Anda di halaman 1dari 92

BAB 1

PENDAHULUAN

1.1 latar belakang


Istilah ergonomi “ mulai di cetus kan pada tahun 1949 akan tetapi aktivitas
yang bekenaan dengannya telah muncul puluhan tahun sebelumnya.
Banyak penerapan ergonomic yang hanya berdasarkan sekedar “common
sense” ( dianggap suatau hal yang sudah biasa terjadi ),dan hal itu benar, jika
sekira nya suatu keuntungan yang sangat besar bisa didapat dengan hanya sekedar
dengan suatu penerapan prinsip yang sederhana. Hal ini biasanya merupakan
kasus dimana ergonomic belum dapat di terima sepenuhnya sebagai alat untuk
proses desain, akan tetapi masih banyak aspek ergonomi yang jauh dari
kesadaran manusia. Karakteristik daari fungsional dari manusia seperti
kemampuan penginderaan, waktu respon tanggapan,daya ingat, posisi optimum
tangan dan kaki untuk efisiensi untuk efisiensi kerja otot, dan lain-lain adalah
merupakan suatu hal yang sepenuhnya di pahami masyarakat awam. Agar didapat
suatu perancangan pekerjaan maupun produk yang optimum dari pada tergantung
dan dengan “trial and error” maka pendekatan ilmiah harus segera diadakan.
Ilmu –ilmu terapan yang banyak berhubungan dengan fungsi tubuh
manusia adalah otonomi dan fisiologi.untuk menjadi ergonomi di perlukan
pengetahuan dasar tentang fungsi dari system kerangka otot. Yang berhubungan
dengan hal tersebut adalah KINESIOLOGI ( mekanika pengerakan manusia
/mechanics human of movement) dan BIOMEKANIKA (aplikasi ilmu mekanika
teknik untuk analisis sistem kerangka otot manusia). Ilmu-ilmu ini akan
memberikan modal dasar untuk mengatasi masalah postur tubuh manusia dari
tempat dan ruang kerjanya.
Disamping itu, suatu hal yang vital pada perancangan ilmiah untuk
ergonomic adalah ANTOPOMETRI ( kalibrasi tubuh manusia ). Dari hal ini
terjadi penggabungan dan pemakaian dan atopometri dengan ilmu statistikyang
menjadi persyaratan utamanya.

1
1.2 Perumusan Masalah

Permasalahan yang muncul dari latar belakang dapat dirumuskan pada perumusan
masalah. Perumusan masalah pada modul Antropometri ini adalah bagaimana
merancang sebuah bangku kerja dengan menggunakan data dimensi tubuh
manusia.

1.3 Pembatasan Masalah

Permasalahan yang dibahas dalam laporan akhir praktikum tentang Antropometri


lebih jelas dengan adanya batasan-batasan masalah. Adapun batasan-batasan
masalahnya sebagai berikut:

1. Tempat dan waktu

Praktikum hanya dilaksanakan di Laboratorium Teknik Industri pada hari


Minggu, tanggal 10 Desember 2017 pada pukul 13.00 WIB bertempat di
Universitas Krisnadwipayana

2. Data Antropometri yang Diukur

Data antropometri statis dengan jumlah 39 data dan data antropometri


dinamis dengan jumlah 4 data, untuk setiap praktikan sebanyak 32 orang.

3. Produk yang Dirancang

Produk yang dirancang adalah hanya sebuah bangku kerja.


4. Tipe Perancangan

Tipe perancangan yang digunakan adalah data ekstrim, dengan


menggunakan persentil 95%.

2
1.4 Tujuan praktikum

a. tujuan umum
Mampu mengetahui kelebihan dan kekurangan yang dimiliki manusia dari sisi
antopometri serta mampu menggunkan nya untuk mengoptimalkan sistem kerja
dalamsistem perancangan.

b. tujuan khusus
1. Mampu mengukur data antopometri
2. Mampu menetukan ukuran tubuh yang dibutuhkan dalam merancang tempat
kerja.
3. mampu menggunakan data antopometri dalam perancangan tempat kerja

1.5 Sistematika Penulisan

Sistematika penulisan dibuat untuk mempermudah pembaca dalam memahami


serta mengambil kesimpulan dari pembahasan dalam Laporan Akhir Antropometri
Analisis Perancangan Kerja dan Ergonomi 2 ini, yang terdiri dari 5 (lima) bab.
Adapun sistematika penulisan laporan akhir ini adalah sebagai berikut:

BAB I PENDAHULUAN

Berisi latar belakang, perumusan masalah dari modul antropometri, tujuan


diadakannya praktikum antropometri. Pembatasan masalah di dalam praktikum
antropometri juga terdapat dalam bab ini. Terakhir sistematika penulisan dari
Laporan Akhir Antropometri Analisis Perancangan Kerja dan Ergonomi ini.

BAB II LANDASAN TEORI

Bab ini menjelaskan mengenai ringkasan teori dan materi-materi yang


bersangkutan dari modul antropometri.

3
BAB III PENGUMPULAN DATA

Bab ini memaparkan tentang flowchart pengumpulan data saat praktikum beserta
penjelasannya. Terdapat juga peralatan yang digunakan selama praktikum beserta
fungsinya, serta data antropometri yang diambil selama praktikum.

BAB IV PEMBAHASAN DAN ANALISIS

Bab ini berisi mengenai pembahasan dan analisis. Pembahasan berisi deskripsi
dari produk yang dirancang, data antopometri yang digunakan, pengolahan data
secara manual, pengolahan data menggunakan software SPSS dan perancangan
produk. Analisis berisi analisis produk dan analisis perbandingan produk.

BAB V KESIMPULAN DAN SARAN

Berisi mengenai kesimpulan yang didapat dari perancangan bangku kerja.


Kesimpulan juga berisi saran-saran yang diperlukan pada pelaksanaan praktikum
Analisis perancangan Kerja dan Ergonomi selanjutnya.

4
BAB II
LANDASAN TEORI

2.1 Latar Belakang


Antropometri berasal dari kata anthro yang berarti manusia dan metri yang
berarti ukuran, sehingga antropometri dapat didefinisikan sebagai ilmu yang menyangkut
pengukuran tubuh manusia khususnya dimensi tubuh dan aplikasi yang menyangkut
geometri fisik, masa dan kekuatan tubuh manusia. Pengukuran anthropometri berdasarkan
posisi tubuh, terbagi atas Antropometri Statis, disini tubuh diukur dalam berbagai posisi
standart dan tidak bergerak (tetap tegak sempurna). Istilah lain dari pengukuran tubuh
dengan cara ini dikenal dengan pengukuran dimensi struktur tubuh (structural body
dimension). Antropometri Dinamis (pengukuran dimensi fungsional tubuh) dalam
pengukuran antropometri dinamis dilakukan terhadap posisi tubuh pada saat berfungsi
melakukan gerakan-gerakan tertentu yang berkaitan dengan kegiatan yang harus
diselesaikan.
Dalam setiap produk pada umumnya agak kurang memperhatikan dimensi
yang dipakai pada alat yang tersebut. Sering terjadi ketidaknyamanan setelah memakai
alat yang digunakan oleh masyarakat umum. Desain ulang produk yang mengalami
masalah tersebut adalah sebuah langkah perbaikan agar mendapatkan kondisi alat yang
sesuai dengan pemakaian pada ukuran standart yang ada.
Produk yang akan didesain ulang yaitu pintu rumah. Diantara produk
tersebut sering dijumpai ketidak nyamanan yang dirasakan oleh pemakai. Diharapkan
dengan desain ulang produk ini akan menjadi lebih baik dan mampu memberikan
kenyamanan pada pemakai.

