Anda di halaman 1dari 24
LAPORAN PRAKTIKUM PENGENDALIAN KUALITAS STATISTIK MODUL 2 PENGENDALIAN KUALITAS STATISTIK RESIDU KARBON PADA PRODUK MINYAK

LAPORAN PRAKTIKUM

PENGENDALIAN KUALITAS STATISTIK MODUL 2

PENGENDALIAN KUALITAS STATISTIK RESIDU KARBON PADA PRODUK MINYAK SOLAR PT. P

 

Disusun Oleh :

Anisa Nur Fadhilah

(1314100047)

Dedi Setiawan

(1314100071)

Asisten Dosen :

Annisa Hasanah Ziarieputi

(13131000085)

Dosen:

Dr. Muhammad Mashuri, M.T Diaz Fitra Aksioma. S.Si. M.S

PROGRAM STUDI SARJANA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

2017

HALAMAN JUDUL

i

STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2017 HALAMAN JUDUL i
LAPORAN PRAKTIKUM PENGENDALIAN KUALITAS STATISTIK MODUL 2 PENGENDALIAN KUALITAS STATISTIK RESIDU KARBON PADA PRODUK MINYAK

LAPORAN PRAKTIKUM

PENGENDALIAN KUALITAS STATISTIK MODUL 2

PENGENDALIAN KUALITAS STATISTIK RESIDU KARBON PADA PRODUK MINYAK SOLAR PT. P

 

Disusun Oleh :

Anisa Nur Fadhilah

(1314100047)

Dedi Setiawan

(1314100071)

Asisten Dosen :

Annisa Hasanah Ziarieputi

(13131000085)

Dosen:

Dr. Muhammad Mashuri, M.T Diaz Fitra Aksioma. S.Si. M.Si

PROGRAM STUDI SARJANA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

2017

i

ABSTRAK

Bahan Bakar Minyak (BBM) merupakan salah satu kebutuhan paling penting bagi masyarakat baik di desa maupun di kota. Hampir seluruh sektor kehidupan manusia tak lepas dengan kebutuhan

akan BBM, karena tingginya permintaan BBM perusahaan dari Indonesia maupun perusahaan asing seperti PT P, Chevron, Shell, dll telah berdiri di Indonesia. Solar merupakan salah satu BBM yang kini bisa dikatakan menjadi kebutuhan primer bagi masyarakat baik untuk kebutuhan pribadi maupun kebutuhan umum. Solar adalah salah satu jenis bahan bakar yang dihasilkan dari proses pengolahan minyak bumi, pada dasarnya minyak mentah dipisahkan fraksi-fraksinya pada proses destilasi sehingga dihasilkan fraksi solar dengan titik didih 250°C sampai 300°C. Agar perusahaan dapat menghasilkan solar dengan kualitas yang baik maka perusahaan perlu melakukan pengendalian mutu. Salah satu metode pengendalian mutu dapat dilakukan melalui Statistical Process Control (SPC). Tools yang

̅

digunakan pada praktikum kali ini adalah dengan menggunakan peta kontrol . Pada praktikum

kali ini akan menganalisis karakteristik kualitas solar untuk mengendalikan residu karbon. Analisis peta

̅

kontrol akan dikaitkan dengan sepuluh aturan Shewhart, dengan mengaitkan dua hal ini maka perusahaan akan mendapatkan tanda-tanda atau peringatan bahwa produk yang dihasilkan akan out of control. Ketika perusahaan mendapatkan peringatan bahwa proses produksi memiliki kecenderungan produk yang akan dihasilkan adalah out of control maka perusahaan dapat melakukan tindakan- tindakan guna memperbaiki proses agar produk yang dihasilkan akan masuk dalam batas spesifikasi. Kata kunci: BBM, Indonesia, peta kendali, proses, Shewhart , solar

ii

DAFTAR ISI

HALAMAN JUDUL ABSTRAK DAFTAR ISI

 

i

ii

iii

DAFTAR

GAMBAR

iv

DAFTAR

TABEL

v

BAB I PENDAHULUAN

1

1.1 Latar Belakang

1

1.2 Rumusan Masalah

2

1.3 Tujuan

2

1.4 Manfaat

2

1.5 Batasan Masalah

2

BAB II TINJAUAN PUSTAKA

3

2.1

Karakteristik Data

3

2.1.1 Mean

 

3

2.1.2 Varians

3

2.1.3 Standar Deviasi

3

2.1.4 Range

3

2.1.5 Boxplot

4

2.1.6 Uji Keacakan

4

2.2

Uji Normalitas

4

2.3

Peta Kendali X S

5

2.4

Aturan Shewhart Control Chart

5

2.5

Mengatasi Out of Control

6

2.6

Kapabilitas Proses

6

2.7

Probabilitas Produk yang Berada di Luar Batas Spesifikasi

7

2.9

Residu Karbon

7

BAB III METODOLOGI PENELITIAN

8

3.1 Sumber Data

 

8

3.2 Variabel Penelitian

8

3.3 Struktur Data

8

3.4 Langkah

Analisis

8

3.5 Diagram

Alir

8

BAB IV ANALISIS DAN PEMBAHASAN

10

4.1 Statistika Deskriptif

 

10

4.2 Uji Asumsi

11

4.1.1 Uji Keacakan Data

11

4.1.2 Uji

Normalitas

 

11

4.3 Peta Kendali

X - S

12

4.4 Kapabilitas dan Probabilitas

14

BAB V KESIMPULAN DAN SARAN

16

5.1 Kesimpulan

 

16

5.2 Saran

16

DAFTAR PUSTAKA LAMPIRAN

iii

DAFTAR GAMBAR

Gambar 2. 1 Contoh Control Chart

Gambar 3. 1 Diagram Alir Praktikum Penelitian Gambar 4. 1 Boxplot untuk Data Residu Karbon PT P Gambar 4. 2 Histogram Residu Karbon Dalam Produksi Minyak Solar PT. P

Gambar 4. 3 Uji Kolmogorov Smirnov

Gambar 4. 4 Peta Kendali Gambar 4. 5 Peta Kendali Gambar 4. 6 Peta Kendali

Gambar 4. 7 Grafik Kapabilitas Proses Data Residu Karbon Produksi Minyak Solar PT. P .14

