TI 3221 PENGENDALIAN KUALITAS STATISTIK

TOPIK 7

PETA KENDALI ATRIBUT

LD, Semester
LD, Semester II 2003/04
II 2003/04 Hlm. 1

PEMILIHAN PETA KENDALI

TIPE DATA

ATRIBUT VARIABEL

UKURAN SAMPEL UKURAN SAMPEL

Rata2 n Proporsi,
n n n Tdk n 25 12 < n < 25 n 12 n =1
unit Tdk
Konstan Konstan
Konstan Konstan

c u np p X , X,s X ,R X , MR

LD, Semester II 2003/04 Hlm. 2

1
 LANGKAH-
LANGKAH-LANGKAH PEMBUATAN PETA KENDALI
1. Tetapkan tujuan & karakteristik kualitas yang akan dikendalikan
dikendalikan
2. Tentukan tipe data yang akan digunakan
Diskrit: counts, proporsi, persentase, dll.
Kontinyu: semua data pengukuran, seperti panjang, volume, kecepatan, dll.

3. Tentukan pendekatan sampling

Tentukan ukuran subgrup rasional: Subgrup harus cukup besar untuk menentukan peluang yang sama
untuk item cacat;
Tentukan frekuensi sampling (jumlah subgrup): f (tingkat produksi, biaya sampling).

4. Tentukan peta kendali yang sesuai

Peta p: untuk memetakan proporsi/persentase item cacat;
Peta np: untuk memetakan jumlah item cacat (data diskrit);
Peta c: untuk memetakan jumlah cacat per unit yang terjadi dalam area peluang yang konstan (data
diskrit);
Peta u: serupa dengan peta c; digunakan untuk memetakan jumlah rata-rata cacat per unit jika area
peluang tidak konstan (data diskrit);
Peta individual: untuk memetakan pengukuran individual (data kontinyu);
Peta moving average (MR): untuk memetakan variabilitas proses untuk pengukuran individual (data
kontinyu);
Peta R: untuk memetakan variabilitas proses untuk sampling dengan n>1;
Peta X : untuk memetakan rata-rata proses dari subgrup sampel (data kontinyu);
Peta EWMA (Exponentially Weighted Moving Average): merupakan alternatif Peta X untuk
mendeteksi
LD, Semester II 2003/04 pergeseran proses yang kecil. Hlm. 3

LANGKAH-
LANGKAH-LANGKAH PEMBUATAN PETA KENDALI

5. Lakukan sampling & pencatatan data pada lembar data yang sesuai
sesuai
6. Menghitung garis tengah & batas kendali awal
UNTUK PETA p :
Tanpa p standar (po): n
Di p( 1 p )
i =1
Garis Tengah : p = ; maka UCL p / LCL p = p 3
g n n
Di : Jumlah item cacat yang ditemukan pada sampel i

Dengan p standar (po):

p o ( 1 po )
Garis Tengah : p = p0 = sesuai sasaran ; maka UCL p / LCL p = po 3
n

7. Koreksi garis tengah & batas kendali

Untuk peta atribut:
Hilangkan titik di luar batas kendali atas yang dapat diidentifikasi penyebabnya;
Tidak disarankan menghilangkan titik di bawah batas kendali bawah (BKB).

8. Implementasikan peta kendali, monitor stabilitas proses melalui

melalui peta
kendali; Jika terjadi signal tertentu, ambil tindakan yang perlu.
perlu.

9. Hitung ulang garis tengah & batas kendali, jika terjadi perubahan
perubahan proses
secara signifikan.
LD, Semester II 2003/04 JUMP
Hlm. 4

2
Suplemen

KONSEP DALAM SAMPLING

Terminologi Sampling

Desain sampling: deskripsi prosedur pemilihan observasi dalam suatu sampling.

