
Sumber : Dyadem, Guidelines for Failure Mode and Effects Analysisfor Automotive, Aerospace
and General Manufacturing Industries

3. Penentuan nilai Occurence(O)

Occurrence adalah kemungkinan bahwa penyebab tersebut akan terjadi dan

menghasilkan bentuk kegagalan selama penggunaan produk.

Tabel 3.2. Occurrence dalam FMEA Process

Occurence Rangking Kriteria

Sangat tidak mungkin
Kemungkinannya jarang
Kemungkinannya sangat rendah
Kemungkinannya rendah
Kemungkinannya cukup rendah
Kemungkinannya sedang
Kemungkinannya cukup tinggi
Kemungkinannya tinggi
Kemungkinannya yang sangat
tinggi
Sangat mungkin
Sumber : Dyadem, Guidelines for Failure Mode and Effects Analysisfor Automotive, Aerospace
and General Manufacturing Industries
1 Kegagalan sangat tidak mungkin
2 Kemungkinan kegagalan jarang
3 Sangat sedikit kegagalan yang mungkin
Kemungkinan kegagalan kadang-
4
kadang
5 Kemungkinan gagal sedang
Kemungkinan kegagalan yang cukup
6
tinggi
Tingginya kemungkinan angka
7
kegagalan
8 Kemungkinan kegagalan sangat tinggi
9 Kegagalan mungkin
10 Kegagalan hampir pasti
4. Penentuan nilai Detection (D)

Detection adalah pengukuran terhadap kemampuan mengendalikan atau

mengontrol kegagalan yang dapat terjadi.

Proses penilaian ditunjukkan pada Tabel 2.3.

Tabel 3.3. Detection dalam FMEA Process

Keterangan Ranking
Sudah jelas, sangat mudah untuk diketahui 1
Jelas bagi indera manusia 2
Memerlukan inspeksi 3
Inspeksi yang hati hati dengan indera manusia 4
Inspeksi yang sangat hati hati dengan indera manusia 5
Memerlukan bantuan dan/atau pembongkaran sederhana 6
Diperlukan inspeksi dan/atau pembongkaran 7
Diperlukan inspeksi dan atau pembongkaran yang kompleks 8
Kemungkinan besar tidak dapat dideteksi 9
Tidak dapat dideteksi 10
Sumber : Dyadem, Guidelines for Failure Mode and Effects Analysisfor Automotive, Aerospace
and General Manufacturing Industries

5. Penentuan nilai Risk Priority Number (RPN)

Risk Priority Number adalah suatu bentuk nilai yang akan menunjukkan

prioritas yang harus dilakukan improvement/perbaikan dari suatu sistem

supaya tidak terjadi kegagalan.

Adapun nilai RPN diperoleh dengan rumus sebagai berikut.

RPN = Severity x Occurrence x Detection

6. Menentukan tindakan untuk meminimumkan resiko kegagalan (Dyadem,

2003)
3.4. Teknik Sampling

Populasi ialah keseluruhan anggota atau kelompok yang membentuk objek

yang dikenakan investigasi oleh peneliti. Elemen adalah setiap anggota dari

populasi. Dengan kata lain, seluruh elemen yang membentuk satu kesatuan

karakteristik adalah populasi dan setiap unit dari populasi tersebut adalah elemen

dari populasi. Sampel adalah sebuah subset dari populasi. Sebuah subset terdiri

dari sejumlah elemen dari populasi yang ditarik sebagai sampel melalui

mekanisme tertentu dengan tujuan tertentu. Elemen yang ditarik dari populasi

disebut sebagai sebuah sampel apabila karakteristik yang dimiliki oleh gabungan

seluruh elemen-elemen yang ditarik tersebut merepresentasikan karakteristik dari

populasi.
Sampling ialah proses penarikan sampel dari populasi melalui mekanisme

tertentu melalui makna karakteristik populasi dapat diketahui atau didekati.

Sampling adalah metode pengumpulan data yang sangat populer karena

manfaatnya yang demikian besar dalam penghematan sumber daya waktu dan

biaya dalam kegiatan pengumpulan data. Sampling sering dilawankan dengan

sensus yaitu suatu pengumpulan data secara menyeluruh yaitu seluruh sumber

data ditelusuri dan setiap elemen data yang dibutuhkan diambil.

Secara garis besar metode penarikan sampel dapat diklasifikasi atas dua

bagian yaitu probability sampling (penarikan sampel yang terkait dengan faktor

probabilitas) dan non-probability sampling (penarikan sampel yang tidak terkait

dengan faktor probabilitas). Perbedaan prinsipil dari dua tipe sampling ini selain

dalam hal teknis/mekanisme pelaksanaan, juga dari sasaran pokok yaitu

probability sampling lebih melihat kemungkinan area baru untuk diteliti

sedangkan non-probablility sampling lebih ditekankan pada eksplorasi dan

kelayakan penerapan suatu ide.