2.2 Landasan Teori


a. Ergonomi
Kata ergonomi berasal dari dua kata yang berbahasa Latin, yaitu ergos yang
artinya kerja dan nomos yang berarti hukum atau aturan. Ergonomi adalah disiplin
keilmuan yang berkaitan dengan perancangan peralatan dan fasilitas kerja yang
memperhatikan aspek-aspek manusia sebagai pemakainya. Disiplin ilmu dasar
ergonomi meliputi psikologi, ilmu kognitif, fisiologi, biomekanika, aplikasi
antropometri fisik, dan sistem teknik industri. Dengan demikian ergonomi melihat
permasalahan interaksi tersebut sebagai suatu sistem dengan pemecahan-

5
pemecahan masalahnya melalui proses pendekatan sistem. Konsep ergonomi
sendiri berfokus pada prinsip fit the task to the person. Oleh karena itu beberapa
aplikasi dari ilmu ergonomi dapat dilihat pada berbagai proses perancangan
produk ataupun operasi kerja. Contoh dari aplikasi ilmu ergonomi pada
perancangan produk pintu rumah yang disesuaikan dengan dimensi tubuh
manusia.

b. Antropometri
Antropometri adalah ilmu yang mempelajari tentang bentuk dan ukuran tubuh
manusia. Data antropometri digunakan untuk berbagai keperluan seperti
perancangan lingkungan kerja (workplaces), fasilitas kerja, dan lain-lain agar
diperoleh ukuran-ukuran yang sesuai dan layak dengan dimensi ukuran anggota
tubuh manusia yang akan menggunakannya. Hal ini dilakukan agar tercapai suatu
kondisi yang enak, nyaman, aman, dan sehat bagi manusia dan tentunya juga
dapat menciptakan kondisi kerja yang efisien dengan hasil yang efektif atau
dengan kata lain adalah untuk mencapai keadaan yang ergonomis. Antropometri
secara lebih luas digunakan sebagai pertimbangan ergonomis dalam proses
perencanaan produk maupun sistem kerja yang memerlukan interaksi manusia.
Data antropometri yang berhasil diperoleh akan diaplikasikan secara lebih luas
antara lain dalam hal perancangan areal kerja (work station), perancangan alat
kerja dan perancangan lingkungan fisik. Berdasarkan hal tersebut maka dapat
disimpulkan bahwa data antropometri akan menentukan bentuk, ukuran, dan
dimensi yang tepat berkaitan dengan produk yang akan dirancang sesuai dengan
manusia yang akan mengoperasikan atau menggunakan produk tersebut.

2.3 Aplikasi Data Antropometri Perancangan Produk atau Fasilitas Kerja


Data antropometri untuk berbagai ukuran anggota tubuh baik yang diukur
dalam posisi tetap (structural body dimension) ataupun posisi bergerak dinamis
sesuai dengan fungsi yang bisa dikerjakan oleh anggota tubuh tersebut (functional
body dimension) dan dikelompokan berdasarkan nilai persentil dari populasi
tertentu akan sangat bermanfaat untuk menentukan ukuran-ukuran yang harus
diakomodasikan pada saat perancangan sebuah produk, fasilitas kerja maupun

6
stasiun kerja. Persoalan yang paling mendasar dalam mengaplikasikan data
antropometri dalam proses perancangan adalah bagaimana bisa menemukan
dimensi ukuran yang paling tepat untuk rancangan yang ingin dibuat agar bisa
mengakomodasikan mayoritas dan potensial populasi yang akan menggunakan
atau mengoperasikan hasil rancangan tersebut. Dalam hal ini ada dua dimensi
rancangan yang akan dijadikan dasar menentukan minimum dan maksimum
ukuran yang umum ingin ditetapkan, yaitu:

a. Dimensi jarak ruangan (clearance dimensions), yaitu dimensi yang diperlukan


untuk menentukan minimum ruang (space) yang diperlukan orang untuk dengan
leluasa melaksanakan aktivitas dalam sebuah stasiun kerja baik pada saat
mengoperasikan maupun harus melakukan perawatan dari fasilitas kerja yang ada.
Jarak ruangan (clearance) dalam hal ini dirancang dengan menetapkan dimensi
ukuran rata-rata tubuh dari populasi pemakai yang diharapkan. Sebagai contoh
pada saat kita merancang ukuran panjang dan lebar pintu rumah, maka disini
dimensi ukuran panjang dan lebar pintu rumah akan ditentukan berdasarkan data
antropometri.

b. Dimensi jarak jangkauan (reach dimension), yaitu dimensi yang diperlukan


untuk menentukan maksimum ukuran yang harus ditetapkan agar mayoritas
populasi akan mampu menjangkau dan mengoperasikan peralatan kerja yaitu
pegangan pintu secara mudah dan tidak memerlukan usaha (effort) yang terlalu
memaksa. Disini jarak jangkauan akan ditetapkan berdasarkan ukuran rata-rata
tubuh dari populasi pemakai yang diharapkan.

Berdasarkan dua dimensi rancangan tersebut diatas dan untuk


mengaplikasikan data antropometri agar bisa menghasilkan rancangan produk,
fasilitas maupun stasiun kerja yang sesuai dengan ukuran tubuh dari populasi
pemakai terbesarnya (fitting the task to the man); maka ada tiga filosofi dasar
perancangan yang bisa dipilih sesuai dengan tuntutan kebutuhannya yaitu:
a. Rancangan untuk ukuran rata-rata (design for average), yang banyak
dijumpai dalam perancangan produk atau fasilitas yang dipakai untuk umum

7
(public facilities) seperti pintu rumah dan fasilitas umum lainnya yang akan
dipakai oleh orang banyak.
b. Rancangan untuk ukuran ekstrim (design for extreem), yang ditujukan untuk
mengakomodasikan mereka yang memiliki ukuran yang terkecil atau yang
terbesar (dipilih salah satu) dengan oritentasi mayoritas populasi akan bisa
terakomodasi oleh rancangan yang dibuat.
c. Rancangan untuk ukuran yang bergerak dari satu ekstrim ke ekstrim ukuran
yang lain (design for range), yang diaplikasikan untuk memberikan fleksibilitas
ukuran (karena ukuran mampu diubah-ubah) sehingga mampu digunakan oleh
mereka yang memiliki ukuran tubuh terkecil maupun yang terbesar (biasanya
akan memakai ukuran dari range percentile 5th dan 95th).

Selanjutnya untuk mengaplikasikan data antropometri dalam proses


perancangan ada beberapa langkah dan sistematika prosedur yang harus ditempuh
yang dapat dijelaskan sebagai berikut:
a. Tentukan terlebih dahulu mayoritas (potensi) dari populasi yang diharapkan
akan memakai atau mengoperasikan produk atau fasilitas rancangan yang akan
dibuat (seperti yang dilakukan dalam langkah penetapan target dan segmentasi
pasar).
b. Tentukan proporsi dari populasi (percentile) yang harus diikuti.
c. Tentukan bagian-bagian tubuh dan dimensinya yang akan terkait dengan
rancangan yang dibuat.
d. Tentukan prinsip ukuran yang harus diikuti apakah rancangan tersebut untuk
ukuran ekstrim, rentang ukuran yang fleksibel (range), ataukah menggunakan
ukuran rata-rata.
e. Aplikasikan data antropometri yang sesuai dan tersedia.