5

X S

9

10

12

12

13

13

14

X

X

  S S

X S

Belum Terkontrol

Setelah Pembuangan Pertama Setelah Pembuangan Kedua (Sudah Terkontrol)

iv

DAFTAR TABEL

Tabel 3. 1 Struktur Data

8

Tabel 4. 1 Output Minitab Statistika Deskriptif Data Residu Karbon PT. P

10

Tabel 4. 2 Nilai Uji Run Test

11

v

BAB I PENDAHULUAN

PENDAHULUAN

1.1 Latar Belakang

Bahan Bakar Minyak (BBM) merupakan salah satu kebutuhan paling penting bagi masyarakat baik di desa maupun di kota. Hampir seluruh sektor kehidupan manusia tak lepas dengan kebutuhan akan BBM. Dalam sektor pangan misalnya tanpa ada BBM berupa solar tentu distribusi bahan pangan ke tempat-tempat perdagangan akan lambat dan mengakibatkan kerugian bagi produsen pangan. Pada sektor transportasi umum misalnya jika distribusi BBM mengalami gangguan akan membuat mobilisasi penumpang terganggu. BBM telah menjadi indikator harga-harga barang di pasar, misal terjadi kenaikan harga BBM semua harga barang maupun jasa juga pasti akan meningkat. Pentingnya BBM bagi masyarakat menyebabkan banyak produsen atau perusahaan yang berlomba-lomba mendirikan usaha untuk memenuhi

kebutuhan masyarakat akan BBM ini. Perusahaan dari Indonesia maupun perusahaan asing seperti PT P, Chevron, Shell, dll telah berdiri di Indonesia. Solar merupakan salah satu BBM yang kini bisa dikatakan menjadi kebutuhan primer bagi masyarakat baik untuk kebutuhan pribadi maupun kebutuhan umum. Kebutuhan pribadi digunakan untuk bahan bakar kendaraan pribadi sedangkan kebutuhan umum digunakan sebagai bahan bakar transportasi umum. Solar adalah salah satu jenis bahan bakar yang dihasilkan dari proses pengolahan minyak bumi, pada dasarnya minyak mentah dipisahkan fraksi-fraksinya pada proses destilasi sehingga dihasilkan fraksi solar dengan titik didih 250°C sampai 300°C. Kualitas solar dinyatakan dengan bilangan cetane (pada bensin disebut oktan), yaitu bilangan yang menunjukkan kemampuan solar mengalami pembakaran di dalam mesin serta kemampuan mengontrol jumlah ketukan (knocking), semakin tinggi bilangan cetane ada solar maka kualitas solar akan semakin bagus. Agar menghasilkan pembakaran yang baik, solar memiliki syarat-syarat agar memenuhi standar yang telah ditentukan. Berikut persyaratan yang menentukan kualitas solar yaitu mudah terbakar, tidak mudah mengalami pembekuan pada suhu yang dingin, memiliki sifat anti knocking dan membuat mesin bekerja dengan lembut, solar harus memiliki kekentalan yang memadai agar dapat disemprotkan oleh ejector di dalam mesin, tetap stabil atau tidak mengalami perubahan struktur; bentuk dan warna dalam proses penyimpanan, memiliki kandungan sulfur sekecil mungkin, agar tidak berdampak buruk bagi mesin kendaraan serta tidak menimbulkan polusi (Anonim, 2015). Agar perusahaan dapat menghasilkan solar dengan kualitas yang telah disebutkan sebelumnya maka perusahaan perlu melakukan pengendalian mutu. Salah satu metode pengendalian mutu dapat dilakukan melalui Statistical Process Control (SPC). Tools yang digunakan pada praktikum kali ini adalah dengan menggunakan peta kontrol. Peta kontrol yang digunakan pada praktikum kali ini adalah peta kontrol S. S dalam S Chart menandai Sigma (σ) atau Standard Deviation Chart hendaknya digunakan untuk mendeteksi apakah karakteristik

Chart sehingga

proses stabil. Oleh karena itu, S Chart biasanya diplot bersama dengan

memberi gambaran mengenai variasi proses lebih baik. Peta kendali standar deviasi digunakan untuk mengukur tingkat keakurasian suatu proses (G, 2012). Pada praktikum kali ini akan menganalisis karakteristik kualitas solar untuk mengendalikan residu karbon. Residu karbon adalah karbon yang tertinggal setelah penguapan dan pembakaran habis suatu bahan yang diuapkan dari minyak, ini menunjukkan kecenderungan bahan bakar untuk membentuk endapan karbon pada bagian mesin ( torak )

̅

̅

(Anonim, 2015). Dengan peta kontrol dapat menganalisis apakah solar yang dihasilkan

̅

memiliki residu karbon sesuai dengan batas spesifikasi atau tidak. Analisis peta kontrol

akan dikaitkan dengan sepuluh aturan Shewhart, dengan mengaitkan dua hal ini maka perusahaan akan mendapatkan tanda-tanda atau peringatan bahwa produk yang dihasilkan akan out of control. Ketika perusahaan mendapatkan peringatan bahwa proses produksi memiliki kecenderungan produk yang akan dihasilkan adalah out of control maka perusahaan dapat

1

melakukan tindakan-tindakan guna memperbaiki proses agar produk yang dihasilkan akan masuk dalam batas spesifikasi.

1.2 Rumusan Masalah Permasalahan yang muncul yang digunakan sebagai acuan untuk melakukan analisis

pada praktikum kali ini adalah sebagai berikut.

1.

Bagaimana karakteristik pada data residu karbon hasil produksi minyak solar PT. P?

2.

Bagaimana asumsi keacakan dan normalitas untuk data nilai residu karbon hasil produksi minyak solar PT. P?

̅

3.

Bagaimana diagram pada data residu karbon hasil produksi minyak solar PT. P?

4.

Bagaimana kapabilitas proses dan probabilitas residu karbon hasil produksi minyak solar

PT. P keluar dari batas spesifikasi yang diharapkan (0% < < 10%)?

1.3

Tujuan Berdasarkan perumusan masalah tersebut maka tujuan diadakan praktikum ini adalah

sebagai berikut.

1.

Untuk menganalisis karakteristik pada data residu karbon hasil produksi minyak solar PT.

P

2.

Untuk menganalisis asumsi keacakan dan normalitas untuk data nilai residu karbon hasil produksi minyak solar PT. P

̅

3.

Untuk menganalisis diagram pada data residu karbon hasil produksi minyak solar PT. P

4.

Untuk menganalisis kapabilitas proses dan probabilitas residu karbon hasil produksi minyak solar PT. P keluar dari batas spesifikasi yang diharapkan (0% < <

10%)

1.4

Manfaat Manfaat yang didapatkan dari penelitian ini adalah dapat memahami materi tentang

pengendalian kualitas statistik pada peta kendali

1.5 Batasan Masalah Batasan masalah yang digunakan dalam praktikum kali ini adalah salah satu karakteristik

kualitas saja yaitu pada variabel residu karbon.

X S

, aturan shewhart dan nilai kapabilitas.