3.4.1. Probability Sampling

Dalam probability sampling, setiap elemen dari populasi diberi

kesempatan untuk ditarik menjadi anggota dari sampel. Probability sampling

terdiri dari simple random sampling, systematic sampling, stratified random

sampling, cluster sampling, dan area sampling. Pemilihan atas lima metode

penarikan sampel tergantung pada banyak faktor, antara lain yang utama ialah

luasnya cakupan generalisasi yang diinginkan, ketersediaan waktu, maksud dan

tujuan penelitian (tipe masalah yang ingin dicari jawabannya).

3.4.1.1.Simple Random Sampling

Dalam simple random sampling yang sering juga disebut unrestricted

probability sampling, setiap elemen dari populasi mempunyai kesempatan atau

peluang yang sama untuk terpilih menjadi anggota sampel. Dikatakan tidak

terbatas (unrestricted) karena semua elemen diperlakukan sama dalam arti

semuanya mempunyai kesempatan terpilih yang sama walaupun karakteristik

masing-masing mungkin tidak sama. Simple random sampling mensyaratkan

bahwa elemen populasi haruslah relatif homogen, jika terdapat strata antara

elemen maka metode simple random sampling tidak tepat untuk digunakan.

3.4.1.2.Systematic Sampling

Systematic sampling adalah suatu metode pengambilan sampel dari

populasi dengan cara menarik elemen setiap kelipatan ke n dari populasi tersebut
mulai dari urutan yang dipilih secara random diantara nomor 1 hingga n. Metode

systematic sampling pada umunya digunakan dalam pemeriksaan mutu proses

atau produk dalam industri manufaktur yang bersifat continue dan flow process

seperti industri penyulingan minyak, industri semen, pupuk, dan lain sejenisnya.

Misalnya proses berlangsung 24 jam sehari dan dalam sehari diperlukan

pemeriksaan sebanyak 48 sampel, maka penarikan sampel silakukan setiap

stengah jam.

3.4.1.2.Stratified Random Sampling

Pada metode stratified random sampling, strata elemen dalam populasi

mendapat perhatian sehingga populasi dibagi sesuai dengan strata yang ada.

Beberapa contoh strata yang dimaksud antara lain ialah strata dalam pendapatan,

pendidikan, jabatan, usia, status, dan lain-lain. Keunggulan dari metode stratified

random sampling ini ialah kemampuannya menghasilkan informasi yang

dibutuhkan menurut stratanya.

3.4.1.3.Cluster Sampling

Prosedur penarikan sampel dengan metode cluster sampling terdiri dari

dua tahap. Tahap pertama, pemilihan cluster dilakukan secara random. Tahap

kedua, terhadap setiap cluster yang terpilih dilakukan penarikan elemen untuk

menjadi anggota sampel. Metode cluster sampling ini sangat efisien dari segi

waktu dan pembiayaan tetapi mengandung bias yang lebih besar dibanding

dengan metode lain dan hasilnya juga sangat sulit digeneralisasi.

3.4.1.4.Area Sampling
 Area sampling sangat mirip bahkan sering digabung dalam cluster

sampling. Dalam area sampling, cluster dari populasi adalah perbedaan lokasi

geografis (geographycal areas) dari populasi. Seperti halnya dengan cluster

sampling, area sampling juga dilakukan dengan cara memilih secara random area

investigasi dan pada area terpilih dilakukan pengambilan sampel dengan

menggunakan salah satu metode simple random sampling, systematic sampling,

atau stratified random sampling, sesuai dengan kondisinya.

3.4.2. Nonprobability Sampling

Berbeda halnya dengan probability sampling, pada non-probability

sampling, setiap elemen populasi yang akan ditarik menjadi anggota sampel tidak

berdasarkan probabilitas yang melekat pada setiap elemen tetapi berdasarkan

karakteristik khusus masing-masing elemen. Beberapa model dari metode

sampling yang non-probabilistik ini adalah convenience sampling dan purposive

sampling.

3.4.2.1.Convenience Sampling

Seperti disebutkan oleh namanya, convenience sampling adalah suatu

metode sampling dimana para respondennya adalah orang-orang yang secara suka

rela menawarkan diri (conveniencely available) dengan alasan masing-masing.

3.4.2.2.Purposive Sampling

Purposive sampling adalah metode sampling non-probability yang

menggunakan orang-orang tertentu sebagai sumber data/informasi. Orang-orang

tertentu yang dimaksud di sini adalah individu atau kelompok yang karena

pengetahuan, pengalaman, jabatan, dan lain-lain yang dimilkinya menjadikan

individu atau kelompok tersebut perlu dijadikan sumber informasi.

Judgement sampling adalah suatu tipe pertama purposive sampling dimana

responden terlebih dahulu dipilih berdasarkan pertimbangan tertentu karena

kemampuannya atau kelebihannya diantara orang-orang lain dalam memberikan

data dan informasi yang bersifat khusus yang dibutuhkan peneliti.

Quota sampling adalah tipe kedua purposive sampling, dimana kelompok-

kelompok tertentu dijadikan responden (sumber data/informasi) untuk memenuhi

kuota yang telah ditetapkan. Pada umumnya, sejak awal penelitian kuota telah

ditetapkan untuk masing-masing kelompok berdasarkan gambaran

(persentase/proporsi kelompok) dalam populasi (Sinulingga, 2008).