Perancangan adalah suatu proses yang bertujuan untuk menganalisa,


menilai, memperbaiki dan menyusun suatu sistem, baik fisik maupun non fisik
yang optimum untuk waktu yang akan datang dengan memanfaatkan informasi
yang ada. Dalam membuat suatu rancangan produk, perlu mengetahui

8
karakteristik perancangan dan perancangnya. Beberapa karakteristik perancangan
adalah sebagai berikut:
a. Berorientasi pada Tujuan
b. variform
suatu anggapan bahwa terdapat sekumpulan solusi yang mungkin tidak terbatas,
tetapi harus dapat memilih salah satu ide yang akan diambil.
c. pembatas
Dimana pembatas ini membatasi jumlah solusi pemecahan, antara lain :
1. Hukum Alam: ilmu fisika, ilmu kimia, dan seterusnya.
2. Ekonomis: pembiayaan atau ongkos dalam menetralisir rancangan yang telah
dibuat.
3. Pertimbangan Manusia: sifat, keterbatasan, dan kemampuan manusia dalam
merancang dan memakainya.
4. Faktor Legalisasi: mulai dari model, bentuk sampai dengan hak cipta.
5. Fasilitas Produksi: sarana dan prasarana yang dibutuhkan untuk menciptakan
rancangan yang telah dibuat.
6. Evolutif: berkembang terus atau mampu mengikuti perkembangan zaman.
7. Perbandingan Nilai: membandingkan dengan tatanan nilai yang telah ada.

Sedangkan karakteristik perancang merupakan karakteristik yang


harus dipunyai oleh seorang perancang, antara lain :
a. Mempunyai kemampuan untuk mengidentifikasi masalah
b. Memiliki imajinasi untuk meramalkan masalah yang mungkin akan timbul
c. Berdaya cipta
d. Mempunyai kemampuan untuk menyederhanakan persoalan
e. Mempunyai keahlian dalam bidang rancangan yang dibuat
f. Dapat mengambil keputusan terbaik berdasarkan analisa dan prosedur yang
benar
g. Mempunyai sifat yang terbuka terhadap kritik dan saran dari orang lain

Hasil rancangan yang dibuat dituntut dapat memberikan kemudahan


dan kenyamanan bagi si pemakai. Oleh karena itu, rancangan yang akan dibuat

9
harus memperhatikan faktor manusia sebagai pemakainya. Faktor manusia ini
diantaranya dipelajari dalam ergonomi (antropometri). Beberapa hal yang perlu
diperhatikan dalam membuat suatu rancangan selain faktor manusia, antara lain:
a. Analisa Teknik
Banyak berhubungan dengan ketahanan, kekuatan, kekerasan dan seterusnya.
analisis teknik sebagai teknik penelitian yang objektif, sistematis, dan deskripsi
kuantitatif dari apa yang tampak dalam sebuah produk. Analisis teknik dapat di
pergunakan pada teknik kuantitatif maupun kualitatif, tergantung pada sisi mana
peneliti memanfaatkannya.
b. Analisa Ekonomi
Berhubungan perbandingan biaya yang harus dikeluarkan dan manfaat yang akan
diperoleh. Analisis ekonomi merupakan salah satu analisis yang digunakan pada
model teknik fundamental. Analisis ini cenderung digunakan untuk mengetahui
keadaan-keadaan yang bersifat makro dari suatu keadaan ekonomi. Kebijakan
moneter dapat memengaruhi return saham yang diterima dikarenakan oleh besar
kecilnya tingkat jumlah uang yang beredar. Ketika jumlah uang yang beredar
semakin tinggi, maka terdapat kecenderungan meningkatnya kegiatan
perekonomian secara keseluruhan. Hal ini dikarenakan perusahaan-perusahaan
mendapatkan supply uang yang lebih tinggi dari biasanya. Ketika supply uang
tinggi, maka kegiatan operasional yang bersifat profit oriented juga akan
meningkat dan otomatis akan membuat laba perusahaan meningkat pula. Hal ini
pada gilirannya nanti akan meningkatkan return saham dari perusahaan yang
bersangkutan.
c. Analisa Pemasaran
Berhubungan dengan jalur distribusi produk atau hasil rancangan sehingga dapat
sampai kepada konsumen. Pemasaran adalah aliran produk secara fisis dan
ekonomik dari produsen melalui pedagang perantara ke konsumen. Definisi
lain menyatakan bahwa pemasaran adalah suatu proses sosial dan manajerial yang
membuat individu atau kelompok mendapatkan apa yang mereka butuhkan dan
inginkan dengan menciptakan, menawarkan dan mempertukarkan produk yang
bernilai kepada pihak lain. Pemasaran melibatkan banyak kegiatan yang berbeda
yang menambah nilai produk pada saat produk bergerak melalui sistem tersebut.

10
Kegiatan-kegiatan dalam usaha pemasaran tidak hanya kegiatan memindahkan
barang atau jasa dari tangan produsen ke tangan konsumen saja dengan sistem
penjualan, tetapi banyak kegiatan lain yang juga dijalankan dalam kegiatan
pemasaran. Penjualan hanyalah salah satu dari berbagai fungsi pemasaran.
Apabila pemasar melakukan pekerjaan dengan baik untuk mengidentifikasi
kebutuhan konsumen, mengembangkan produk dan menetapkan harga yang tepat,
mendistribusikan dan mempromosikannya secara efektif, maka akan sangat
mudah menjual barang-barang tersebut.
d. Analisa Nilai
Analisa nilai adalah suatu prosedur untuk mengidentifikasikan ongkos-ongkos yang tidak
ada gunanya (tidak perlu).

Terdapat tiga tipe-tipe perancangan, yaitu :


1. Perancangan untuk pemakaian nilai ekstrim.
Contohnya: data dengan persentil ekstrim minimum 5% dan data ekstrim maksimum
95%.
2. Perancangan pemakaian nilai rata-rata.
Contohnya: data dengan persentil 50%.
3. Perancangan untuk pemakaian yang dapat disesuaikan.