2

BAB II TINJAUAN PUSTAKA

TINJAUAN PUSTAKA

2.1 Karakteristik Data

Statistik deskriptif atau statistik deduktif adalah bagian dari statistik mempelajari cara pengumpulan data dan penyajian data sehingga mudah dipahami. Statistik deskriptif hanya berhubungan dengan hal menguraikan atau memberikan keterangan-keterangan mengenai suatu data atau keadaan atau fenomena. Dengan kata lain, statistik deskriptif berfungsi menerangkan keadaan, gejala, atau persoalan. Penarikan kesimpulan pada statistik deskriptif (jika ada) hanya ditujukan pada kumpulan data yang ada.

2.1.1 Mean

Rata-rata atau yang sering kita sebut juga dengan mean merupakan rasio dari total nilai pengamatan dengan banyaknya pengamatan. Bila data dari perubah acak sebanyak buah dinotasi dengan 1 + 2 + 3 + ⋯ + . Rumus yang digunakan untuk menghitung mean atau rata-rata adalah

(2.1)

Keterangan ̅ = data ke-i = banyaknya data

̅=

=1

2.1.2 Varians

Varians adalah nilai kuadrat dari standar deviasi. Rumus yang digunakan untuk menghitung varians adalah

(2.2)

2 =

=1 1

( −̅)

2

Keterangan:

2 = Varians

= Nilai ke-i ̅ = Rata-rata = Banyak data

2.1.3 Standar Deviasi Standar deviasi adalah akar dari jumlah kuadrat deviasi dibagi dengan banyaknya data.

= √ 2

(2.3)

Keterangan:

= Standar deviasi = Nilai ke-i ̅= Rata-rata = Banyak data

2.1.4 Range

Range adalah selisih atau jarak antara nilai maksimum dan nilai minimum. Rumus yang digunakan untuk menghitung range adalah

Keterangan:

= Range (jangkauan)

= Range maksimum = Range minimum

=

3

(2.4)

2.1.5

Boxplot Boxplot (juga dikenal sebagai diagram box-and-whisker) merupakan suatu box (kotak

berbentuk bujur sangkar). Boxplot adalah salah satu cara dalam statistik deskriptif untuk menggambarkan secara grafik dari data numeris melalui lima ukuran sebagai berikut:

1. Nilai observasi terkecil,

2. Kuartil terendah atau kuartil pertama (Q1), yang memotong 25 % dari data terendah

3. Median (Q2) atau nilai pertengahan

4. Kuartil tertinggi atau kuartil ketiga (Q3), yang memotong 25 % dari data tertinggi

5. Nilai observasi terbesar.

Dalam boxplot juga ditunjukkan, jika ada, nilai outlier dari observasi. Boxplot dapat digunakan untuk menunjukkan perbedaan antara populasi tanpa menggunakan asumsi distribusi statistik yang mendasarinya. Karenanya, boxplot tergolong dalam statistik non-parametrik. Jarak antara bagian-bagian dari box menunjukkan derajat dispersi (penyebaran) dan skewness

(kecondongan) dalam data. Dalam penggambarannya, boxplot dapat digambarkan secara horizontal maupun vertikal. (Junaidi, 2010)

2.1.6 Uji Keacakan

Uji Keacakan dilakukan untuk mengetahui apakah sekumpulan data yang diamati tersebut telah diambil secara acak atau tidak. Uji Keacakan ini didasarkan pada adanya runtun. Runtun adalah deretan huruf-huruf atau tanda-tanda yang identik yang diikuti oleh satu huruf atau satu tanda yang berbeda secara berkesinambungan membentuk suatu barisan huruf/tanda (Daniel, 1898). Berikut perumusan Hipotesis :

0 : Data pengamatan telah diambil secara acak dari suatu populasi 1 : Data pengamatan yang diambil dari populasi tidak acak Statistik Uji :

(2.5)

Apabila nilai < atau > , maka ditarik keputusan Tolak 0 . Nilai

dan diperoleh dari tabel nilai kritis untuk runtun pada nilai ( 1 , 2 ) (Daniel, 1898) Dengan 1 = banyak data bertanda (+) 2 = banyak data bertanda (-) Rumus untuk nilai > 20 adalah sebagai berikut

= banyaknya runtun yang terjadi

=

=

−(

2 1 2 1 +

2 +1)

2 1 2 (2 1 2 1 2 ) ( 1 + 2 ) 2 ( 1 + 2 −1)

(2.6)

2.2 Uji Normalitas Uji Normalitas dilakukan sebelum menganalisis suatu permasalahan lebih lanjut. Jika data

yang dianalisis tidak berdistribusi Normal maka akan terjadi kesulitan dalam menurunkan

distribusi sampling ̅dan . Berikut uji Normalitas untuk data bersifat kontinu menggunakan Kolmogorov-Smirnov. Hipotesis

0 : 0 () =

1 : 0 ()

merupakan fungsi distribusi

yang belum diketahui. Berikut statistik uji untuk pengujian normalitas. Statistik Uji :

(2.7)

() adalah fungsi peluang kumulatif data. Apabila nilai > 1 − , maka dapat ditarik

kesimpulan Tolak 0 . Bila menggunakan paket program Minitab, maka uji Normalitas dapat

dilakukan dengan membandingkan P-value dengan

() untuk semua nilai

≠ () untuk semua nilai

0 () adalah fungsi distribusi yang dihipotesiskan dan

= |() − 0 ()|

(0,05).

F(x)

4

2.3 Peta Kendali

Peta kendali (control chart) adalah peta dengan batas kendali atas (UCL/Upper Control Limit) dan batas kendali bawah (LCL/Lower Control Limit), di mana di dalam peta tersebut tergambar nilai-nilai beberapa ukuran statistik untuk suatu rangkaian sampel atau subgroup dan sebuah garis tengah yang membantu dalam menunjukkan kecenderungan nilai-nilai tergambar

itu terhadap batas kendali (O & Syahu, 2006). Salah satu peta kendali adalah peta kendali x - S, peta kendali ini diganakan untuk melihat variabilitas dari proses produksi. Peta kendali ini digunakan apabila ukuran sampel cukup besar ( n ≥ 10 ), peta kendli ini juga lebih sensitif bila dibandingkan dengan peta kendali R. Oleh karena itu, doagram kontrol yang tepat adalah

diagram

X S

X dan S, dengan S merupakan akar dari variansi sampel (S 2 ), dengan

S

2

n

i 1

x

i

x

2

n 1

(2.8)

Jika σ 2 diketahui, maka batas kontrol untuk diagram S 2 adalah:

UCL  c  3 1 c 2 4 4 LCL  c  
UCL 
c
 3 1
c
2
4
4
LCL 
c
  3 1
c
2
4
4

(2.9)