3.5. Defenisi Metode Taguchi

Metode taguchi merupakan suatu metodologi dalam bidang teknik yang

bertujuan untuk memperbaiki kualitas produk dan proses dalam waktu yang

bersamaan menekan biaya dan sumber daya seminimal mungkin. Metode taguchi

berupaya mencapai sasaran itu dengan menjadikan produk atau proses tidak

sensitif terhadap berbagai faktor misalnya material, perlengkapan manufaktur,

tenaga kerja manusia, dan kondisi-kondisi operasional. Metode taguchi

menjadikan produk atau proses bersifat kokoh (robust) terhadap faktor gangguan
(noise), karenanya metode ini disebut juga sebagai perancangan kokoh (robust

design). Suatu rancangan dianggap kokoh (robust design) apabila spesifikasi

(kemampuan) produk menjadi tidak sensitif terhadap lingkungan dan faktor

lainnya yang tidak mampu atau tidak ingin dikontrol oleh konsumen.

Filosofi Taguchi terdiri dari tiga konsep, yaitu:

1. Kualitas harus didesain ke dalam produk dan bukan sekedar memeriksanya.

2. Kualitas terbaik dicapai dengan meminimumkan deviasi dari target. Produk

harus didesain sehingga kokoh (robust) tehadap faktor lingkungan yang tidak

dapat dikontrol.

3. Kualitas harus diukur sebagai fungsi deviasi dari standar tertentu dan kerugian

harus diukur pada seluruh sistem.

Metode Taguchi memperkenalkan pendekatan dengan menggunakan

pendekatan desain eksperimen yang berguna untuk:

1. Merancang suatu produk/merancang proses sehingga kualitas kokoh terhadap

kondisi lingkungan.

2. Merancang/mengembangkan produk sehingga kualitasnya kokoh terhadap

variasi komponen.

3. Meminimalkan variasi di sekitar target.

Metode Taguchi mempunyai beberapa keunggulan seperti:

1. Desain eksperimen Taguchi lebih efisien karena memungkinkan untuk

melaksanakan penelitian yang melibatkan banyak faktor dan jumlah.

2. Desain eksperimen Taguchi memungkinkan diperolehnya suatu proses yang

menghasilkan produk yang konsisten dan kokoh terhadap faktor yang tidak

dapat dikontrol (faktor gangguan).

3. Metode Taguchi menghasilkan kesimpulan mengenai respon faktor-faktor dan

level dari faktor-faktor kontrol yang menghasilkan respon optimum.

4. Metode Taguchi juga memiliki kekurangan dibandingkan dengan metode lain

diantaranya adalah rancangan metode Taguchi mempunyai strukur yang sangat

komplek, di mana terdapat rancangan yang mengorbankan pengaruh interaksi

dan ada pula rancangan yang mengorbankan pengaruh utama dan pengaruh

interaksi yang cukup signifikan.

5. Metode Taguchi menggunakan seperangkat matriks khusus yang disebut

matriks orthogonal. Matriks standar ini merupakan langkah untuk menentukan

jumah eksperimen minimal yang dapat mempengaruhi parameter. Bagian

terpenting dari metode matriks orthogonal terletak pada pemilihan kombinasi

level variabel-variabel input masing-masing eksperimen (Soejanto, 2009)

3.6. Desain Eksperimen Metode Taguchi

Pada umumya desain eksperimen Taguchi dibagi menjadi tiga tahap utama

yang mencakup semua pendekatan eksperimen. Tiga tahap utama tersebut adalah:

1. Tahap Perancangan

2. Tahap Pelaksanaan

3. Tahap Analisa
3.6.1. Tahap Perancangan

Desain eksperimen yang baik apabila eksperimen yang dilakukan sesuai

dengan masalahnya dan mempunyai efisiensi yang tinggi yaitu apabila

eksperimen dilakukan dengan menggunakan biaya, waktu, dan usaha yang

minimum tetapi dapat memberikan informasi yang optimum. Seorang peneliti

akan belajar berbagai hal dari beberapa eksperimen untuk mendapatkan informasi

yang positif. Perancangan eksperimen merupakan tahap terpenting yang meliputi

perumusan masalah, penetapan tujuan eksperimen, penentuan variabel tak bebas,

identifikasi faktor-faktor gangguan, penentuan jumlah level dan nilai level faktor,

letak kolom interaksi, perhitungan derajat kebebasan, dan pemilihan matriks

ortogonal.