Populasi : seluruh item penyusun kelompok yang menjadi obyek observasi.
Kerangka sampling (sampling frame) : daftar, basis data, atau identifikator lain dari item
yang tercakup dalam sampel.Contoh: daftar catatan pengiriman suatu barang.
Unit sampling : Elemen individual atau kumpulan elemen yang tidak overlaping dari
populasi.
Error dalam sampling ; sumber :
9 Variasi random
9 Mis-spesifikasi dari populasi. Contoh: sampling opini publik
9 Tidak ada respon

LD, Semester II 2003/04 Hlm. 5

Tipe Sampel
Simple Random Sample

Setiap item dalam

populasi mempunyai n
N
peluang yang sama untuk
menjadi sampel. Sampel
Populasi
Stratified Random Sample
9 Populasi tersegmentasi menjadi lebih dari satu stratum & setiap item dipilih secara random
pada setiap stratum;
9 Setiap item dalam populasi mempunyai peluang (walaupun tidak sama) untuk masuk dalam
sampel;
9 Digunakan untuk meredukswi ukuran sampel dalam populasi dengan variansi yang besar;
9 Umum digunakan untuk strategi mereduksi resiko, di mana bobot lebih besar diberikan pada
sampel dari strata dengan resiko tertinggi;

Stratum A Stratum A

Stratum B Stratum B

Stratum C Stratum C

Stratum D Stratum D

Populasi Populasi Stratified

dengan 5 Random Sample
segmen
LD, Semester II 2003/04 Hlm. 6

3
 Tipe Sampel
Cluster Sample
Digunakan jika untuk mendapatkan sampel dari seluruh segmen populasi tidak mungkin, misalnya
karena faktor geografis.

Stratum A Stratum A

Stratum B

Stratum C Stratum C

Stratum D

Populasi Populasi Cluster Sample

dengan 5
segmen

LD, Semester II 2003/04 Hlm. 7

Ukuran Sampel
Untuk Data Kontinyu
Jika B = batas kesalahan yang dapat diterima, maka

B = Z /2 x = Z / 2
n
2 /2 /2
Z /2 2
n=
B2
B B
Contoh:
Seorang analis ingin mengestimasi rata-rata diameter bor dari hasil pengecoran. Berdasarkan
data historis, disetimasikan bahwa deviasi standar diameter bor = 4,2 mm. Jika diinginkan
probabilitas rata-rata diameter bor dalam rentang 0,8 mm, tentukan ukuran sampel yang harus
digunakan.

2
Z /2 2
n=
B2
( 1,96 ) 2 ( 4 ,2 ) 2
Z 0 ,025 = 1,96 maka n = = 105 ,88 106
( 0 ,8 ) 2

LD, Semester II 2003/04 Hlm. 8

4
 Ukuran Sampel
Untuk Data Diskrit
Jika B = batas kesalahan yang dapat diterima, maka untuk data diskrit (distribusi binomial), B
dirumuskan sbb.

p( 1-p) Nilai sebenarnya dari p tidak diketahui,

B = Z /2 x = Z / 2 diestimasi dari nilai rata-rata p historis.
n Jika rata-rata p historis tidak diketahui,
Z / 2 2 p( 1-p) maka p = 0,5 yang menghasilkan nilai p(1-
n= p) maksimum (nilai konservatif).
B2
Contoh:
Untuk membuat pipa karet, pertama-tama batangan karet dipotong menjadi ukuran tertentu.
Potongan tersebut kemudian dilengkungkan membentuk lingkaran & tepinya dilekatkan dengan
tekanan dengan temperatur yang tepat.
Keterampilan operator dan parameter proses seperti temperatur, tekanan dan ukuran cetakan
mempengaruhi produksi pipa karet yang baik. Jika diinginkan dengan probabilitas 90% proporsi
pipa karet yang cacat di antara rentang 4%, berapa sampel yang harus digunakan ?
. 2
Z / 2 p( 1-p)
n=
B2
1,645 ( 0 ,5 )( 05 )
Z 0 ,5 = 1,645 maka n = = 422 ,8 423
( 0 ,04 ) 2
LD, Semester II 2003/04 Hlm. 9

CONTOH: Peta Kendali Atribut

Untuk mencegah kebocoran pada kemasan minuman kaleng, dilakukan pengendalian

terhadap seal kaleng minuman tersebut. Untuk pengendalian tersebut akan dibuat peta
kendali dengan data yang telah dikumpulkan dari hasil inspeksi terhadap 30 sampel
masing-masing dengan ukuran 50. Buat peta kendali yang diperlukan tersebut.