Sedangkan jika tidak diketahui, maka ditaksir dengan rata-rata deviasi standar sampel

S ). Sehingga jika diketahui m sampel pendahuluan yang masing-masing berukuran n, dan S i adalah deviasi standar sampel ke-i, maka taksiran dari adalah

(

1 S  m
1
S 
m

m

i 1

S

i

(2.10)

dengan demikian batas kontrol untuk diagram S adalah

UCL B S

4

dan

LCL B S

3

sedangkan untuk batas kontrol diagram ̅ adalah

UCL

LCL

x

3

3

S

 

A S

x A

(2.11)

(2.12)

(2.13)

(Montgomery, 2009)

Berikut ini merupakan contoh dari peta kendali X S

Berikut ini merupakan contoh dari peta kendali X  S Gambar 2. 1 Contoh Control Chart

Gambar 2. 1 Contoh Control Chart

X S

(Mubarok, 2016)

2.4 Aturan Shewhart Control Chart

Menurut Mamzic (1995), penggunaan aturan batas ±3 dan aturan pola nonrandom memberikan konsekuensi, berdasarkan hukum statistika, hanya ada 3 titik dari 1000 titik yang memberikan sinyal out-of-control padahal kondisi sistem tetap terkontrol secara statistik. Beberapa pola nonrandom ini disebut dengan aturan shewhart, diantaranya :

5

1.

1 titik keluar dari batas

2.

2 dari 3 titik yang berurutan berada diluar batas 2σ

3.

4 dari 5 titik yang berurutan bearada diluar batas

4.

Ada 8 titik berurutan berada pada satu sisi saja

5.

Ada 6 titik berurutan secara naik konsatan naik atau turun

6.

Ada 15 titik berurutan di batas 1σ ada diatas atau dibawah garis tengah

7.

Ada 14 titik yang bergantian naik turun

8.

Ada 8 titik berurutan berada kedua sisi center line tetapi tidak ada berada di zona 1σ

9.

Ada pola tertentu dalam data

10.

Satu atau lebih titik didekat

(Montgomery, 2005)

2.5

Mengatasi Out of Control

Data yang dianalisis apabila terdapat data yang out of control maka perlu dihilangkan. Jika pada peta kendali̅− terdapat out of control maka menghapus data berdasarkan peta S baru kemudian pada peta ̅, begitu juga pada peta kendali ̅− jika terdapat out of control maka menghapus data berdasarkan peta R baru kemudian pada peta ̅. Kemudian dilihat apakah masih terdapat data yang out of control, jika masih terdapat data yang out of control dianalisis kembali hingga tidak ditemukan lagi data yang out of control yang berarti data sudah stabil.

2.6 Kapabilitas Proses

Kapabilitas proses adalah suatu studi keteknikan guna menaksir kemampuan proses. Dalam arti ini, analisis kemampuan proses dapat dilakukan tanpa mengingat spesifikasi pada karakteristik kualitas. Kapabilitas proses biasanya mengukur parameter fungsional pada produk, bukan pada proses itu sendiri. Kapabilitas proses adalah bagian yang sangat penting dari keseluruhan program peningkatan kualitas. Berbagai kegunaan kapabilitas proses yaitu

memprakirakan seberapa baik proses akan memenuhi toleransi, membantu pengembangan atau perancangan produk dalam memilih atau mengubah proses, membantu dalam pembentukan interval untuk pengendalian interval antara pengambilan sampel, menetapkan persyaratan

penampilan bagi alat baru, memilih diantara penjual yang bersaing, merencanakan urutan proses produksi apabila ada pengaruh interaktif proses pada toleransi, dan mengurangi varibilitas dalam proses produksi (Montgomery, 2009).Syarat-syarat proses yang kapabel yaitu:

a. Proses terkendali secara statistik.

b. Memenuhi batas spesifikasi.

c. Presisi dan akurasi proses tinggi. Adapun yang perlu diperhatikan dalam kapabilitas proses adalah sebagai berikut:

1. Indeks Indeks Cp digunakan untuk menyatakan tingkat presisi. Presisi adalah ukuran kedekatan

antara satu pengamatan dengan pengamatan lain yang ukurannya dapat ditunjukkan oleh variabilitas (). Nilai Cp merupakan rasio antara penyebaran yang diijinkan dengan penyebaran proses aktual. Secara matematis ditunjukkan oleh persamaan berikut ini:

(2.15)

USL

LSL

Cp

6

,untuk kasus 2 spesifikasi

Cp

USL

x

3

atau Cp

LSL

x

3

, untuk kasus 1 spesifikasi

(2.16)

2. Indeks

Indeks Cpk digunakan untuk menyatakan tingkat presisi dan akurasi. Akurasi adalah ukuran kedekatan hasil pengamatan dengan nilai terget (Montgomery, 2009). Rumusan untuk

Cpk yaitu:

(2.17)

Cpk min   

USL

x

3

 

,

   

LSL  

x

3



6

2.7

Probabilitas Produk yang Berada di Luar Batas Spesifikasi

Menurut Montgomery (2005), untuk menghitung probabilitas produk yang berada diluar spesifikasi maka standar deviasi dari data harus diketahui dengan perhitungan berikut:

(2.18)

Batas spesifikasi yang sudah ditentukan adalah LCL dan UCL. Dengan asumsi lebar alirannya berdistribusi Normal maka probabilitas produk yang diluar batas spesifikasi adalah

(2.19)

(2.20)

̅

= 2

= { < } + { > }

ɸ ( ) + 1 − ɸ (

)

=

Keterangan :

ɸ : luasan pada tabel distribusi normal standar

LCL : Batas spesifikasi bawah

UCL

2

2.9 Residu Karbon

Karbon residu adalah kecenderungan suatu bahan bakar untuk membentuk deposit karbon melalui proses kimia di bawah suhu tinggi dan dalam kondisi inert. Karbon residu dibedakan atas residu karbon dan coke (arang/kokas). Residu karbon tidak seluruhnya karbon sedangkan coke berasal dari pengubahan karbon karena proses pirolisis. Terdapat hubungan antara karbon residu dan oAPI gravity minyak dan juga konstituen aspaltik. Untuk (% massa) karbon residu tinggi, maka semakin tinggi pula (% massa) kandungan aspaltik, berarti minyak tersebut tidak mudah menguap (non volatil). Hal ini terutama dianggap sebagai produk sampingan dari pembakaran bahan bakar. Karbon Residu ialah partikel sisa dari produk bahan bakar yang tertransformasi. Ketika bensin dibakar dan digunakan oleh mesin kendaraan bermotor dalam proses evaporasi dan pirolisis akan menghasilkan pembuangan yang mengandung karbon monoksida dan kokas/arang (Rozi, 2015).

