BAB 2

TINJAUAN PUSTAKA

2.1 Peta Kendali

Pada dasarnya, peta kendali digolongkan menjadi dua, yaitu peta kendali
variabel dan peta kendali atribut. Apabila karakteristik kualitas dapat diukur dan
dapat dinyatakan dengan bilangan maka peta kendali ini disebut peta kendali
variabel. Sedangkan apabila karakter kualitas suatu unit produk tidak dapat diukur
dengan skala kuantitatif dan hanya dapat dinilai sebagai keadaan sesuai atau tidak
sesuai maka peta kendali ini disebut peta kendali atribut.
Teori umum mengenai peta kendali pertama kali ditemukan oleh Dr.
Walter A. Shewart dengan model umum sebagai berikut :
=
= + (2.1)
=
Dengan,
: Statistik Sampel yang mengukur suatu karakteristik kualitas
: Mean dari
: Deviasi standar
: Jarak batas-batas pengendali dari garis tengah yang dinyatakan dalam unit
standar deviasi, biasanya dipilih = 3.
CL (Center Line) merupakan garis tengah dari peta kendali, UCL (Upper
Control Limit) merupakan batas kendali atas dari peta kendali, sedangkan LCL
(Lower Control Limit) merupakan batas kendali bawah dari peta kendali. Peta
kendali variable yang biasanya digunakan untuk memantau standar deviasi adalah
peta kendali R Shewart (Montgomery, 1990).

2.2 Peta Kendali R Shewart

Peta kendali R shewart selalu digunakan untuk memantau variabilitas.
Dengan asumsi pengamatan proses berdistribusi normal ~(, ). Semua
sampel yang diambil secara acak dengan ukuran dari populasi normal, range
= . Dari model umum yang ditunjukkan pada persamaan (2.1)

4
garis tengah dan batas pengendali dari peta kendali R Shewart dapat ditulis
sebagai berikut (Usro, 2011):
= =
= + 3 = + 3 (2.2)
= 3 = 3
Dimana merupakan standar deviasi R yaitu
= 3
Dalam keadaan realnya, biasanya tidak diketahui nilai dari , sehingga kita dapat
menaksir dengan

= 3
2
Sehingga didapatkan persamaan barudari persamaan (2.2) didapatkan batas
kendali atas dan bawah dari peta kendali R yaitu

=

= + 33
2 (2.3)

= 33
2
Dengan memisalkan
3
3 = 1 3
2
Dan
3
4 = 1 + 3
2
Sehingga kita dapat mendefinisikan kembali parameter-parameter grafik R
sebagai
=
= 4 (2.4)
= 3
Apabila sampel-sampel pendahuluan digunakan untuk membentuk grafik
pengendali R. Sudah biasa untuk memperlakukan batas pengendali itu sebagai
nilai-nilai percobaan. Maka rentang sampel harus kita gambarkan pada grafik-

5
grafik itu dan setiap sampel yang diluar batas pengendali harus diselidiki. Apabila
sebab-sebab terduga untuk titik-titik tersebut ditemukan, titik-titik itu harus
dibuang dan ditentukan batas pengendali percobaan yang baru (Montgomery,
1990)

2.3 Data Observasi Autokorelasi

Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu
variabel (Djalal dan Usman, 2006). Autokorelasi umumnya terjadi pada data time
series. Hal ini karena observasi-observasi pada data time series mengikuti urutan
alamiah antarwaktu sehingga observasi secara berturut-turut mengandung
interkorelasi, khususnya jika rentang waktu diantara observasi yang berurutan
adalah rentang waktu yang pendek, seperti hari, minggu atau bulan (Gujarati,
2012).
Istilah autokorelasi adalah korelasi diantara anggota seri dari observasi-
observasi yang diurutkan berdasarkan waktu. Dalam kaitannya dengan asumsi
OLS (Ordinary Least Square), autokorelasi merupakan korelasi antara satu
variabel gangguan dengan variabel gangguan yang lain.