Data hasil sampling I :

No Item Proporsi No Item Proporsi
Sampel (i) Cacat (Di) Cacat ( p ) Sampel (i) Cacat (Di) Cacat ( p )
1 12 0,24 16 8 0,16
2 15 0,3 17 10 0,2
3 8 0,16 18 5 0,1
4 10 0,2 19 13 0,26
5 4 0,08 20 11 0,22
6 7 0,14 21 20 0,4
7 16 0,32 22 18 0,36
8 9 0,18 23 24 0,48
9 14 0,28 24 15 0,3
10 10 0,2 25 9 0,18
11 5 0,1 26 12 0,24
12 6 0,12 27 7 0,14
13 17 0,34 28 13 0,26
14 12 0,24 29 9 0,18
15 22 0,44 30 6 0,12
LD, Semester II 2003/04
Jumlah 347 Hlm. 10

5
 Peta kendali p :
TAHAP KONSTRUKSI : Perhitungan-1
30
Di 347
i =1
Garis Tengah : p = = = 0 ,2313
( 30 )( 50 ) ( 30 )( 50 )

p( 1 p ) ( 0 ,2313 )( 0 ,7687 )
Batas Kendali Atas : BKA = p + 3 = 0 ,2313 + 3 = 0 ,4102
n 50

p( 1 p ) ( 0 ,2313 )( 0 ,7687 )
Batas Kendali Bawah : BKB = p 3 = 0 ,2313 3 = 0 ,0524
n 50

0,5 Material Operator

baru baru
0,45
BKA = 0,4012
0,4
Proporsi Cacat (p)

0,35
0,3
0,25
GT = 0,2313
0,2
0,15
0,1
BKB = 0,0524
0,05
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

No Sam pel

LD, Semester II 2003/04 Hlm. 11

TAHAP KONSTRUKSI : Perhitungan-2, hilangkan sampel di luar BKA

30
Di 347
i =1
Garis Tengah : p = = = 0 ,2313
( 30 )( 50 ) ( 30 )( 50 )
p( 1 p ) ( 0 ,2313 )( 0 ,7687 )
Batas Kendali Atas : BKA = p + 3 = 0 ,2313 + 3 = 0 ,4102
n 50
p( 1 p ) ( 0 ,2313 )( 0 ,7687 )
Batas Kendali Bawah : BKB = p 3 = 0 ,2313 3 = 0 ,0524
n 50

Random
0,5
Material Operator
baru baru
0,4
BKA = 2313
Proporsi Cacat

0,3

0,2 GT =
0,2313
0,1

BKB = 0,0524
0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

No Sam pel

LD, Semester II 2003/04 Hlm. 12

6
 TAHAP i Di p i Di p
IMPLEMENTASI I : 31 9 0,18 44 6 0,12
32 6 0,12 45 5 0,1
133
p= = 0 ,1108 33 12 0,24 46 4 0,08
( 24 )( 50 ) 34 5 0,1 47 8 0,16
( 0 ,1108 )( 0 ,8892 ) 35 6 0,12 48 5 0,1
BKA = 0 ,1108 + 3 36 4 0,08 49 6 0,12
50
= 0 ,2440 37 6 0,12 50 7 0,14
38 3 0,06 51 5 0,1
( 0 ,1108 )( 0 ,8892 ) 39 7 0,14 52 6 0,12
BKB = 0 ,1108 3
50 40 6 0,12 53 3 0,06
= 0 ,0224 = 0 41 2 0,04 54 5 0,1
42 4 0,08 44 6 0,12
43 3 0,06 45 5 0,1
Jumlah 133

0,5
Material Operator Penyesuaian
BKA = 2313 baru baru Mesin
0,4
Proporsi Cacat

0,3 BKA = 0,2240

GT = 0,2313
0,2
GT = 0,1108

0,1 BKB = 0,0524

BKB = 0
0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
No Sampel

LD, Semester II 2003/04 Hlm. 13

TAHAP 1. Uji hipotesis perubahan rata - rata proses :

KONSTRUKSI H 0 = p1 = p 2
ULANG : H 1 = p1 > p 2
2. Penentuan kriteria penerimaan (tingkat kepercayaa n & Z ) :
= 0 ,05 Z = 1,645
3. Perhitunga n Z 0 :
a. Estimasi p 1 , p 2 & p :
p1 = p1 = 0 ,2150 ; p 2 = p 2 = 0 ,1108
n p + n 2 p 2 ( 1400 )( 0 ,2150 ) + ( 1200 )( 0 ,1108 )
p = 1 1 = = 0 ,1669
n1 + n 2 1400 + 1200
p1 p 2
Z0 =
1 1
p( 1 p )( + )
n1 n 2