3.6.1.1. Klasifikasi Parameter

Banyak faktor yang dapat mempengaruhi karakteristik kualitas (respon

variabel) dari suatu produk. Menurut Taguchi faktor dapat diklasifikasikan atas:

a. Faktor gangguan

Faktor gangguan adalah suatu parameter yang menyebabkan penyimpangan

karakteristik kualitas dari nilai targetnya. Faktor gangguan memiliki nilai yang

tidak bisa kita atur atau kendalikan, walaupun dapat kita atur akan mahal

biayanya. Faktor gangguan dapat menyebabkan pengaruh pada karakteristik

 secara tidak terkendali dan sulit diprediksi. Faktor gangguan biasanya sulit,

mahal, dan tidak menjadi sasaran pengendalian tetapi untuk tujuan eksperimen

mereka perlu dikendalikan dalam skala kecil.

b. Faktor kontrol

Faktor kontrol adalah parameter-parameter yang nilai-nilainya ditentukan oleh

ahli teknik. Faktor-faktor kontrol dapat mempunyai nilai satu atau lebih yang

disebut level. Pada akhir eksperimen, suatu level faktor kontrol yang sesuai

akan dipilih. Salah satu aspek dari perancangan kokoh adalah mencari kondisi

level optimal untuk faktor kontrol sehingga karakteristik kualitas tidak sensitif

terhadap gangguan. Contoh faktor kontrol yaitu jenis bahan baku, gaya dan

temperatur.

c. Faktor signal

Faktor signal adalah faktor-faktor yang mengubah nilai-nilai karakteristik

kualitas yang sebenarnya yang akan diukur. Karakteristik kualitas dalam

perancangan eksperimen di mana faktor signal mempunyai nilai konstan

(dalam hal ini tidak dimasukkan sebagai faktor) disebut karakteristik statis.

Maka faktor signal dapat mengambil banyak nilai, karakteristik mempunyai

sifat dinamik. Faktor signal tidak ditentukan oleh ahli teknik tetapi oleh

konsumen berdasarkan hasil yang diinginkan.

d. Faktor skala

Faktor ini digunakan untk mengubah rata-rata level karakteristik kualitas

untuk mencapai hubungan fungsional yang diperlukan antara faktor signal

dengan karakteristik kualitas. Faktor skala disebut juga faktor penyesuaian

e. Variabel bebas

Variabel bebas adalah variabel yang perubahannya tidak tergantung pada

variabel lain. Pada tahap ini akan dipilih faktor-faktor mana saja yang akan

diselidiki pengaruhnya terhadap variabel tak bebas yang bersangkutan. Dalam

suatu percobaan tidak seluruh faktor yang diperkirakan mempengaruhi

variabel yang diselidiki, sebab hal ini akan membuat pelaksanaan percobaan

dan analisisnya menjadi kompleks. Hanya faktor-faktor yang dianggap penting

saja yang diselidiki.

f. Penetuan Variabel Tak Bebas

Variabel tak bebas adalah variabel yang perubahannya tergantung pada

variabel-variabel lain. Dalam merencanakan suatu eksperimen harus dipilih

dan dientukan dengan jelas variabel tak bebas mana yang akan diselidiki.

Dalam eksperimen Taguchi variabel tak bebas adalah karateristik kualitas

yang terdiri dari tiga kategori yaitu:

1. Karakteristik yang dapat diukur

Semua hasil akhir yang diamati dapat diukur dengan skala kontinyu. Contoh :

temperatur, berat, tekanan, dan lain-lain.

2. Karakteristik atribut

Hasil akhir yang diamati tidak dapat diukur dengan skala kontinyu, tetapi

dapat diklasifikasikan secara kelompok. Contoh: retak, jelek, baik, dan lain-

lain.

3. Karakteristik dinamaik
 Merupakan fungsi repsentasi dari proses yang diamati. Proses yang diamati

digambarkan sebagai signal dan output digambarkan sebagai hasil dari signal.

Sebagai contoh adalah sistem transmisi otomatis dengan input putaran mesin

dan output adalah perubahan getar. (Soejanto, 2009)

3.6.1.2. Pemilihan Level Faktor

Menentukan banyaknya level dan faktor yang digunakan untuk tiap faktor

yang dipilih dalam eksperimen adalah tahap penting dalam perencanaan.

Menentukan level dari faktor kualitatif biasanya telah jelas dari sifat permasalahan

yang diteliti. Tetapi untuk memilih level yang sesuai untuk faktor kualitatif lebih

sulit. Banyak level yang dipilih dan nilainya tergantung pada pengetahuan

terhadap proses atau produk. Jika proses atau produk baru yang diteliti, maka

perlu digunakan 3 level untuk beberapa faktor untuk mengevaluasi non linieritas

pada range faktor.

Jika diketahui pengaruh faktor tertentu, maka faktor dengan 2 level sudah

cukup untuk mendapatkan informasi yang diinginkan dari hasil eksperimen.