2.4 Penyebab Variabilitas


Perbedaan antara suatu populasi dengan populasi yang lain adalah dikarenakan
oleh beberapa faktor-faktor ,yaitu keacakan, jenis kelamin, suku bangsa, usia,
jenis pekerjaan, faktor kehamilan pada wanita, cacat tubuh secara fisik. Faktor-
faktor tersebut sangat mempengaruhi data anthropometri yang nantinya akan
digunakan sebagai acuan dalam membuat perancangan suatu produk.

a. Keacakan
Dalam butir pertama ini walau pun telah terdapat dalam suatu kelompok populasi yang
sudah jelas sama jenis kelamin, suku bangsa, kelompok usia dan pekerjaan, namun masih
akan ada perbedaan yang masih cukup signifikan antara berbagai masyarakat.
b. Jenis Kelamin
Secara distribusi statistika ada perbedaan yang signifikan antara dimensi tubuh
pria dan wanita. Untuk kebanyakan dimensi tubuh pria dan wanita ada perbedaan

11
yang signifikan diantara mean (rata-rata) dan nilai perbedaan ini tidak bisa
diabaikan begitu saja. Pria dianggap lebih panjang dimensi segmen badannya
daripada wanita, oleh karenanya data antropometri untuk dua jenis kelamin
tersebut selalu disajikan terpisah.
c. Suku Bangsa
Variasi diantara beberapa kelompok suku bangsa telah menjadi hal yang tidak
kalah pentingnya terutama karena meningkatnya jumlah angka migrasi dari satu
negara ke negara lain. Suatu contoh sederhana yaitu dengan meningkatnya jumlah
penduduk yang migrasi dari negara Vietnam ke Australia, untuk mengisi satuan
jumlah angkatan kerja. Maka akan mempengaruhi antropometri nasional.
d. Usia
Beberapa kelompok usia telah menjadi hal yang penting dalam masalah
antropometri. Berikut ini kelompok usia yang digolongkan dalam masalah
antropometri, yaitu:
1. Balita
2. Anak-anak
3. Remaja
4. Dewasa
5. Lanjut usia

Hal ini jelas berpengaruh terutama jika desain diaplikasikan untuk antropometri
anak-anak. Antropometri akan cendrung terus meningkat sampai batas usia
dewasa, namun setelah menginjak usia dewasa, tinggi badan manusia mepunyai
kecendrungan untuk menurun yang antara lain disebabkan oleh berkurangnya
elastisitas tulang belakang. Selain itu juga berkurangnya dinamika gerakan tangan
dan kaki.
e. Jenis Pekerjaan
Beberapa jenis pekerjaan tertentu menuntut adanya persaratan dalam seleksi
karyawan. Seperti misalnya: buruh dermaga adalah harus mepunyai postur yang
relatif lebih besar dibandingkan dengan karyawan perkantoran pada umumnya.

12
f. Faktor Kehamilan Pada Wanita
Faktor ini sudah jelas akan mempunyai pengaruh perbedaan yang berarti kalau
dibandingkan dengan wanita yang tidak hamil, terutama yang berkaitan dengan
analisa perancangan produk (APP) dan anlisa perancangan kerja (APK).
g. Cacat Tubuh Secara Fisik
Suatu perkembangan yang sangat menggembirakan pada dekade terakhir yaitu
dengan diberikannya skala prioritas pada rancang bangun fasilitas akomodasi
untuk para penderita cacat tubuh secara fisik sehingga mereka dapat ikut serta
merasakan kesamaan dalam penggunaan jasa dari hasil ilmu ergonomi didalam
pelayanan untuk masyarakat.

2.5 Metode Ergonomi


Terdapat beberapa metode dalam pelaksanaan ilmu ergonomi. Metode-
metode tersebut antara lain:
a. Diagnosis, dapat dilakukan melalui wawancara dengan pekerja, inspeksi
tempat kerja penilaian fisik pekerja, uji pencahayaan, ergonomic checklist dan
pengukuran lingkungan kerja lainnya. Variasinya akan sangat luas mulai dari
yang sederhana sampai kompleks.
b. Treatment, pemecahan masalah ergonomi akan tergantung data dasar pada saat
diagnosis. Kadang sangat sederhana seperti merubah posisi pintu, letak
pencahayaan yang sesuai. Membeli furniture sesuai dengan demensi fisik pekerja.
c. Follow-up, dengan evaluasi yang subyektif atau obyektif, subyektif misalnya
dengan menanyakan kenyamanan, bagian badan tidak muat atau terlalu sempit
sehingga desain pintu diambil rata-rata dari sampel. Secara obyektif misalnya
dengan parameter produk yang ditolak, absensi sakit, angka kecelakaan dan lain-
lain.
Memahami prinsip ergonomi akan mempermudah evaluasi setiap
tugas atau pekerjaan meskipun ilmu pengetahuan dalam ergonomi terus
mengalami kemajuan dan teknologi yang digunakan dalam pekerjaan tersebut
terus berubah. Prinsip ergonomi adalah pedoman dalam menerapkan ergonomi di
tempat kerja, terdapat 12 prinsip ergonomi yaitu:

13
a. Bekerja dalam posisi atau postur normal
b. Mengurangi beban berlebihan
c. Menempatkan peralatan agar selalu berada dalam jangkauan
d. Bekerja sesuai dengan ketinggian dimensi tubuh
e. Mengurangi gerakan berulang dan berlebihan
f. Minimalisasi gerakan statis
g. Minimalisasikan titik beban
h. Mencakup jarak ruang
i. Menciptakan lingkungan kerja yang nyaman
j. Melakukan gerakan, olah raga, dan peregangan saat bekerja
k. Membuat agar display dan contoh mudah dimengerti
l. Mengurangi stres.

2.6 Aplikasi atau Penerapan Ergonomi

Dalam lapangan kerja, ergonomi ini juga mempunyai peranan yang cukup besar.
Semua bidang pekerjaan selalu menggunakan ergonomi. Ergonomi ini diterapkan
pada dunia kerja supaya pekerja merasa nyaman dalam melakukan pekerjaannya.
Dengan adanya rasa nyaman tersebut maka produktivitas kerja diharapkan
menjadi meningkat.

Prinsip – prinsip penerapan ergonomi dari data antropometri adalah:


a. Prinsip perancangan bagi individu dengan ukuran ekstrim.
Berdasarkan prinsip ini, rancangan yang dibuat bisa digunakan oleh individu
ekstrim yaitu terlalu lebar/tinggi atau sempit dibandingkan dengan rata- ratanya
agar memenuhi sasaran.
b. Prinsip perancangan yang bisa disesuaikan.
Disini, rancangan bisa diubah-ubah ukurannya sehingga cukup fleksibel untuk
diaplikasikan pada berbagai ukuran tubuh (berbagai populasi). Dengan
menggunakan prinsip ini maka kita dapat merancang produk yang dapat
disesuaikan dengan keinginan konsumen. Misalnya sebuah pintu.

14
c. Prinsip perancangan dengan ukuran rata-rata.
Rancangan didasarkan atas rata-rata ukuran manusia. Prinsip ini dipakai jika
peralatan yang didesain harus dapat dipakai untuk berbagai ukuran tubuh
manusia. Desain dengan prinsip ini dapat dikatakan perancangan dengan persentil
50. Masalahnya adalah bahwa dapat dikatakan sangat sedikit atau tidak ada yang
namanya individu rata-rata sehingga perancangan berdasarkan prinsip ini
memerlukan kajian yang lebih mendalam lagi.

2.7 Rumus-rumus Perhitungan Antropometri


a. Mean / rata-rata ( )
Rata-rata adalah perbandingan antara jumlah nilai data dengan
banyak data. Jika suatu data terdiri atas x1, x2, x3, ..., xn maka rata-rata data tersebut
dirumuskan sebagai berikut.