: Batas spesifikasi atas : nilai yang didapatkan pada tabel statistika

7

BAB III METODOLOGI PENELITIAN

METODOLOGI PENELITIAN

3.1 Sumber Data Data yang digunakan dalam praktikum ini adalah data sekunder yang diperoleh dari data

Tugas Akhir dengan judul “Produk Minyak Solar PT P”.

3.2 Variabel Penelitian Variabel penelitian yang digunakan dalam praktikum ini adalah data residu karbon dari

produksi solar yang dihasilkan oleh PT P.

3.3 Struktur Data Adapun struktur data yang digunakan dalam analisis ini adalah sebagai berikut.

Tabel 3. 1 Struktur Data

Jumlah

Ukuran Subgrup

 

̅

Subgrup

1

2

n

1

11

 

12

1

̅ 1

1

2

21

22

2

̅

2

2

m

1

2

̅

Keterangan:

̅

3.4 Langkah Analisis Untuk melakukan praktikum ini langkah-langkah analisis yang dilakukan adalah sebagai

berikut.

: jumlah subgrup : ukuran subgrup : data pengamatan ke-m pada subgrip ke-n

: rata-rata per subgrup : standar deviasi per subgrup

1. Mengidentifikasi masalah yang akan diamati.

2. Menganalisis karakteristik data.

3. Menguji keacakan dan normalitas data residu karbon di PT P.

̅

4. Menganalisis peta kontrol dengan aturan Shewhart.

5. Manganalisis kapabilitas proses.

6. Menarik kesimpulan

3.5 Diagram Alir

Diagram alir menggambarkan alur pengerjaan praktikum ini, mulai dari proses perumusan masalah hingga penarikan kesimpulan dan saran. Berdasarkan langkah analisis

didapatkan diagram alir sebagai berikut.

Mulai
Mulai

Indentifikasi masalah

langkah analisis didapatkan diagram alir sebagai berikut. Mulai Indentifikasi masalah Menganalisis karakterisik data A 8

Menganalisis karakterisik data

A
A

8

A Tidak Uji Normal normalitas data Normal Tidak Acak Uji keacakan data Acak Membuat peta
A
Tidak
Uji
Normal
normalitas
data
Normal
Tidak
Acak
Uji keacakan
data
Acak
Membuat
peta kendali
Terkendali

Menghitung kapabilitas proses

peta kendali Terkendali Menghitung kapabilitas proses Kesimpulan dan saran Selesai Data diasumsikan berdistribusi

Kesimpulan dan saran

Selesai
Selesai
Data diasumsikan berdistribusi normal
Data diasumsikan
berdistribusi normal
dan saran Selesai Data diasumsikan berdistribusi normal Data diasumsikan telah diambil secara acak Tidak terkenda-
Data diasumsikan telah diambil secara acak
Data diasumsikan telah
diambil secara acak
normal Data diasumsikan telah diambil secara acak Tidak terkenda- Identifikasi penyebab out li of control
Tidak terkenda- Identifikasi penyebab out li of control berdasarkan aturan Shewhart
Tidak
terkenda-
Identifikasi penyebab out
li
of control berdasarkan
aturan Shewhart
Identifikasi penyebab out li of control berdasarkan aturan Shewhart Gambar 3. 1 Diagram Alir Praktikum Penelitian

Gambar 3. 1 Diagram Alir Praktikum Penelitian

9

BAB IV ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

4.1 Statistika Deskriptif Karakteristik data residu karbon di PT P dapat diketahui dengan cara melihat statistika

deskriptif. Berikut merupakan statistika deskriptif untuk data residu karbon di PT P.

2 3 4 5 6 7

8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0

1

20 15 10 5 0 Data
20
15
10
5
0
Data

Gambar 4. 1 Boxplot untuk Data Residu Karbon PT P

Dari gambar 4.1 dapat kita ketahui bahwa setiap subgrup memiliki rata-rata dan varians yang berbeda. Dalam setiap subgrup juga terlihat masing-masing terdapat data yang outlier, untuk melihat lebih lanjut dapat dilakukan perhitungan statistika deskriptif untuk setiap subgrup dengan menggunakan minitab.

Tabel 4. 1 Output Minitab Statistika Deskriptif Data Residu Karbon PT. P

Variable

Mean

StDev

Variance

Minimum

Maximum

1

3,591

1,998

3,991

1,500

6,500

2

6,72

4,91

24,07

1,50

18,90

3

3,727

1,549

2,398

0,500

6,500

4

4,955

2,405

5,784

1,000

9,500

5

5,455

2,857

8,165

2,000

9,500

6

5,136

2,351

5,528

1,500

9,500

7

4,091

1,586

2,515

2,000

7,500

8

5,727

1,778

3,160

2,000

7,500

9

5,182

1,881

3,537

1,500

8,000

10

6,273

2,334

5,446

1,000

10,000

11

6,727

3,654

13,351

1,500

13,000

12

4,909

4,219

17,801

1,500

16,000

13

5,773

4,284

18,351

1,500

13,500

14

6,136

1,916

3,671

2,500

8,000

15

6,727

2,004

4,017

3,500

10,500

16

5,545

2,483

6,165

2,000

10,000

17

5,091

2,102

4,420

1,000

7,500

18

7,182

2,847

8,108

2,000

13,000

19

5,000

2,278

5,190

1,500

7,500

20

5,136

2,489

6,195

1,500

9,500

21

4,545

4,009

16,069

1,500

16,000

10

22

5,636

1,692

2,861

2,500

7,500

23

4,955

2,087

4,355

1,000

8,000

24

5,182

2,666

7,108

1,500

9,000

25

5,218

2,549

6,499

1,500

9,900

26

5,455

3,306

10,926

1,500

11,500

27

6,40

4,72

22,32

1,00

18,90

28

5,036

3,481

12,119

1,500

13,000

29

4,364

2,821

7,957

1,000

9,500

30

4,091

2,022

4,087

1,500

8,000

Melalui perhitungan statistika deskriptif dengan minitab dapat diketahui bahwa rata-rata dan varians tiap observasi adalah berbeda. Subgrup ke-18 memiliki nilai rata-rata paling tinggi yaitu sebesar 7,182. Varians terbesar terletak pada subgrup ke 13 yaitu sebesar 18,351.

4.2 Uji Asumsi

Sebelum untuk melakukan analisis kapabilitas proses produksi minyak solar PT. P maka data harus acak dan berdistribusi normal, dalam penelitian ini karakteristik kualitas solar yang di analisis adalah residu karbon , berikut untuk pengujian keacakan menggunakan run test dan

normalitas menggunakan kolmogorov-smirnov.