0 ,2150 0 ,1108
Z0 = = 7 ,10
1 1
( 0 ,1669 )( 0 ,8331 )( + )
1400 1200
4. Keputusan :
Karena Z 0 > Z Tolak H 0 atau Tela h terjadi perubahan rata-rata proses,
per lu dilakuk an konstru ksi ulang batas-bata s kendali.
Garis Tengah : p = 01108
p( 1 p ) ( 0 ,1108 )( 0 ,8892 )
BKA/BKB = p 3 = 0 ,1108 3
n 50
BKA = 0 ,2440 ; BKB = - 0 ,0224 = 0
LD, Semester II 2003/04 Hlm. 14

7
 TAHAP i Di p i Di p i Di p
IMPLEMENTASI II : 55 8 0,16 68 3 0,06 82 2 0,04
56 7 0,14 69 7 0,14 83 1 0,02
57 5 0,10 70 9 0,18 84 4 0,08
58 6 0,12 71 6 0,12 85 5 0,10
59 4 0,08 72 10 0,20 86 3 0,06
60 5 0,10 73 4 0,08 87 7 0,14
61 2 0,04 74 3 0,06 88 6 0,12
62 3 0,06 75 5 0,10 89 4 0,08
63 4 0,08 76 8 0,16 90 4 0,08
64 7 0,14 77 11 0,22 91 6 0,12
65 6 0,12 78 9 0,18 92 8 0,16
66 5 0,10 79 7 0,14 93 5 0,10
67 5 0,10 80 3 0,06 94 6 0,12
81 5 0,10 Jml 218

LD, Semester II 2003/04 Hlm. 15

Peta OC PETA KENDALI ATRIBUT

Peta OC (Operating Characteristics Curve):

Probabilitas terjadinya error tipe II ();
Merepresentasikan sensitivitas peta kendali;
Digunakan sebagai ukuran kemampuan peta kendali dalam mendeteksi
pergeseran (perubahan) pada nilai parameter proses.
{ } {
= P p < BKA p P p BKB p }
= P { x < n BKA p } P { x n BKB p}
Contoh 1:
UCLp = 0,173 LCLp = 0 CLp = 0,067 n = 50
{ } {
= P x < 50 0 ,173 p = 0,10 P x 50 0 ,067 p = 0,10 }
= P{x < 8 ,65 p = 0,10} P{x 3,35 p = 0,10}
= P{x 8 p = 0,10} P{x 3 p = 0,10}

= (i50 )p i ( 1 p )50 i (i50 )p i ( 1 p )50 i

8 3

i =0 i =0

(i50 ) 0 ,1i 0 ,9 50 i (i50 ) 0 ,1i 0 ,9 50 i

8 3
=
LD, Semester II 2003/04
i =0 i =0 Hlm. 16

8
 Pendekatan dengan distribusi Poisson:
Jika n: besar, p: kecil, np 5
np = 50 x 0,10 = 5
= P (x 8 / np = 5) P (x 0 / np = 5)
= 0,932 0,007 = 0,925
1
p P (x 8 / p) P (x 0 / p)
0,08 0,979 0,018 0,961 0.8

0,09 0,960 0,011 0,949

P(Error tipe II)

0.6
0,10 0,932 0,007 0,925
0,15 0,662 0,001 0,661 0.4

0,20 0,333 0.000 0,333

0.2
0,28 0,062 0.000 0,062
0,40 0,002 0.000 0,002 0
0.08 0.09 0.10 0.15 0.20 0.28 0.40