Pemilihan jumlah level penting artinya untuk ketelitian hasil eksperimen dan

ongkos pelaksanaan eksperimen. Makin banyak level yang diteliti maka hasil

eksperimen akan lebih teliti karena data yang diperoleh lebih banyak. Tetapi

banyaknya level akan meningkatkan jumlah pengamatan sehingga menaikkan

ongkos eksperimen. Penentuan jumlah level dilakukan untuk mendapatkan

ketelitian hasil penelitian. Sumber data dalam penentuan level dari faktor ini
didapat dari data pabrik yang merupakan hasil kombinasi dari buku panduan dan

pengalaman operator. (Soejanto, 2009)

3.6.1.3. Penempatan Kolom untuk Faktor dan Interaksi ke dalam Matriks

Untuk memudahkan di kolom mana saja diletakkan interaksi faktor pada

setiap matriks ortogonal, Taguchi menyatakan dalam grafik linier. Grafik linier

adalah representasi grafik dari informasi interaksi dalam suatu matriks eksperimen

yang terdiri dari titik dan garis. Setiap titik pada grafik linier mewakili suatu

faktor utama dan garis yang menghubungkan dua titik meggambarkan interaksi

antar dua faktor utama yang bersangkutan. Misalnya dalam suatu penelitian

menggunakan 6 faktor yaitu A, B, C, D, E, F dan memiliki 2 level dimana total

derajat kebebasannya adalah 6. Karena penelitian ini memiliki 3 derajat kebebasan

maka matriks yang digunakan adalah L8(23) yang total derajat kebebasannya

adalah 4. Untuk matriks L8(23) maka pasangan grafik linear yang digunakan dapat

dilihat pada Gambar 3.1.

Gambar 3.1. Grafik Linier L8 (23)

Berdasarkan gambar grafik linier di atas dapat diketahui bahwa:

Faktor A ditempatkan pada kolom 1

Faktor B ditempatkan pada kolom 2

Faktor C ditempatkan pada kolom 3

3.6.1.4. Pengaruh Faktor-Faktor

Menurut Taguchi suatu faktor kontrol mungkin:

1. Hanya mempengaruhi nilai rata-rata saja

Suatu faktor yang hanya mempengaruhi nilai rata-rata saja (tetapi keragaman

tidak) dapat digunakan untuk menyesuaikan nilai rata-rata suatu proses atau

produksi ke nilai target. Suatu faktor yang hanya mempengaruhi nilai rata-rata

saja biasanya disebut faktor penyesuai.

2. Hanya mempengaruhi nilai varians saja

Suatu faktor yang mempengaruhi ragam nilai saja (nilai rata-rata tidak) dapat

digunakan untuk mengurangi keragaman proses produk.

3. Mempengaruhi nilai rata-rata dan varians

Suatu faktor yang dapat mempengaruhi rata-rata dan ragam sekaligus harus

digunakan secara lebih berhati-hati. Faktor yang demikian mempunyai

keluwesan dalam mengembangkan persyaratan target.

4. Tidak mempunyai pengaruh sama sekali

Suatu faktor yang tidak mempengaruhi rata-rata atau ragam adalah faktor yang

tidak bermanfaat. Walaupun dengan level yang lebih baik faktor tersebut

bermanfaat tetapi akan tergantung pada faktor lain misalkan biaya.

3.6.1.5.Mariks Orthogonal

Matriks orthogonal yaitu suatu matriks yang elemen-elemennya disusun

menurut baris dan kolom. Kolom merupakan faktor yang dapat diubah dalam

eksperimen. Baris merupakan kombinasi level dari faktor dalam eksperimen.

Matriks disebut orthogonal karena level-level dari faktor berimbang dan dapat

dipisahkan dari pengaruh faktor lain dalam eksperimen. Jadi matriks orthogonal

adalah matriks seimbang dari faktor-faktor dan level sedemikian hingga pengaruh

suatu faktor atau level tidak baur dengan pengaruh faktor atau level yang lain.

Faktor-faktor dan level-level merupakan kondisi bermacam-macam proses yang

akan diteliti.

Matriks orthogonal sangat efisien dalam memperoleh jumlah data yang

relatif kecil dan mampu memterjemahkan ke kesimpulan yang berarti dan jelas.

Lebih jauh desain eksperimen yang menggunakan matriks orthogonal pada

dasarnya lebih mudah untuk dimengerti dan petunjuknya sangat mudah untuk

diikuti karena suatu matriks merupakan suatu pemetaan dari level masing-masing

faktor yang akan diteliti. Notasi matriks orthogonal dapat dilihat pada Gambar

3.2.

Gambar 3.2. Notasi Matriks Orthogonal

 Pemilihan matriks orthogonal yang sesuai tergantung dari nilai faktor dan

interaksi yang diharapkan dan nilai level dari tiap-tiap faktor. Penentuan ini akan

mempengaruhi total jumlah derajat kebebasan yang berguna untuk menentukan

jenis matriks orthogonal yang dipilih. Dalam memilih matriks orthogonal yang

sesuai, diperlukan suatu persamaan dari matriks orthogonal tersebut yang

mempresentasikan jumlah faktor, jumlah level dan jumlah pengamatan yang

dilakukan. Bentuk umum dari matriks orthogonal adalah La(bc) dimana

perhitungan derajat kebebasan untuk matriks orthogonal adalah:

Derajat Kebebasan Matriks = (Banyaknya Faktor) x (Banyaknya Level 1)

Dalam penelitian ini digunakan matriks orthogonal yang mempunyai derajat

kebebasan lebih besar atau sama dengan jumlah total derajat kebebasan dari

penelitian. Pada penelitian ini jumlah derajat kebebasannya adalah 3 sehingga

matriks orthogonal yang sesuai adalah L8(23) = 3 x (2-1) = 3 derajat kebebasan.