Dengan:
𝑥̅ = mean/rata-rata
n = banyak data
xi = nilai data ke-i
b. Standar Deviasi (Simpangan Baku)
Untuk mencari simpangan baku atau standar deviasi (S ), maka digunakan rumus
sebagai berikut:

Dengan:
S = standar deviasi (simpangan baku)
xi = nilai data ke-i
𝑥̅ = mean/rata-rata
n = banyaknya data
c. Persentil (5%, 50%, 95%)

15
Jika kumpulan data dibagi menjadi 100 bagian yang sama, maka didapat sembilan
pembagi dan tiap pembagi dinamakan “PERSENTIL”. Tabel untuk mencari nilai
persentil adalah sebagai berikut:

Tabel 2.3 Distribusi Normal dan Perhitungan Persentil


Persentil Calculation
1% - 2,325
2.5% - 1,960
5% - 1,645
10% - 1,280
50%
90% + 1,280
95% + 1,645
97.5% + 1,960
99% + 2,325

2.8 Flowchart Pengumpulan Data

Proses pengumpulan data untuk modul antropometri, tahapannya dijelaskan dalam


bentuk flowchat. Setiap tahapan dalam flowchart merupakan prosedur yang
dilakukan saat melakukan pengumpulan data.

Langkah pertama dalam tahapan pengumpulan data adalah menyiapkan alat


diantaranya kursi antropometri, meteran jahit, meteran bangunan, dua buah batang
kayu untuk membantu proses pengukuran, busur, dan lembar data antropometri.
Setelah menyiapkan alat, kemudian tahapan berikutnya adalah melakukan
pengukuran dimensi tubuh untuk 38 mahasiswa dengan menggunakan alat yang
tersedia, untuk 39 data antropometri statis dan 3 data antropometri dinamis.
Setelah melakukan pengukuran dimensi tubuh, keseluruhan data antropometri
dicatat dalam lembar data antropometri.

Data antropometri dikatakan mencukupi, bila jumlah keseluruhan data yakni


sebanyak 42 data antropometri. Selanjutnya data antropometri yang diperoleh saat

16
melakukan pengukuran, dicatat dalam lembar data antropometri. Proses
berikutnya untuk data antropometri yang diperoleh bila sudah sesuai, maka
berlanjut ke proses berikutnya untuk menentukan produk yang akan dibuat.
Namun jika data antropometri belum sesuai, maka harus melakukan pengukuran
kembali. Selanjutnya bila data antropometri sudah mencukupi, maka dapat
merapikan alat untuk diletakkan kembali pada tempatnya. Langkah berikutnya
menentukan produk yang akan dirancang dari hasil pengukuran antropometri,
dalam hal ini produk yang akan dirancang adalah meja staff.

3.2 Peralatan yang Digunakan

Peralatan yang digunakan beserta penjelasan fungsinya dalam proses


pengumpulan data yang dilakukan dengan mengukur dimensi tubuh dari 32
mahasiswa untuk membuat rancangan produk bangku kerja , sebagai berikut.

1. Kursi antropometri, digunakan untuk mengukur seluruh bagian dimensi


tubuh.
2. Meteran jahit dan meteran bangunan, digunakan untuk mengukur dimensi
tubuh secara manual.
3. Busur, digunakan untuk mengukur ketepatan sudut putaran pada dimensi
tubuh.
4. Dua buah batang kayu, digunakan untuk membantu pengukuran dimensi
tubuh yang sulit dijangkau.
5. Lembar data antropometri, digunakan untuk mencatat keseluruhan hasil
pengukuran dimensi tubuh yang terdiri dari 39 data antropometri statis dan 4
data antopometri dinamis.

17
BAB III

PENGUMPULAN DAN PENGOLAHAN DATA

3.1 Rekapitulasi data Antropometri

Bagian ini menampilkan keseluruhan data antropometri untuk jumlah 32


praktikan, yang tercantum dalam lembar data antropometri dinamis dan lembar
data antropometri statis. Berikut ini adalah keseluruhan data antropometri dari
seluruh kelompok, mulai dari data antropometri praktikan 1 sampai 32.

III.1 Rekapitulasi data antropometri seluruh perakitan dalam 1 tabel

Data Antropometri yang terdiri dari 43 Variabel dari 32 Sample Mahasiswa


Universitas Krinadwipayan Teknik Industri, Yang Terdiri dari Mahasiswa &
Mahasiswi.

18
BERDIRI DENGAN Pengukuran
DUDUK MENGHADAP KE BERDIRI DENGAN
DUDUK SAMPING BERDIRI TANGAN JARI TANGAN ANTROPOMETRI
DEPAN LURUS KEDEPAN
No DIRENTANGKAN Dinamis
LePn LeSan LePng TPiga Jang PaLe TiLu Te Be Pang Le23 PutLe PutLe PutT PutT
TDT TDN TMD TBD TSD TSP Tpi TePe TePa TiPo PP-P PP-L LeBa S k S TBT TMT TBB TSiB TeD JangTaDe Rentang tangan Pj 1 Pj 2 Pj 3 Pj 4 Pj 5 LeTP PTT
ggul Duk gang ngB TA Ba Ber Per Ba k T 45 ngKa ngKi TKa TKi
1 87 86 77 52 41 58 48 26 20 35 50 55 44 41 34 40 52 174 164 145 112 103 215 84 52 23 26 65 85 177 7 8 9 8 6 20 9 11 15 70 70 70 50
2 70 69 64 59 40 48 46 25 15 41 50 57 45 40 32 37 45 158 146 131 100 98 200 72 48 23 21 48 70 160 6 7 8 7 6 18 8 9 15 90 90 80 80
3 86 83 74 59 40 46 32 26 22 33 55 64 51 42 34 43 47 167 155 139 102 105 206 78 53 27 25 66 81 172 7 8 9 8 7 19 8 10 14 50 60 80 80
4 72 71 67 62 47 46 24 29 21 49 44 43 44 42 34 40 52 168 159 148 141 111 206 84 53 27 28 65 81 171 8 9 10 8 7 19 8 11 15 70 80 60 70
5 75 73 84 57 47 51 29 30 23 45 52 60 46 45 42 40 50 174 159 141 102 107 218 81 53 25 27 75 88 178 7 9 10 9 7 19 9 15 15 70 70 90 70
6 75 73 88 66 32 57 28 24 16 50 49 61 44 29 36 31 51 179 169 153 117 109 228 85 57 17 18 52 80 177 7 11 11 10 8 18 10 12 15 70 60 70 70
7 58 66 64 57 39 46 44 24 20 40 48 54 45 40 33 38 44 155 144 130 94 95 198 75 50 25 25 66 68 156 5 6 7 6 5 17 8 9 14 70 60 60 70
8 72 72 61 47 56 49 31 22 16 43 57 57 48 39 41 32 51 167 154 138 102 106 200 79 49 22 23 65 75 168 6 7 8 7 6 18 8 12 16 70 80 60 70
9 73 72 68 63 51 63 30 26 20 44 48 56 42 31 33 30 50 163 156 135 106 105 124 59 50 20 24 50 70 160 6 7 8 7 6 19 9 10 15 60 70 70 70
10 77 75 70 65 53 65 32 28 18 45 50 60 45 34 35 35 52 167 160 140 110 107 126 60 51 23 26 53 75 170 7 8 9 8 7 19 10 11 15 65 70 70 70
14 73 72.7 68.5 62.5 51 63 30 26.5 13 44 48 56 42 31 33 30 50 167 160 136 106 105 205 30 50 23 23 66 74 163 6 8 10 9 8 13 7 10 18 60 60 70 60
15 78 76 68.5 50 30 47 24 20 20 42 53 62 42 30 32 32 45 166 162 139 114 106 194 26 46 19 15 50 80 170 7 11 12 10 9 12 8.5 12 18 50 45 60 75