4.1.1 Uji Keacakan Data

Menguji keacakan data residu karbon proses produksi solar , merupakan salah satu syarat yang harus dipenuhi sebelum melakukan analisis kapabilitas. Tabel berikut merupakan hasil

pengujian dengan metode run test dengan software Minitab.

Tabel 4. 2 Nilai Uji Run Test

Output

Nilai

X

5,332

r

137

n

1

160

n

2

170

p-value

0,001

Berdasarkan Tabel 4.2 didapatkan nilai statistik uji r = 137 dengan n 1 = 160 dan n 2 = 170. Nilai p-value yang didapatkan dari pengujian keacakan tersebut diperoleh angka 0,001, sehingga dapat diputuskan tolak H 0 karena nilai p-value (0,001) < (0,05). Sehingga dapat disimpulkan bahwa data residual karbon dalam proses produksi minyak solar PT. P tidak acak, namun dalam analisis selanjutnya data diasumsikan menyebar secara acak. Selanjutnya akan diuji normalitas

4.1.2 Uji Normalitas

Asumsi kedua yang harus dipenuhi adalah data telah berdistribusi normal. Cara mengetahui apakah data berdistribusi normal atau tidak dapat menggunakan histogram dan juga

melakukan pengujian menggunakan kolmogorov-smirnov. Berikut pengecekan dsitribusi normal menggunakan histogram.

11

Normal 60 Mean 5,332 StDev 2,940 N 330 50 40 30 20 10 0 0
Normal
60
Mean
5,332
StDev
2,940
N
330
50
40
30
20
10
0
0
6
9
12
15
18
Residu Karbon
Frequency

Gambar 4. 2 Histogram Residu Karbon Dalam Produksi Minyak Solar PT. P

Berdasarkan Gambar 4.2 dapat dilihat bahwa grafik tidak membentuk normal atau skewness kanan sehingga jika dilihat secara visual dapat dikatakan bahwa sudah tidak berdistribusi normal. Namun untuk mengetahui lebih teliti lagi maka dilanjutkan dengan uji normalitas menggunakan kolmogorov-smirnov. Hasil pengujian menggunakan software ninitab dapat ditampilkan pada gambar 4.2 sebagai berikut.

Normal 99,9 Mean 5,332 StDev 2,940 99 N 330 KS 0,085 P-Value <0,010 95 90
Normal
99,9
Mean
5,332
StDev
2,940
99
N
330
KS
0,085
P-Value
<0,010
95
90
80
70
60
50
40
30
20
10
5
1
0,1
-5
0
5
10
15
20
Residu Karbon
Percent

Gambar 4. 3 Uji Kolmogorov Smirnov

Dari Gambar 4.3 dapat dilihat bahwa titik-titik merah tidak mengikuti garis normal sehingga dapat di putuskan bahwa data tidak berdistribusi normal. Dengan menggunakan p- value juga dapat diputuskan tolak H 0 karena nilai p-value (0,100) > α (<0,010). Setelah melakukan pengecekan menggunakan histogram dan pengujian menggunakan kolmogorov- smirnov maka dapat disimpulkan bahwa data residual karbon dalam proses produksi minyak solar PT. P tidak berdistribusi normal, namun untuk analisis selanjutnya peneliti mengasumsikan bahwa data berdistribusi normal.

4.3 Peta Kendali

X - S

Untuk mengetahui apakah data dari residu karbon proses pembuatan minyak solar PT P berada diluar kendali, maka dapat menggunakan peta kendali. Untuk membuat peta kendali

dapat dilihat

pada gambar 4.3 berikut

X S

dengan bantuan software minitab, output dari hasil peta kendali

X S

12

8 +3SL=7,989 +2SL=7,104 +1SL=6,218 6 _ _ X=5,332 -1SL=4,446 4 -2SL=3,561 -3SL=2,675 2 1 4
8
+3SL=7,989
+2SL=7,104
+1SL=6,218
6
_
_
X=5,332
-1SL=4,446
4
-2SL=3,561
-3SL=2,675
2
1 4
7
10
13
16
19
22
25
28
Sample
1
1
5
+3SL=4,810
3
+2SL=4,162
4
+1SL=3,514
_
3
S=2,865
-1SL=2,217
2
-2SL=1,569
1
-3SL=0,921
1 4
7
10
13
16
X  S
19
22
25
28
Sample
Gambar 4. 4 Peta Kendali
Belum Terkontrol
Sample StDev
Sample Mean

data residu karbon produksi minyak

solar dengan jumlah subgroup 30 dan ukuran subgroup sebesar 11. Pada gambar tersebut terlihat bahwa masih terdapat data yang tidak terkendali (out of control), karena terdapat titik yang berada di luar batas kendali atas (4,810) untuk peta S yaitu data ke 2, 13, dan 27.

Sedangkan jika dilihat dari peta kendali

keluar dari batas kendali atas maupun bawah. Selanjutnya akan dianalisis penyebab untuk ketiga titik yang berwarna merah. Untuk titik ke-2 dan ke-27 melanggar aturan shewhart pertama yaitu terdapat 1 titik atau lebih yang keluar dari batas 3-sigma. Sedangkan pada titik ke-13 perlu diperhatikan karena untuk titik ini melanggar 2 sekaligus aturan shewhart yaitu aturan kelima dan kesepuluh, aturan kelima adalah ada 6 titik berurutan secara konstan naik dan aturan kesepuluh adalah 1 titik atau lebih berada didekat 3-sigma. Maka, akan dilakukan pembuangan data yang menyebabkan out of control atau keluar dari batas kendali 3-sigma secara satu per satu dengan melakukan maksimal pembuangan sebanyak 2 kali, untuk tahap pembuangan pertama untuk data ke-2 karena data tersebut paling menjauhi batas control. Berikut peta kendali untuk proses pembuangan pertama

Gambar 4.4 merupakan peta kendali untuk

X S

X semua terkendali karena tidak ada rata-rata yang

8 +3SL=7,852 +2SL=6,996 +1SL=6,140 6 _ _ X=5,284 -1SL=4,429 4 -2SL=3,573 -3SL=2,717 2 1 4
8
+3SL=7,852
+2SL=6,996
+1SL=6,140
6
_
_
X=5,284
-1SL=4,429
4
-2SL=3,573
-3SL=2,717
2
1 4
7
10
13
16
19
22
25
28
Sample
1
5
+3SL=4,647
3
4
+2SL=4,021
+1SL=3,395
_
3
S=2,768
-1SL=2,142
2
-2SL=1,516
1
-3SL=0,889
1 4
7
10
13
16
19
22
25
28
Sample
Gambar 4. 5 Peta Kendali X  S Setelah Pembuangan Pertama
Sample StDev
Sample Mean