2.3.1 Konsekuensi Autokorelasi

Menurut Gujarati (2012), keberadaan autokorelasi pada OLS memiliki
konsekuensi antara lain : estimasi OL masih linier dan tidak bias, serta konsisten
dan secara asumtotis terdistribusi secara normal, namun estimator-estimator
tersebut tidak lagi efisien (memiliki varian terkecil).
Widarjono (2009) melanjutkan, jika varian tidak minimum, maka
menyebabkan perhitungan standar error metode OLS tidak lagi dipercaya
kebenarannya. Selanjutnya interval estimasi maupun uji hipotesis yang didasarkan
pada distribusi t maupun F tidak lagi bisa dipercaya untuk evaluasi hasil regresi.

2.3.2 Mendeteksi Autokorelasi

Menurut Gujarati (2012) Uji Durbin-Watson (DW) merupakan salah satu
uji yang banyak dipakai untuk mengetahui ada tidaknya autokorelasi. Hampir

6
semua program statistik sudah menyediakan fasilitas untuk menghitung nilai d
(yang menggambarkan koefisien nilai DW).
a) Hipotesis
0 = 0 (tidak ada autokorelasi)
1 0 (ada autokorelasi)
b) Taraf nyata = 0.05
c) Statistik Uji
=2( 1 )2
=
=1 2
d) Kriteria keputusan
Jika > , maka 0 diterima (tidak ada autokorelasi)
Jika < , maka 0 ditolak (ada autokorelasi positif)
Jika 4 > , maka 0 diterima (tidak ada autokorelasi negatif)
Jika 4 < , maka 0 ditolak (ada autokorelasi negatif)

2.4 Perumusan Rangkaian Autokorelasi dari Observasi

Pada rangkaian autokorelasi dari observasi, setiap observasi tersendiri
bergantung pada observasi sebelumnya. Rangkaian nilai autokorelasi positif
dengan mean nol dan standar deviasi satu yang dihasilkan, menggunakan
MATLAB pada berbagai macam level (Prajapati, 2014).

Prajapati mengasumsikan bahwa sebanyak N pasangan dari observasi-

observasi pada dua variabel dan +1 . Disamping dua runtutan waktu yang
berbeda, dihitung antara satu rangkaian dan rangkaian-rangkaian yang sama
yang tertunda oleh satu atau lebih unit waktu. Untuk autokorelasi urutan pertama,
lag adalah satu unit waktu. Koefisien autokorelasi urutan pertama adalah
koefisien sederhana dari observasi ( 1) yang pertama, , = 1, 2 (
1) dan observasi ( 1) berikutnya, +1 , = 2, 3 . Untuk nilai yang
cukup besar 1 dapat diperkirakan dengan :

1
=1 ( )(+1 )
1 = (2.5)

=1( )
2

7
Dimana adalah keseluruhan rata-rata.

Persamaan (2.5) dapat digeneralisasikan untuk menghasilkan antara

observasi-observasi yang dipisahkan oleh k unit.

=1 ( )(+1 )
= (2.6)

=1( )
2

Jumlah pada persamaan (4) disebut sebagai koefisien autokorelasi pada lag k.
Nilai dari dapat dijaga dengan berbagai level seperti 0.1, 0.2 1.0 yang
berhubungan dengan setiap level dari , rangkaian korelasi yang dihasilkan.

Rangkaian yang dihasilkan adalah sifat dasar korelasi positif. Setiap level
dari , berbagai skema dari peta kendali (R) dikembangkan menggunakan
MATLAB. Sebuah model dari peta kendali modified (R) dijelaskan pada sesi
berikutnya (Prajapati, 2014).

2.5 Peta Kendali Modified (R) untuk Data Autokorelasi

Peta kendali modified (R), berdasarkan jumlah dari chi-squares,
dirancang dan digambarkan pada bagian ini. Asumsi-asumsi berikut
dipertimbangkan saat mengembangkan grafik modified (R).
1. Sampel diambil secara acak saat proses.
2. Mula-mula, proses tersebut diasumsikan masuk ke dalam control dengan
proses mean, = 0 dan standar defiasi, = 0, dimana 0 adalah target
atau mean yang diinginkan dan 0 adalah target atau standar defiasi yang
diinginkan.
3. Kapanpun setiap penyebab yang dapat dialihkan masuk ke dalam proses,
hal tersebut menghasilkan sebuah pergantian di dalam pengolahan standar
defiasi dari = 0 sampai nilai yang lainnya.
4. Diasumsikan bahwa tidak ada perubahan dalam penarikan sampel mean,
contoh = 0 pada saat pengolahan.