19
16 92 90 76 63.5 30 51 26 26 20 45 50 57 47 34 33 30 43 171 170 144 110 102 210 26 45 23 25 80 82 170 7 9 10 9 8 10 8 10 19 50 45 60 70
17 89 86 78 57 24 55 24 29 20 51 59 48 35 32 38 33 60 167 170 140 110 97 210 28 50 22 24 80 80 170 8 11 11 10 8 9 7.5 11 20 55 45 60 75
18 87 84 74 53 26 56 22 20 15 40 49 43 30 29 25 39 42 164 157 139 102 97 205 25 42 14 13 51 68 160 6 9 10 10 8 8 7.5 8 19 50 45 70 70
19 86 85 73 57 30 55 19 25 18 53 56 40 27 30 33 37 41 173 160 147 116 102 215 26 51 23 22 67 74 175 7 8 10 9 8 9 7.5 10 19 55 45 75 70
20 72 70 67 61 25 47 29 26 21 47 54 65 43 45 35 35 52 159 149 134 100 97 200 30 51 27 25 62 77 162 7 9 9 8 7 9 9 12 17 60 50 80 70
21 85 78 76 57 25 53 24 21 15 44 46 52 44 32 30 26 42 165 157 142 111 101 210 27 48 20 19 61 82 165 7 9 11 10 8 9.5 8.5 11 18 60 55 75 65
22 75 63 72 60 16 46 20 22 16 51 44 55 25 30 40 28 44 168 156 146 118 112 195 34 47 24 22 59 82 164 14 12 9 6 9 13 7 12 16 50 55 75 60
23 80 63 32 58 20 48 24 25 18 48 45 57 47 34 43 29 46 170 154 154 108 100 189 50 49 27 23 62 75 162 12 11 8 8 7 8 8 11 17 50 60 85 55
24 79 66 68 60 20 51 24 24 17 50 47 54 42 32 38 34 42 165 155 157 107 108 192 52 17 26 21 64 73 166 12 9 8 7 7 9 7 9 17 60 65 80 60
25 77 66 67 58 25 50 26 24 19 50 45 58 42 28 35 32 48 169 158 148 108 107 202 42 45 28 24 63 78 162 13 12 9 8 8 10 10 9 16 65 60 80 65
26 75 67 70 57 28 53 23 23 16 54 41 52 41 30 32 35 43 176 169 146 112 105 200 40 40 24 18 63 75 164 10 7 7 9 7 11 8 10 19 65 60 60 70
27 73 68 72 58 26 52 24 25 18 43 48 54 30 39 36 31 49 165 150 149 115 106 196 38 44 22 20 66 79 168 8 8 6 10 7 11 8 8 18 55 65 85 75
28 76 65 73 60 25 49 22 26 19 49 48 55 46 28 33 37 46 168 162 158 104 102 189 52 46 26 23 70 81 164 10 6 8 7 7 11 10 11 19 50 50 85 65
29 82 64 72 63 28 58 24 24 16 56 46 58 39 31 31 38 43 167 164 156 110 98 190 48 50 25 19 69 76 170 12 11 9 8 7 10 10 12 16 60 50 80 60
30 79 62 74 26 25 55 25 23 17 56 47 53 39 29 34 35 45 172 158 155 106 100 46 46 51 21 21 65 80 173 8 8 6 10 7 11 9 10 16 50 55 75 70
31 80 60 70 56 31 54 23 26 21 58 46 59 36 30 32 38 44 170 154 160 114 104 39 36 45 25 24 59 78 169 12 11 10 10 8 13 8 9 18 60 50 70 70
32 81 65 68 59 31 56 20 27 20 46 48 51 40 34 35 34 49 165 156 153 112 106 40 31 49 19 21 68 70 159 9 8 6 12 8 12 9 9 17 55 60 70 75
3.2 Uji Kenormalan, Uji keseragaman, Uji kecukupan data untuk setiap
variabel pengukuran

Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai
sebaran data pada sebuah kelompok data atau variabel, apakah sebaran data
tersebut berdistribusi normal ataukah tidak.
Variabel dikatakan Normal apabila Nilai α = level signifikansi > 5% = 0,05.

Langkah-Langkah Uji Normalitas Dengan Aplikasi IBM SPSS Statistik 19 :


1. Buka Aplikasi IBM SPSS Statistik 19
2. Pada Sheet Data View, masukan data 32 Sample 43 Variabel
3. Pada Sheet Variable View bagian “Colum Name” gantilah sesuai nama
variable
4. Pilih menu Analyze > Nonparametric Test > Legacy Dialogs >1- sample
K-S
5. Data 43 Variabel di Colum kiri pidah ke Colum Kanan > Ok
6. Maka Akan Muncul Output data One-“Sample Kolmogorov-Smirnov
Test” Seperti Tabel di bawah Ini.

One-Sample Kolmogorov-Smirnov Test


TDT TDN TMD TBD TSD TSP
N 29.00 29.00 29.00 29.00 29.00 29.00
Mean 78.07 72.09 70.21 57.34 33.17 52.69
Normal Parametersa,b Std.
7.02 8.33 9.30 7.37 10.98 5.38
Deviation
Absolute 0.12 0.15 0.23 0.27 0.20 0.11
Most Extreme Differences Positive 0.08 0.15 0.13 0.13 0.20 0.11
Negative (0.12) (0.11) (0.23) (0.27) (0.10) (0.11)
Kolmogorov-Smirnov Z 0.67 0.79 1.22 1.48 1.07 0.58
Asymp. Sig. (2-tailed) 0.76 0.56 0.10 0.03 0.20 0.90

Variabel dikatakan Normal apabila Nilai α = level signifikansi > 5% = 0,05. Maka
untuk melihat data hasil pengolahan data melalui aplikasi IBM SPSSS Statistik 19
Nilai “Asymp. Sig. (2-tailed)” harus lebih dari 0.05.
Untuk Variabel TDT,TDN,TMD,TBD,TSD & TSP datanya dikatakan Normal.

20
One-Sample Kolmogorov-Smirnov Test

LeBa LePggul LePinggang S_k_S TBT


LeSanDuk
N 29.00 29.00 29.00 29.00 29.00 29.00
Mean 41.03 34.17 34.55 34.45 47.17 167.55
Normal Parametersa,b Std.
6.33 5.37 3.75 4.19 4.38 5.16
Deviation
Absolute 0.19 0.21 0.18 0.11 0.14 0.14
Most Extreme Differences Positive 0.10 0.21 0.18 0.10 0.14 0.12
Negative (0.19) (0.13) (0.14) (0.11) (0.09) (0.14)
Kolmogorov-Smirnov Z 1.01 1.13 0.95 0.58 0.75 0.74
Asymp. Sig. (2-tailed) 0.26 0.16 0.33 0.89 0.63 0.64

Untuk Variabel LeBa,Lepggul,LeSanDuk,LePinggang,S_k_s & TBT Nilai “Asymp.


Sig. (2-tailed)” lebih dari 0.05 maka data Dikatakan Normal

One-Sample Kolmogorov-Smirnov Test

TMT TBB TSiE JangTA PaLeBa


TPinggangB
N 29.00 29.00 29.00 29.00 29.00 29.00
Mean 158.17 144.93 109.28 103.48 180.97 49.79
Normal Parametersa,b Std.
6.58 8.37 8.40 4.42 52.93 21.32
Deviation
Absolute 0.13 0.11 0.13 0.15 0.39 0.13
Most Extreme Differences Positive 0.11 0.10 0.13 0.10 0.21 0.13
Negative (0.13) (0.11) (0.10) (0.15) (0.39) (0.13)
Kolmogorov-Smirnov Z 0.67 0.58 0.71 0.82 2.09 0.68
Asymp. Sig. (2-tailed) 0.75 0.89 0.70 0.52 0.00 0.74

Untuk Variabel TMT,TBB,TSiE,TPinggangB,JangTA & PaLeBa Nilai “Asymp. Sig.