LD, Semester II 2003/04 Hlm. 17

i Tgl Jam ni Di pi Catatan

Contoh 2:
1 6/10 8 : 30 50 4 0,08
25 sampel masing-masing 2 6/10 9 : 30 50 2 0,04
berukuran 50 dipilih dari 3 6/10 10 : 00 50 5 0,10
mesin plastic injection 4 6/10 10 : 20 50 3 0,06
molding yang 5 7/10 8 : 40 50 2 0,04
6 7/10 9 : 50 50 1 0,02
menghasilkan gelas
7 7/10 10 : 10 50 3 0,06
plastik kecil. Jumlah item 8 7/10 10 : 50 50 2 0,04
cacat per sampel dapat 9 8/10 9 : 10 50 5 0,10
dilihat pada tabel berikut. 10 8/10 9 : 40 50 4 0,08
Buat peta kendali yang 11 8/10 10 : 40 50 3 0,06
12 8/10 11 : 20 50 5 0,10
dapat digunakan untuk
13 9/10 8 : 20 50 5 0,10
memonitor proses dan 14 9/10 9 : 10 50 2 0,04
buat peta OC curve 15 9/10 9 : 50 50 3 0,06
untuk peta kendali 16 9/10 10 : 20 50 2 0,04
tersebut. 17 10/10 8 : 40 50 4 0,08
18 10/10 9 : 30 50 10 0,20 Drop in pressure
19 10/10 10 : 10 50 4 0,08
20 10/10 11 : 30 50 3 0,06
21 11/10 8 : 20 50 2 0,04
22 11/10 9 : 10 50 5 0,10
23 11/10 9 : 50 50 4 0,08
24 11/10 10 : 20 50 3 0,06
25 11/10 11 : 30 50 4 0,08
90
LD, Semester II 2003/04 Hlm. 18

9
 Pembuatan Peta Kendali p :

Perhitungan tahap-1:
p = 90 / 1250 = 0 ,072
p( 1 p ) ( 0 ,072 )( 0 ,928 )
BKA / BKB = p 3 = 0 ,072 3
n 50
BKA = 0 ,182
BKB = 0 ,038 BKB = 0
Rata rata sampel ke - 18 di luar BKA dengan penyebab non random (penurunan temperatur).
Keluarkan nilai rata - rata sampel ke - 18 dari perhitungan parameter batas kendali.

Perhitungan tahap-2:
p = 80 / 1200 = 0 ,067
p( 1 p ) ( 0 ,067 )( 0 ,933 )
BKA / BKB = p 3 = 0 ,067 3
n 50
BKA = 0 ,173
BKB = 0 ,039 BKB = 0

LD, Semester II 2003/04 Hlm. 19

Pembuatan Peta OC :

= P( x < n BKA p ) P( x n BKB p )

p P(x8|p) P(x0|p)
= P( x < 50 x 0 ,173 p ) P( x 50 x0 p )
0,08 0,979 0,018 0,961
= P( x < 8 ,65 p ) P( x 0 p ) 0,09 0,96 0,011 0,949
= P( x 8 p ) P( x 0 p ) 0,10 0,932 0,007 0,925
Dengan pendekatan distribusi Binomial : 0,15 0,662 0,001 0,661
untuk p = 0,10 : 0,20 0,333 0,000 0,333
0,28 0,062 0,000 0,062
8 50
= (0 ,10 )i (0 ,90 )50 i = 0 ,9369 0,30 0,042 0,000 0,042
i =1 i 0,40 0,002 0,000 0,002
Dengan pendekatan distribusi Poisson :
untuk p = 0,10 : 1

= np = 50 x 0 ,10 = 5
Probabilitas Error Tipe II

0,8
= P(x 8 np = 5 ) P(x 0 np = 5 ) 0,6
= 0 ,932-0 ,007 = 0 ,925
0,4
untuk p = 0,08 :
= np = 50 x 0 ,08 = 4 0,2

= P(x 8 np = 4 ) P(x 0 np = 4 ) 0
0,08 0,09 0,1 0,15 0,2 0,28 0,3 0,4
= 0 ,979-0 ,018 = 0 ,961 p
Hitung untuk p yang lain & plot peta vs p.
LD, Semester II 2003/04 Hlm. 20

10
 = P (x 8 / np = 5)
P (x 0 / np = 5)

= 0,932 0,007 = 0,925

LD, Semester II 2003/04 Hlm. 21

PETA p DENGAN N TIDAK KONSTAN

I ni Di pi BKA basis ni BKB basis ni

DATA HASIL
1 200 14 0,070 0,128 0,018
INSPEKSI ITEM CACAT
2 180 10 0,056 0,131 0,015
3 200 17 0,085 0,128 0,018
4 120 8 0,067 0,144 0,002
GARIS TENGAH: 5 300 20 0,067 0,118 0,028
p = 353 / 4860 = 0,0726
6 250 18 0,072 0,122 0,023
7 400 25 0,063 0,112 0,034
BATAS KENDALI:
8 180 20 0,111 0,131 0,015
p( 1 p )
BKA / BKB = p 9 210 27 0,129 0,126 0,019
ni
10 380 30 0,079 0,113 0,033
0,0726( 1 0,0726 ) 11 190 15 0,079 0,129 0,016
BKA / BKB = 0,0726
ni 12 380 26 0,068 0,113 0,033
13 200 10 0,050 0,128 0,018
14 210 14 0,067 0,126 0,019
15 390 24 0,062 0,112 0,033
16 120 15 0,125 0,144 0,002
17 190 18 0,095 0,129 0,016
18 380 19 0,050 0,113 0,033
19 200 11 0,055 0,128 0,018
20 180 12 0,067 0,131 0,015
LD, Semester II 2003/04 4.860 353 Hlm. 22