Pengolahan range digambarkan pada peta kendali modified R,

menggunakan penanda dan L. Kapanpun sampel range menurun antara kontrol
dan batas tanda (W), jumlah dari chi-squares pada sampel sebelumnya dihitung
dan dibandingkan dengan nilai standar chi-squares yang diberikan di tabel. Jika

8
perhitungan nilai jumlah chi-squares lebih besar dari pada nilai tersebut;
dibuktikan pada tabel standar distribusi chi-squares, kemudian, diasumsikan
bahwa perhitungan tersebut diluar kendali. Oleh sebab itu, tindakan cepat
dibutuhkan untuk mengontrol proses dispersi. Contoh grafik modified (R)
ditunjukan di gambar 1.

Hasil dari grafik modified (R) diukur dalam hubungannya dengan ARL
sebagai sampel berukuran 4. Macam-macam skema dari peta kendali modified (R)
dikembangkan dengan merubah lebar dari W dan batas kendali secara bersamaan
saat mengatur false alarm rate (ARL0) dari 370 untuk macam-macam contoh
ukuran. Dalam mengontrol ARL (ARL0) dari perkiraan 370 dipertahankan untuk
peta kendali modified (R), karena grafik (R) tersedia di daftar bacaan, gunakan
nilai ARL0 yang sama.

Untuk simulasi dari data acak, diasumsikan bahwa variable-variable acak

diletakan pada peta kendali, yang tidak bergantung dan normal dengan mean (0)
= 0 dan standar defiasi (0) = 1. Proses tersebut ditentukan menjadi tidak
terkendali ketika pengolahan standar defiasi lebih dari satu. Perubahan dalam
standar defiasi diukur dengan kenaikan presentase di perubahan dalam populasi
standar defiasi ( ). Proses tersebut ditentukan menjadi tidak terkendali ketika
proses perubahan lebih besar dari pada 1. ARL diperhitungkan, ketika hanya
terdapat perubahan dalam pengolahan standar defiasi dan contoh-contoh mean
konstan (Prajapati, 2014).

2.6 Auto Run Length (ARL)

Dalam bagan kendali jika titik diplot jatuh dalam batas kendali, proses ini
dianggap terkendali, tetapi jika titik diplot jatuh di atas atau di bawah batas
kendali, maka sinyal atau alarm bagan kendali dinyatakan. Waktu yang
menunjukkan sinyal pertama bagan kendali disebut dengan run length. Average
run length didefinisikan sebagai jumlah rata-rata titik sampel yang harus diplot
pada bagan kendali sebelum suatu titik menunjukkan keadaan tak terkendali
(Montgomery, 2009). Kinerja bagan kendali juga dapat ditandai oleh Average
Run Length (ARL). ARL dinyatakan sebagai:

9
 Titik-titik yang jatuh di dalam batas kendali, berarti menerima hipotesis
nol bahwa proses terkendali secara statistik. Titik-titik yang jatuh di luar batas
kendali, berarti menolak hipotesis nol bahwa proses terkendali secara statistik.

Adapun dan dijelaskan sebagai berikut:

1. Kesalahan statistik Type I atau yang diterapkan dalam bagan kendali

Shewhart berarti menyimpulkan proses berada pada kondisi tidak terkendali
padahal dalam kenyataannya proses berada dalam kondisi terkendali.
2. Kesalahan statistik Type II atau yang diterapkan dalam bagan kendali
Shewhart berarti menyimpulkan proses berada pada kondisi terkendali
padahal dalam kenyataannya proses berada dalam kondisi tidak terkendali.

Dengan adanya ARL, jenis bagan kendali terbaik dapat dipilih. Jika ARL
dalam kendali, semakin besar nilai ARL maka semakin baik jenis bagan kendali
yang bersangkutan. Jika ARL di luar kendali, semakin kecil nilai ARL maka
semakin baik jenis bagan kendali yang bersangkutan (Montgomery, 2009).

10