(2-tailed)” lebih dari 0.05 maka data Dikatakan Normal

One-Sample Kolmogorov-Smirnov Test

TiLuBe TeD TePer Beba


JangTaDe RenTangn
N 29.00 29.00 29.00 29.00 29.00 29.00
Mean 47.66 23.10 22.24 63.10 77.14 167.07
Normal Parametersa,b Std.
6.92 3.27 3.46 8.17 5.03 5.88
Deviation
Absolute 0.21 0.14 0.14 0.14 0.13 0.11
Most Extreme Differences Positive 0.19 0.08 0.07 0.12 0.10 0.11
Negative (0.21) (0.14) (0.14) (0.14) (0.13) (0.10)
Kolmogorov-Smirnov Z 1.15 0.77 0.75 0.73 0.69 0.61
Asymp. Sig. (2-tailed) 0.15 0.60 0.63 0.66 0.72 0.85

Untuk Variabel TiLuBe,TeD,TePer,Beba,JangTaDe & RenTangn Nilai “Asymp. Sig.


(2-tailed)” lebih dari 0.05 maka data Dikatakan Normal

21
One-Sample Kolmogorov-Smirnov Test
Pj1 Pj2 Pj3 Pj4 Pj5 Pang_K
N 29.00 29.00 29.00 29.00 29.00 29.00
Mean 8.31 8.84 8.86 8.50 7.19 13.26
Normal Parametersa,b Std.
2.47 1.71 1.51 1.40 0.85 4.18
Deviation
Absolute 0.25 0.19 0.16 0.16 0.24 0.19
Most Extreme Differences Positive 0.25 0.19 0.10 0.16 0.17 0.19
Negative (0.14) (0.14) (0.16) (0.12) (0.24) (0.18)
Kolmogorov-Smirnov Z 1.37 1.01 0.85 0.85 1.29 1.01
Asymp. Sig. (2-tailed) 0.05 0.26 0.47 0.47 0.07 0.26

Untuk Variabel Pj1,Pj2,Pj3,Pj4,Pj5&Pang_K Nilai “Asymp. Sig. (2-tailed)” lebih dari


0.05 maka data Dikatakan Normal

One-Sample Kolmogorov-Smirnov Test

Le2345 LeTP PTT PutLengKa PutTTKa


PutLengKi
N 29.00 29.00 29.00 29.00 29.00 29.00
Mean 8.43 10.47 16.72 60.17 59.66 72.59
Normal Parametersa,b Std.
0.94 1.49 1.68 9.40 11.57 9.03
Deviation
Absolute 0.23 0.14 0.16 0.16 0.18 0.16
Most Extreme Differences Positive 0.23 0.14 0.16 0.16 0.18 0.16
Negative (0.12) (0.12) (0.16) (0.14) (0.10) (0.15)
Kolmogorov-Smirnov Z 1.23 0.75 0.85 0.88 0.96 0.86
Asymp. Sig. (2-tailed) 0.10 0.62 0.47 0.43 0.32 0.45

Untuk Variabel Le2345, LeTP, PTT, PutLengKa, PutLengKi & PutTTKa Nilai “Asymp.
Sig. (2-tailed)” lebih dari 0.05 maka data Dikatakan Normal

One-Sample Kolmogorov-Smirnov Test


PutTTKi
N 29.00
Mean 68.28
Normal Parametersa,b Std.
6.85
Deviation
Absolute 0.29
Most Extreme Differences Positive 0.19
Negative (0.29)
Kolmogorov-Smirnov Z 1.56
Asymp. Sig. (2-tailed) 0.02

Untuk Variabel PutTTKi Nilai “Asymp. Sig. (2-tailed)” lebih dari 0.05 maka data
Dikatakan Normal

22
III.2 Uji Keseragaman
Untuk memastikan bahwa data yang terkumpul berasal dari system yang sama, maka
dilakukan pengujian terhadap keseragaman data.
dapun rumus yang digunakan dalam pengujian keseragaman data adalah:
̅ kσ
BKA = x +
BKB = x -̅ kσ
rumus standard deviasi

Dimana:
• BKA = Batas Kontrol Atas
• BKB = Batas Kontrol Bawah
• x ̅= Nilai Data Rata-Rata
• σ = Standar Deviasi
• k = Tingkat Keyakinan

Langkah-Langkah Uji Normalitas Dengan Aplikasi IBM SPSS Statistik 19 :


1. Buka Aplikasi IBM SPSS Statistik 19
2. Pada Sheet Data View, masukan data 32 Sample 43 Variabel
3. Pada Sheet Variable View bagian “Colum Name” gantilah sesuai nama
variable
4. Pilih menu Analyze > Quality Control >Control Chart > Individual
Moving range > Define >Maukan variable yang akan di cek ke procees
measurement > Ok
5. Maka Akan Muncul Output data Output Control Chart Seperti Tabel di
bawah Ini.

23
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control bawah maka data dianggap tidak
seragam.

24
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control atas maka data dianggap tidak
seragam.

25
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control bawah maka data dianggap tidak
seragam.

26
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control bawah maka data dianggap tidak
seragam.

27
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
karena ada data yang melebihi batas control atas Dan control bawah maka data
dianggap tidak seragam.

28
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

29
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control atas maka data dianggap tidak
seragam.

30
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

31
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

32
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

33
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

34
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

35
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

36
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

37
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

38
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

39
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

40
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

41
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

42
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

43
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control atas maka data dianggap tidak
seragam.

44
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

45
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control bawah maka data dianggap tidak
seragam.

46
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
karena ada data yang melebihi batas control atas Dan control bawah maka data
dianggap tidak seragam.

47
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control bawah maka data dianggap tidak
seragam.

48
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

49
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

50
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

51
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

52
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control atas maka data dianggap tidak
seragam.

53
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

54
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

55
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control atas maka data dianggap tidak
seragam.

56
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
karena ada data yang melebihi batas control atas Dan control bawah maka data
dianggap tidak seragam.

57
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
karena ada data yang melebihi batas control atas Dan control bawah maka data
dianggap tidak seragam.

58
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

59
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

60
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control atas maka data dianggap tidak
seragam.

61
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control atas maka data dianggap tidak
seragam.

62
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control atas maka data dianggap tidak
seragam.

63
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena data berada dalam rentang batas control atas dan batas control bawah
maka sampel dianggap seragam.

64
UCL adalah batas control, Average adalah rata-rata dan LCL adalah batas control
bawah.
Karena ada data yang melebihi batas control bawah maka data dianggap tidak
seragam.

III.2 Uji Kecukupan data


Uji kecukupan data diperlukan untuk memastikan bahwa yang telah dikumpulkan
dan disajikan dalam laporan penimbangan tersebut adalah cukup secara obyektif.