11
 Peta Kendali p dengan n tidak konstan

LD, Semester II 2003/04 Hlm. 23

PETA np
Data hasil inspeksi
I ni Di GARIS TENGAH :
1 300 10 p = 184 / 20 = 9 ,2
2 300 12
BATAS KENDALI :
3 300 8
4 300 9 BKA / BKB = np 3 np( 1 p )
5 300 6
6 300 11 BKA / BKB = 9 ,2 9,2( 1 9,2 / 300 )
7 300 13 BKA = 18,159
8 300 10 BKB = 0 ,241
9 300 8
10 300 9
11 300 6
OUT 12 300 19
13 300 10
Hitung 14 300 7
ulang BK 15 300 8
Peta np
16 300 4
17 300 11
18 300 10
19 300 6
20 300 7
6.000 184
LD, Semester II 2003/04 Hlm. 24

12
 PETA c
Digunakan untuk monitoring jumlah cacat dalam sampel dengan ukuran konstan.
Untuk dimensi sampel yang variabel, peta u digunakan untuk memonitor jumlah cacat per
unit dimensi sampel.
Basis: distribusi Poisson.

Tanpa standar:

Garis Tengah = c
Batas Kendali : BKA / BKB = c 3 c

Dengan standar (c0):

Garis Tengah = co
Batas Kendali : BKA / BKB = co 3 co

LD, Semester II 2003/04 Hlm. 25

PETA c

Untuk mengendalikan kualitas rakitan PCB (printed circuit board), I Cacat (ci)
dilakukan inspeksi melalui sampling terhadap cacat rakitan untuk 1 5
setiap 100 unit PCB. Hasil inspeksi terhadap 25 sampel yang 2 4
dilakukan secara berturut adalah sebagai berikut. 3 7
4 6
5 8
Garis Tengah = c = 189/25= 7,56 6 5
7 6
Batas Kendali : BKA/BKB= c 3 c = 7,56 3 7,56 8 5
BKA = 15,809 ; BKB = - 0,689 0 9 16 OUT
10 10
11 9
Hitung
12 7 ulang BK
13 8 Peta c
14 11
15 9
16 5
17 7
18 6
19 10
20 8
21 9
22 9
23 7
24 5
25 7
189
LD, Semester II 2003/04 Hlm. 26

13
 PETA OC PETA c & u

Basis: distribusi Poisson. c P(X15|c) P(X0|c)

Probabilitas Error Tipe II: 0,5 1,000 0,607 0,393

1 1,000 0,368 0,632

{ } {
= P x < BKAc c P x BKBc c } 3
5
1,000
1,000
0,050
0,007
0,950
0,993
7 0,998 0,001 0,997
8 0,978 0,000 0,978
Contoh (dari soal terdahulu):
10 0,951 0,000 0,951
Perhitungan Garis Tengah & Batas Kendali final : 12 0,844 0,000 0,844
14 0,669 0,000 0,669
c = ( 189-16 )/ 24 = 7 ,208
18 0,287 0,000 0,287
BKA/BKB= c 3 c = 7 ,208 3 7 ,208 20 0,157 0,000 0,157
BKA = 15,262 ; BKB = -0,846 0
1,0

Perhitungan (distribusi Poisson): 0,9

Probabilitas Error Tipe II

0,8

{ } { }
0,7

= P x < BKAc c P x BKBc c 0,6

{ } { }
0,5

= P x < 15 ,262 c P x 0 c 0,4

0,3

= P { x 15 c } P { x 0 c }
0,2
0,1
0,0
0,5 1 3 5 7 8 10 12 14 18 20
Rata-2 jumlah cacat (c)

LD, Semester II 2003/04 Hlm. 27

DISTRIBUSI
POISSON
KUMULATIF (1)