Adapun susunan matriks orthogonal L8(23) dapat dilihat pada Tabel 3.4.

Tabel 3.4. Matriks Orthogonal Array

Matriks Orthogonal L8 (23)

Eksperimen 1 2 3
1 1 1 1
2 1 1 2
3 1 2 1
4 1 2 2
5 2 1 1
6 2 1 2
7 2 2 1
8 2 2 2

3.6.1.6. Derajat Kebebasan

 Derajat kebebasan adalah banyaknya pengukuran bebas yang dapat

dilakukan untuk menaksir sumber informasi. Angka derajat kebebasan

menunjukkan banyak perbandingan bebas yang dapat dilakukan pada sekelompok

data. Dalam lingkup eksperimen defenisi ini diterjemahkan jumlah pembanding

antara faktor (efek utama) atau level interaksi yang dibuat untuk menemukan level

mana yang lebih baik dan secara khusus seberapa bagus level tersebut. Pentingnya

memahami berapa banyak derajat kebebasan yang dibutuhkan untuk mempelajari

faktor minat adalah penting dalam menentukan matriks orthogonal dalam desain

eksperimen. Tiap matriks orthogonal mempunyai derajat kebebasan yang

dibutuhkan, kita dapat memilih sebuah matriks orthogonal yang mempunyai

pembanding atau derajat kebebasan. Dengan menerapkan beberapa aturan dan

rumus sederhana, kita dapat menentukan derajat kebebasan untuk faktor (efek

utama) dan interaksi dan diperoleh matriks orthogonalnya masing-masing.

Perhitungan derajat kebebasan dilakukan untuk menghitung jumlah

minimum penelitian yang harus dilakukan untuk menyelidiki faktor yang diamati.

Perhitungan derajat kebebasan dan kombinasi yang diusulkan nantinya akan

mempengaruhi pemilihan dalam tabel mariks orthogonal. Perhitungan derajat

kebebasan memiliki rumus:

V = Banyaknya Level - 1

Dalam penelitian ini terdapat 3 faktor dan 2 level yaitu:

1. Faktor A = 2 level

2. Faktor B = 2 level

3. Faktor C = 2 level
Dengan demikian diperoleh derajat kebebasanya yaitu:

Derajat kebebasan faktor A = (2-1) = 1

Derajat kebebasan faktor B = (2-1) = 1

Derajat kebebasan faktor C = (2-1) = 1 +

Vfl = 3 (Derajat Kebebasan)

3.6.2. Tahap Pelaksanaan Eksperimen

Pelaksanaan eksperimen meliputi penentuan jumlah replikasi eksperimen

dan randomisasi pelaksanaan eksperimen.

1. Jumlah Replikasi

Replikasi adalah pengulangan kembali perlakuan yang sama suatu percobaan

dengan kondisi yang sama untuk memperoleh ketelitian yang lebih tinggi.

Replikasi dilakukan untuk tujuan:

a. Menambah ketelitian data eksperimen

b. Mengurangi tingkat kesalahan pada eksperimen

c. Memperoleh harga taksiran kesalahan eksperimen sehingga

memungkinkan diadakannya uji signifikan hasil eksperimen.

2. Randomisasi

Dalam eksperimen selain faktor-faktor yang diselidiki pengaruhnya terhadap

variabel, juga terhadap faktor-faktor lain yang tidak terkendali atau tidak

diinginkan yang dapat mempengaruhi hasil eksperimen. Pengaruh faktor-

faktor tersebut diperkecil dengan menyebarkan pengaruh tersebut selama

 eksperimen melalui randomisasi (pengacakan) urutan percobaan. Secara

umum randomisasi dimaksudkan untuk:

a. Meratakan pengaruh dari faktor-faktor yang tidak dapat dikendalikan pada

semua unit eksperimen.

b. Memberikan kesempatan yang sama pada semua unit eksperimen untuk

menerima suatu perlakuan sehingga diharapkan ada kehomogenan

pengaruh dari setiap perlakuan yang sama.

c. Mendapatkan hasil pengamatan yang bebas satu sama lain.

Jika replikasi dengan tujuan untuk memungkinkan dilakukan uji

signifikan, maka randomisasi bertujuan menjadikan uji tersebut valid dengan

menghilangkan sifat bias. Pelaksanaan eksperimen Taguchi adalah melakukan

pengerjaan berdasarkan setting faktor pada matriks orthogonal dengan jumlah

eksperimen sesuai jumlah replikasi dan urutan seperti pada randomisasi.

3.6.3. Tahap Analisa

Pada analisis dilakukan pengumpulan dan pengolahan data yang meliputi

pengumpulan data, pengaturan data, perhitungan serta penyajian data dalam suatu

layout tertentu yang sesuai dengan desain yang dipilih untuk suatu eksperimen

yang dipilih. Selain itu dilakukan perhitungan dan pengujian data dengan statistik

seperti analisis variasi, tes hipotesa dan penerapan rumus-rumus empiris pada data

hasil eksperimen.