Berdasarkan Gambar 4.5 dapat dilihat bahwa setelah pembuangan data ke-2 masih ada yang out of control yaitu untuk data ke-26 dan juga masih ada data yang melanggar aturan shewhart yaitu data ke-12 (aturan No. 5 dan No. 10). Selanjutnya dilakukan pembuangan data yang out of control yaitu data ke-26, berikut hasil peta diagram data setelah pembuangan kedua

13

8 +3SL=7,722 +2SL=6,896 +1SL=6,070 6 _ _ X=5,244 -1SL=4,418 4 -2SL=3,592 -3SL=2,767 1 4 7
8
+3SL=7,722
+2SL=6,896
+1SL=6,070
6
_
_
X=5,244
-1SL=4,418
4
-2SL=3,592
-3SL=2,767
1
4
7
10
13
16
19
22
25
28
Sample
5
3
+3SL=4,485
4
+2SL=3,881
+1SL=3,276
3
_
S=2,672
-1SL=2,067
2
-2SL=1,463
1
1
4
7
X  S
-3SL=0,858
10
13
16
19
22
25
28
Sample
Gambar 4. 6 Peta Kendali
Setelah Pembuangan Kedua (Sudah Terkontrol)
Sample StDev
Sample Mean

Setalah dilakukan pembuangan data yang kedua, terlihat pada Gambar 4.6 ternyata tidak ada data yang out of control, namun perlu diwaspadai karena masih ada data yang tidak memenuhi aturan shewhart yaitu untuk data ke-12. Data ke-12 masih melanggar aturan shewart

yang No. 5 dan No. 10. Selanjutnya dilihat untuk peta kendali

ini tidak ada data yang out of control maka selanjutnya dapat dilakukan analisis untuk kapabilitas proses produksi minyak solar dari PT. P yang dilihat dari residu karbonnya.

4.4 Kapabilitas dan Probabilitas

Kapabilitas proses bertujuan untuk mengukur bagaimana proses mampu memenuhi spesifikasi yang dipersyaratkan dengan cara melakukan pengujian capability analysis. Kapabilitas proses produksi minyak solar dari PT. P yang dilihat dari residu karbon, menggunakan batas spesifikasi (5 + 5)%. Jadi untuk proses produksi minyak solar ini diharpakan untuk sisa karbonnya berada pada rentang 0-10%. Hasil dari kapabilitas proses tersebut adalah sebagai berikut.

X , setelah diamati untuk peta

LSL USL Process Data Within LSL 0 Overall Target * Potential (Within) Capability USL 10
LSL
USL
Process Data
Within
LSL
0
Overall
Target
*
Potential (Within) Capability
USL
10
Cp
0,61
Sample Mean
5,24448
CPL
0,64
Sample N
308
CPU
0,58
StDev(Within)
2,7395
Cpk
0,58
StDev(Overall)
2,74921
Overall Capability
Pp
0,61
PPL
0,64
PPU
0,58
Ppk
0,58
Cpm
*
0 3
6
9
12
15
Observed Performance
Exp. Within Performance
Exp. Overall Performance
PPM < LSL
0,00
PPM < LSL
27785,14
PPM < LSL
28219,59
PPM > USL
29220,78
PPM > USL
41290,30
PPM > USL
41835,31
PPM Total
29220,78
PPM Total
69075,45
PPM Total
70054,91

Gambar 4. 7 Grafik Kapabilitas Proses Data Residu Karbon Produksi Minyak Solar PT. P

Dari Gambar 4.7 didapatkan hasil bahwa nilai Cp adalah 0,61 dan nilai Cpk adalah 0,58. Saat nilai Cp < 1, maka dapat disimpulkan kapabilitas proses untuk proses produksi minyak yang dilihat dari kualitas residu karbon masih rendah dalam hal kepresisiannya, sehingga perlu ditingkatkan performansinya melalui perbaikan proses. Sedangkan nilai Cpk < 1 menunjukkan bahwa rata-rata proses masih dibatas spesifikasi yang ditentukan namun belum kabapel dalam hal akurasinya, yang berarti masih ada perbedan antara rata-rata data aktual dan spesifikasinya. Sedangkan pada proses tersebut band yang digunakan sebesar 172% dari spesifikassi yang ditetapkan, yaitu lebih 72% sehingga dapat dikatakan bahwa proses untuk memproduksi minyak solar yang dilihat dari karateristik kualitas residu karbon belum kapabel, maka perlu dilakukan

14

Probabilitas jumlah prosentase residu karbon saat produksi minyak solar diluar batas kendali USL (10%) dan LSL()%) dapat dilihat pada Gambar 4.6 diperoleh peluang untuk prosentase residu karbon > USL sebesar 0,02922078 dan peluang prosentase residu karbon < LSL adalah 0. Dapat juga dilihat pada nilai PPM > USL (Probability per Million kurang dari Upper Specification Limit) = 29.220,78 artinya dari 1 juta kali proses produksi minyak solar maka akan ada 29.220 proses yang mempunyai residu karbon lebih dari 10%.

15

BAB V KESIMPULAN DAN SARAN

KESIMPULAN DAN SARAN

5.1

Kesimpulan Berdasarkan hasil analisis dan pembahasan diperoleh kesimpulan sebagai berikut.

 

1.

Berdasarkan statistika deskriptif baik secara perhitungan maupun secara visual dapat diketahui bahwa rata-rata atau nilai tengah dan varians tiap subgrup berbeda. Subgrup ke- 18 memiliki nilai rata-rata paling tinggi yaitu sebesar 7,182. Varians terbesar terletak pada subgrup ke 13 yaitu sebesar 18,351.

2.

Berdasarkan pengujian dengan menggunakan Run Test untuk uji keacakan dan uji kolmogorov-smirnov untuk normalitas dapat disimpulkan bahwa data residu karbon pada produksi minyak solar PT. P tidak memenuhi asumsi keacakan dan normalitas, namun selanjutnya data tersebut diasumsikan acak dan telah berdistribusi normal.

3.

Dalam peta kendali

X S

dapat diketahui bahwa data residu karbon pada produksi

minyak solar PT. P terdapat 3 data yang menyalahi aturan shewhart yaitu data ke 2, 13, dan 27, data ke 2 dan 27 melanggar aturan shewhart No. 1, data ke 3 melanggar aturan shewhart No. 5 dan 10. Untuk data ke 2 dan ke 27 juga keluar dari batas kendali untuk diagram kontrol S, sehingga setelah dilakukan pembuangan secara bertahap untuk data

ke 2 dan 27 tersebut, diagram kendali untuk S sudah terkendali. Batas untuk diagram

X

adalah UCL = 7,722 LCL = 2,767, sedangkan untuk diagram S diperoleh batas kendali UCL = 4,485 LCL = 0,858.