LD, Semester II 2003/04 Hlm. 28

14
DISTRIBUSI
POISSON
KUMULATIF (2)

LD, Semester II 2003/04 Hlm. 29

PETA DEMERIT PER UNIT

Klasifikasi Cacat (ANSI/ASQC A3, 1978)
Cacat Kelas A Sangat Serius:
Merupakan cacat yang secara langsung dapat menyebabkan kecelakaan atau kerugian ekonomi yang
katastropik. Item tidak dapat atau gagal untuk digunakan.
Cacat Kelas 2 Serius:
Merupakan cacat yang dapat menyebabkan kecelakaan atau kerugian ekonomi secara signifikan; dapat
menyebabkan kegagalan operasi yang serius, mereduksi umur produk & meningkatkan biaya perawatan.
Cacat Kelas 3 Mayor:
Cacat yang dapat menyebabkan kegagalan fungsi produk atau masalah yang kurang serius dibandingkan
kegagalan operasi produk, dapat mereduksi umur produk atau meningkatkan biaya perawatan, atau
mempunyai cacat pada finishing, penampilan, atau kualitas kerja produk.
Cacat Kelas 4 Minor:
Cacat yang terjadi tidak menyebabkan kegagalan fungsi produk; merupakan cacat pada finishing,
penampilan, atau kualitas kerja produk.

D = w1c1 + w2 c2 + w3 c3 + w4 c4 ; w i = bobot cacat berdasarkan kelasnya.

Demerit per unit :
D w1c1 + w2 c2 + w3 c3 + w4 c4
U= = , U : kombinasi linier dari variabel random Poisson.
n n
Garis Tengah peta U :
U = w1u1 + w2 u 2 + w3u3 + w4 u 4 , u : jumlah rata cacat per unit per kelas cacat.
w1 2 u1 + w2 2 u 2 + w3 2 u3 + w4 2 u 4
U =
n
Batas Kendali : BKA / BK = U U
LD, Semester II 2003/04 Hlm. 30

15
 CONTOH: Peta Demerit per Unit
Cacat Serius Cacat Mayor Cacat Minor Total Demerit
i (w1 = 50) (w2 = 10) (w3 = 1) Demerit per unit
c1 c2 c3 D U
1 1 4 2 92 9,2
2 0 3 8 38 3,8
3 0 5 10 60 6,0
4 1 2 5 75 7,5
5 0 6 2 62 6,2
6 0 0 8 8 0,8
7 0 7 5 75 7,5
8 1 1 1 61 6,1
9 1 3 2 82 8,2
10 0 4 12 52 5,2
11 1 5 3 103 10,3
12 2 0 2 102 10,2
13 0 0 9 9 0,9
14 0 6 8 68 6,8
15 1 12 10 180 18,0
16 0 5 7 57 5,7
17 0 1 1 11 1,1
18 1 2 5 75 7,5
19 0 5 6 56 5,6
20 0 3 8 38 3,8
9 74 114
LD, Semester II 2003/04 Hlm. 31

u1 = 9 /( 20 )( 10 ) = 0 ,045
u 2 = 74 /( 20 )( 10 ) = 0 ,37
u 3 = 114 /( 20 )( 10 ) = 0 ,57

U = 50( 0 ,045 ) + 10( 0 ,37 ) + 1( 0 ,57 ) = 6 ,52

( 50 )2 ( 0 ,045 ) + ( 10 )2 ( 0 ,37 ) + ( 1 )2 ( 0 ,57 )
U = = 3,807
10
BKA / BKB = 6 ,52 3( 3,807 )
BKA = 17 ,941 ; BKB = 4 ,901 0

LD, Semester II 2003/04 Hlm. 32

16
 TYPE II ERROR

Tipe I Error:
Kesalahan menolak outcome dari proses yang normal;
Merupakan RESIKO PRODUSEN.

Tipe II Error:
Kesalahan menerima outcome dari proses yang tidak normal (telah terjadi pergeseran rata-
rata proses);
Merupakan RESIKO KONSUME;
Untuk data diskrit (peta p) :

BKB BKA
P(x) = Prob. x item cacat

= P { p < BKA/p } P { p BKB/p }

= P { x < n BKA/p } P { x n BKB/p }

1 2 3 4 5 6 7 x

LD, Semester II 2003/04 Hlm. 33

17