3.6.3.1. Analisis Varians Taguchi

 Analisis varians adalah teknik yang digunakan untuk menganalisa data

yang telah disusun dalam perencanaan eksperimen secara statistik. Analisis ini

merupakan teknik menganalisa dengan menguraikan seluruh (total) varians atas

bagian-bagian yang diteliti. Di sini dilakukan pengklasifikasian hasil-hasil

percobaan secara statistik sesuai dengan sumber-sumber variasi. Analisis varians

digunakan untuk membantu mengidentifikasikan kontribusi faktor sehingga

akurasi perkiraan model dapat ditentukan. Analisa varians untuk suatu mariks

orthogonal dilakukan berdasarkan jumlah kuadrat untuk masing-masing kolom.

1. Jumlah Kuadrat Faktor

Jumlah kuadrat faktor dihitung dengan rumus:

Dimana:

KA = Jumlah level faktor A

Ai = Level ke I faktor A

nAi = Jumlah percobaan level ke I faktor A

T = Jumlah seluruh nilai data

N = Banyak data keseluruhan

2. Perhitungan Derajat Kebebasan

Derajat kebebasan diperlukan dalam mempelajari faktor atau efek utama, yaitu

sama dengan jumlah level dikurangi satu dalam eksperimen. Perhitungan

derajat kebebasan dilakukan pada tiap faktor dengan rumus

V = Banyaknya Level 1
3. Perhitungan Rata-rata Kuadrat (Mean Square)

Perhitungan rata-rata kuadrat menggunakan rumus:

SS
MS = V

Dimana:

SS = Jumlah Kuadrat

V = Derajat Kebebasan

Rata-rata kuadrat dari setiap faktor (A, B, C, D, E, F) dihitung dengan cara

yang sama.

4. Jumlah Kuadrat Total

Jumlah kuadrat total dihitung dengan rumus:

SST = y2

5. Perhitungan Kuadrat karena Rata-rata (Mean)

Kuadrat karena rata-rata dihitung dengan rumus:

Sm = ny2

6. Perhitungan Jumlah Kuadrat Error

Jumlah kuadrat error dihitung dengan rumus:

SSe = SST SSm SSfaktor

7. Perhitungan Persen Kontribusi

Ketika analisis varians telah digunakan pada seperangkat data dan jumlah

kuadrat telah dihitung kita dapat menggunakan data ini untuk membagi jumlah

kuadrat dengan faktor-faktor yang relevan. Dengan membandingkan nilai ini

 terhadap jumlah kuadrat total menghasilkan persen kontribusi dari maisng-

masing faktor.

SA = SA vA . Ve

SA adalah jumlah kuadrat deviasi dari target, SA adalah jumlah kuadrat

sesungguhnya dari faktor A, vA adalah derajat kebebasan A dan Ve adalah

varian. Bagian dari jumlah kuadrat vA Ve harus ditambahkan pada jumlah

kuadrat karena error untuk menyakinkan bahwa jumlah kuadrat total sudah

diperhitungkan. Kita dapat menentukan sebagai persentase dari jumlah

kuadrat suatu sumber yang sesungguhnya terhadap jumlah kuadrat total, St:

= SSfaktor / SSTotal x 100%

Bagian dari error yang berasal dari jumlah kuadrat deviasi untuk suatu sumber

harus ditambahkan pada jumlah kuadrat untuk menghemat jumlah kuadrat

total.

8. Perhitungan Prediksi Rata-rata yang Optimum

Biasanya peneliti ingin mendapatkan nilai respon tertentu dari suatu produk

atau proses. Nilai rata-rata respon yang lebih tinggi adalah lebih baik, nilai

nominal adalah yang terbaik, atau rata-rata respon yang lebih rendah adalah

lebih baik. Bergantung pada karakteristik, dapat dilakukan pemilihan

kombinasi perlakuan yang berbeda-beda sehingga diperoleh hasil-hasil yang

memuaskan. Bila telah dilakukan suatu eksperimen dan telah ditentukan

kondisi perlakuan optimum, terdapat dua kemungkinan yaitu:

1. Kombinasi level faktor yang digunakan sama dengan salah satu

kombinasi di dalam eksperimen.

 2. Kombinasi level faktor yang digunakan tidak termasuk di dalam

eksperimen (kemungkinan kejadian ini akan semakin besar bila

digunakan eksperimen dengan resolusi yang semakin rendah dan semakin

fraksional).