4.

Berdasarkan kapabilitas proses prosuksi minyak solar PT. P yang di ukur berdasarkan kualitas residu karbon dapat disimpulkan bahwa proses belum kapabel karena memiliki nilai Cp < 1 dan Cpk < 1 dari segi keakurasian dan kepresisian. Probabilitas prosentase

residu karbon berada di luar batas spesifikasi (≥10%) adalah 0,0292078 artinya dalam 1 juta kali produksi terdapat 29.227 produk solar yang memiliki residu karbon lebih dari 10%, sedangkan probabilitas prosentase residu karbon < 0% sebesar 0.

5.2

Saran

Saran yang dapat diberikan kepada penelitian selanjutnya seharusnya mencari data lagi karena setelah di uji untuk asumsi keacakan dan kenormalan tidak terpenuhi. Selain itu seharusnya di amati saat data terjadi out of control sehingga dapat dibuat untuk diagram

ishikawa

16

DAFTAR PUSTAKA

Anonim, 2015. Defenisi Bahan Bakar Diesel (Solar). [Online] Available at: http://www.prosesindustri.com/2015/02/defenisi-bahan-bakar-diesel- solar.html [Diakses 10 Maret 2017]. Anonim, 2015. Sistem Bahan Bakar Pada Kapal Fuel Oil System. [Online] Available at: http://www.maritimeworld.web.id/2011/05/fuel-oil-system-sistem-bahan- bakar-in.html [Diakses 11 Maret 2017]. Bhattacharyya, G. J. R., 1996. Statistics Principles and Methods. Singapore: John Wiley & Sons, Inc. Daniel, W. W., 1898. Statistika Nonparametrik Terapan. Jakarta: Gramedia. G, H. P., 2012. Peta Kendali x dan S Chart. [Online] Available at: https://sites.google.com/site/kelolakualitas/x-S-Chart [Diakses 10 Maret 2017]. Junaidi, 2010. Mengenal Boxplot. [Online] Available at: https://junaidichaniago.wordpress.com/2010/02/02/mengenal-boxplot/ [Diakses 11 Maret 2017]. Montgomery, D. C., 2005. Introduction to Statistical Quality Control. New York: John Wiley & Sons, Inc. Montgomery, D. C., 2009. Introduction to Statistical Quality Control. United States of America: John Wiley & Sons, Inc. Mubarok, M. F., 2016. Farmasi Industri. [Online] Available at: http://farmasiindustri.com [Diakses 11 Maret 2017]. O, S. & Syahu, 2006. Kamus Manajemen (Mutu). Jakarta: Gramedia Pustaka Utama. Rozi, M., 2015. Residu Karbon. [Online] Available at: http://muhammadroz1.blogspot.co.id/2015/02/karbon-residu.html [Diakses 11 Maret 2017]. Walpole, 1993. Pengantar Statistika. Jakarta: Gramedia.

17

LAMPIRAN Lampiran 1. Data Residu Karbon Dalam Produksi Minyak Solar di PT. P Dalam %

Subgroup

 

Pengamatan

 

1

2

3

4

5

6

7

8

9

10

11

1

2

2,5

1,5

2

6

6,5

6,5

4,5

1,5

4,5

2

2

8

18,9

8

9,5

5,5

1,5

2,5

1,5

5,5

3,5

9,5

3

5

3

4,5

3,5

0,5

3,5

2

3,5

4,5

4,5

6,5

4

6

7,5

6,5

6,5

1

3,5

9,5

3

3

4,5

3,5

5

3,5

3

4,5

6

9

8

9,5

9

2

2,5

3

6

5

9,5

1,5

2

5,5

7

7

7

5

3,5

3,5

7

4,5

4,5

3,5

4

2,5

2

5

5,5

7,5

2

4

8

4,5

4,5

7

7

7,5

6,5

6,5

3,5

7,5

6,5

2

9

8

6

6

6

5,5

5

2,5

3,5

6,5

6,5

1,5

10

5,5

3,5

1

7

7,5

10

6

7

6

7,5

8

11

9,5

9

8,5

1,5

7,5

1,5

13

8

6,5

7,5

1,5

12

2

1,5

1,5

2

2,5

16

6,5

2,5

5,5

6,5

7,5

13

8

4

12,5

13,5

8

2

2

2

1,5

2,5

7,5

14

7,5

7,5

7

5,5

4,5

3

2,5

8

7,5

7

7,5

15

8,5

3,5

7,5

7,5

5,5

3,5

7

7,5

10,5

6

7

16

6,5

5

10

2

7

7

2

7,5

7

3,5

3,5

17

4,5

6,5

5,5

1,5

4,5

6,5

7,5

5,5

5,5

1

7,5

18

5

5,5

2

8

13

7

9

5

7,5

10

7

19

1,5

5

6

7,5

7,5

1,5

6

6,5

2

7

4,5

20

2,5

8

1,5

3,5

5

9,5

3,5

7

3

7

6

21

5,5

1,5

16

1,5

2,5

6

3,5

4,5

3,5

4

1,5

22

7,5

4,5

7

7,5

6,5

7,5

4,5

3,5

5,5

5,5

2,5

23

5,5

2

5,5

1

8

5,5

5,5

5,5

7,5

5,5

3

24

1,5

6,5

2

2

7,5

6,5

6

2

7

7

9

25

7

2,5

5

4,5

1,5

6,5

1,5

7,5

9,9

5,5

6

26

11,5

4,5

7,5

3,5

6,5

2

2

7,5

3,5

10

1,5

27

8

18,9

1

6

9

7,5

3,5

5

6

3,5

2

28

2

2

3,5

3

6,5

4,5

1,5

4,5

5

13

9,9

29

3,5

8,5

5,5

4,5

4

2

9,5

1

1,5

1,5

6,5

30

6

5

8

1,5

4

2

3,5

6

4,5

1,5

3

Lampiran 2. Alokasi Waktu Pengerjaan

Hari

Tanggal

Pukul

Deskripsi Kegiatan

Pelaksana

Kamis

09-Mar-17

13.15

Praktikum bersama Assisten Dosen

Anisa & Dedi

Jumat

10-Mar-17

19.00

Pembuatan BAB II

Dedi

   

20.00

Pembuatan BAB I

Anisa

   

22.00

Pembuatan BAB III

Anisa

Sabtu

11-Mar-17

11.00

Pembuatan BAB IV

Anisa Dedi

     

Pembuatan BAB V

Dedi

18