Jika kemungkinan pertama yang terjadi, maka salah satu cara langsung untuk

memperkirakan nilai rata-rata kondisi perlakuan tersebut adalah dengan merata-

ratakan semua hasil trial yang ditetapkan pada level-level tertentu tersebut. Jika

kemungkinan kedua yang terjadi, maka harus dilakukan perhitungan. Perhitungan

interval kepercayaan untuk perkiraan rata-rata yang optimum adalah sebagai

berikut:

Cl 1
= F(0,1;1 ;2) x MS e x n eff

Dimana neff adalah jumah pengamatan efektif

Jumla h total eksperimen

neff = 1+ jumla h derajat kebebasan perkiraan ratarata

Sehingga prediksi rata-rata dihitung dengan rumus:

prediksi = T + ( A level 2 T )+( B level 2 T )+( C level 1 T )

9. Perhitungan Eksperimen Konfirmasi

Tujuan eksperimen konfirmasi adalah untuk melakukan verifikasi bahwa rata-

rata yang ditaksir untuk faktor dan level yang telah dipilih dari eksperimen

matriks orthogonal adalah valid. Hal ini perlu dilakukan bila digunakan

percobaan pemeriksaan dengan resolusi rendah dan berbentuk faktorial

fraksional. Karena adanya pencampuran di dalam kolom, kesimpulan yang

 diperoleh harus dianggap sebagai kesimpulan awal hingga dilakukannya

validasi oleh eksperimen konfirmasi. Ketika eksperimen yang digunakan

berbentuk faktorial fraksional dan beberapa faktor memiliki kontribusi

terhadap variasi, terdapat kemungkinan bahwa kombinasi terbaik dari faktor

dan level tidak terlihat pada kombinasi pengujian matriks orthogonal.

Rumusnya adalah sebagai berikut:

Cl [ 1 1
= F(0,1 ;1 ;2) x MS e x neff + r ]
Dimana r adalah ukuran sampel yang digunakan (jumlah replikasi) untuk

eksperimen konfirmasi (r tidak sama dengan 0).

3.6.3.2. Strategi Pooling Up

Strategi pooling up dirancang Taguchi untuk mengestimasi variansi error

pada analisis varians. Sehingga estimasi yang dihasilkan akan lebih baik, karena

strategi ini akan mengakumulasikan beberapa variansi error dari beberapa faktor

yang kurang berarti. Strategi ini menguji F efek kolom terkecil terhadap yang

lebih besar berikutnya untuk melihat kesignifikasiannya. Dalam hal ini jika tidak

ada rasio F signifikan yang muncul maka kedua efek tersebut di pooling untuk

menguji kolom yang lebih besar berikutnya sampai rasio F yang signifikan

muncul. Strategi pooling up cenderung memaksimasi jumlah kolom yang

dipertimbangkan signifikan. Dengan keputusan signifikan faktor-faktor tersebut

akan digunakan dalam putaran percobaan selanjutnya atau desain produk/proses.

 Pada pooling up dilakukan dengan ketentuan nilai MShitung MSerror.

Penentuan error ini dilakukan dengan metode pooling up yaitu mengumpulkan

faktor-faktor yang tidak signifikan sebagai error. Pada pooling up dilakukan

dengan ketentuan nilai MShitung MSerror. Pooling up bertujuan untuk melihat

faktor yang berpengaruh secara signifikan terhadap terjadinya penurunan kualitas

produk sehingga dapat diatasi dengan segera.

3.6.3.3. Uji F

Hasil analisis varians tidak membuktikan adanya perbedaan perlakuan dan

pengaruh faktor-faktor dalam percobaan, pembuktian ini dilakukan uji hopotesa F.

Uji hipotesa dilakukan dengan cara membandingkan variansi yang disebabkan

masing-masing faktor dan variansi error. Variansi error adalah variansi setiap

individu dalam pengamatan yang timbul karena faktor-faktor yang tidak dapat

dikendalikan. Uji F dihitung dengan rumus:

Mean Square
F= Mean Square Error

3.6.3.4. Rasio SN

Rasio S/N (rasio Signal To Noise) digunakan untuk memilih faktor-faktor

yang memiliki kontribusi pada pengurangan variasi suatu respon. Rasio S/N

merupakan rancangan untuk transformasi pengulangan data ke dalam suatu nilai

yang merupakan ukuran variasi yang timbul. Penggunaan rasio S/N untuk

mengetahui level fakor mana yang berpengaruh pada hasil eksperimen. Rasio S/N
mempunyai keuntungan dibandingkan dengan simpangan kuadrat rata-rata. Jika

niali target diubah, maka kondisi optimal yang diperoleh dengan memaksimalkan

rasio S/N akan tetap valid. Berdasarkan pendekatan loss function, karakteristik

kualitas yang terukur menurut Taguchi dapat dibagi menjadi tiga kategori, yaitu:

1. Semakin kecil semakin baik (Lower is Better)

Adalah karakteristik kualitas dengan batas nilai 0 dan non negatif. Nilai

semakin kecil (mendekati nol adalah yang diinginkan).

S/N1 = -10 log10 (MSD1)

2. Tertuju pada nilai tertentu (Nominal is best)

Karakteristik kualitas dengan nilai atau target tidak nol dan terbatas. Atau

dengan kata lain nilai yang mendekati suatu nilai yang ditentukan adalah yang

terbaik.

S/N = -10 log Ve

3. Semakin besar semakin baik (Higher is Better)

Karakteristik kualitas dengan rentang nilai tak terbatas dan non negatif. Nilai

semakin besar adalah semakin yang diinginkan. Grafik karakteristik kualitas

dapat dilihat pada Gambar 3.4. (Soejanto, 2009)

Gambar 3.3. Grafik Karakteristik Kualitas