Tes kecukupan data dapat dilakukan dengan menggunakan rumus sebagai berikut:

Rumus Tes Kecukupan Data

65
Dimana:
k= Tingkat Keyakinan (99% ≈ 3, 95% ≈ 2)
s = Derajat Ketelitian
N = Jumlah Data Pengamatan

N’ = Jumlah Data Teoritis


x = Data Pengamatan

Jika N’ ≤ N maka data dianggap cukup, namun jika N’ > N data tidak cukup
(kurang) dan perlu dilakukan penambahan data.

1. Untuk TDT

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 178.128,00−( 5.125.696,00 )


N’= ( )²
2.264,00

30315,67251
N’= ( )²
2.264,00

N’= 179,30

Karena N’ > N Maka data tidak cukup (kurang)

2. Untuk TDN

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

66
40√32 . 152.669,29 −( 4.371.026,49 )
N’= ( )²
2.090,70

28688,4169
N’= ( )²
2.090,70

N’= 188,29

Karena N’ > N Maka data tidak cukup (kurang)

3. Untuk TMD

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 145.363,50 −( 4.145.296,00 )


N’= ( )²
2.036,00

28462,91622
N’= ( )²
2.036,00

N’= 195,44

Karena N’ > N Maka data tidak cukup (kurang)

4. Untuk TBD

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

67
40√32 . 96.885,50 −( 2.765.569,00 )
N’= ( )²
1.663,00

23143,62115
N’= ( )²
1.663,00

N’= 193,68

Karena N’ > N Maka data tidak cukup (kurang)

5. Untuk TSD

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 35.290,00 −( 925.444,00 )


N’= ( )²
962,00

18059,28016
N’= ( )²
962,00

N’= 352,41

Karena N’ > N Maka data tidak cukup (kurang)

6. Untuk TSP

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

68
40√32 . 81.320,00 −( 2.334.784,00 )
N’= ( )²
1.528,00

20686,45934
N’= ( )²
1.528,00

N’= 183,28

Karena N’ > N Maka data tidak cukup (kurang)

7. Untuk Tpi

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 23.403,00 −( 635.209,00 )


N’= ( )²
797,00

13487,00115
N’= ( )²
797,00

N’= 286,36

Karena N’ > N Maka data tidak cukup (kurang)

8. Untuk TePe

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

69
40√32 . 18.176,25 −( 522.006,25 )
N’= ( )²
722,50

9768,009009
N’= ( )²
722,50

N’= 182,78

Karena N’ > N Maka data tidak cukup (kurang)

9. Untuk TePa

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 9.856,00 −( 280.900,00 )


N’= ( )²
530,00

7428,808787
N’= ( )²
530,00

N’= 196,47

Karena N’ > N Maka data tidak cukup (kurang)

10. Untuk TiPo

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

70
40√32 . 64.034,00 −( 1.827.904,00 )
N’= ( )²
1.352,00

18812,08122
N’= ( )²
1.352,00

N’= 193,61

Karena N’ > N Maka data tidak cukup (kurang)

11. Untuk PP-P

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 70.315,00 −( 2.024.929,00 )


N’= ( )²
1.423,00

18980,03161
N’= ( )²
1.423,00

N’= 177,90

Karena N’ > N Maka data tidak cukup (kurang)

12. Untuk PP-L

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

71
40√32 . 88.806,00 −( 2.547.216,00 )
N’= ( )²
1.596,00

21709,94242
N’= ( )²
1.596,00

N’= 185,03

Karena N’ > N Maka data tidak cukup (kurang)

13. Untuk LeBa

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 49.952,50 −( 1.416.100,00 )


N’= ( )²
1.190,00

17082,38859
N’= ( )²
1.190,00

N’= 206,06

Karena N’ > N Maka data tidak cukup (kurang)

14. Untuk LePnggul

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

72
40√32 . 34.671,00 −( 982.081,00 )
N’= ( )²
991,00

14276,75033
N’= ( )²
991,00

N’= 207,54

Karena N’ > N Maka data tidak cukup (kurang)

15. Untuk LeSanDuk

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 35.014,00 −( 1.004.004,00 )


N’= ( )²
1.002,00

13649,55677
N’= ( )²
1.002,00

N’= 185,57

Karena N’ > N Maka data tidak cukup (kurang)

16. Untuk LePnggang

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

73
40√32 . 34.905,00 −( 998.001,00 )
N’= ( )²
999,00

13796,17338
N’= ( )²
999,00

N’= 190,72

Karena N’ > N Maka data tidak cukup (kurang)

17. Untuk S kS

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 65.068,00 −( 1.871.424,00 )


N’= ( )²
1.368,00

18363,09342
N’= ( )²
1.368,00

N’= 180,19

Karena N’ > N Maka data tidak cukup (kurang)

18. Untuk TBT

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

74
40√32 . 814.844,85 −( 23.608.909,21 )
N’= ( )²
4.858,90

62815,61577
N’= ( )²
4.858,90

N’= 167,13

Karena N’ > N Maka data tidak cukup (kurang)

19. Untuk TMT

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 726.749,00 −( 21.040.569,00 )


N’= ( )²
4.587,00

59536,86589
N’= ( )²
4.587,00

N’= 168,47

Karena N’ > N Maka data tidak cukup (kurang)

20. Untuk TBB

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

75
40√32 . 611.109,00 −( 17.665.209,00 )
N’= ( )²
4.203,00

54994,96704
N’= ( )²
4.203,00

N’= 171,21

Karena N’ > N Maka data tidak cukup (kurang)

21. Untuk TSiB

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 348.273,00 −( 10.042.561,00 )


N’= ( )²
3.169,00

41993,80907
N’= ( )²
3.169,00

N’= 175,60

Karena N’ > N Maka data tidak cukup (kurang)

22. Untuk TPigangB

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

76
40√32 . 311.099,00 −( 9.006.001,00 )
N’= ( )²
3.001,00

38970,08083
N’= ( )²
3.001,00

N’= 168,63

Karena N’ > N Maka data tidak cukup (kurang)

23. Untuk JangTA

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 1.028.160,00 −( 27.541.504,00 )


N’= ( )²
5.248,00

92603,37791
N’= ( )²
5.248,00

N’= 311,36

Karena N’ > N Maka data tidak cukup (kurang)

24. Untuk PaLeBa

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

77
40√32 . 84.628,00 −( 2.085.136,00 )
N’= ( )²
1.444,00

31571,12605
N’= ( )²
1.444,00

N’= 478,02

Karena N’ > N Maka data tidak cukup (kurang)

25. Untuk TiLuBer

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 67.200,00 −( 1.909.924,00 )


N’= ( )²
1.382,00

19615,34094
N’= ( )²
1.382,00

N’= 201,45

Karena N’ > N Maka data tidak cukup (kurang)

26. Untuk TeD

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

78
40√32 . 15.778,00 −( 448.900,00 )
N’= ( )²
670,00

9465,389585
N’= ( )²
670,00

N’= 199,58

Karena N’ > N Maka data tidak cukup (kurang)

27. Untuk TePe

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 14.681,00 −( 416.025,00 )


N’= ( )²
645,00

9275,084905
N’= ( )²
645,00

N’= 206,78

Karena N’ > N Maka data tidak cukup (kurang)

28. Untuk BeBa

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

79
40√32 . 117.346,00 −( 3.348.900,00 )
N’= ( )²
1.830,00

25492,64992
N’= ( )²
1.830,00

N’= 194,06

Karena N’ > N Maka data tidak cukup (kurang)

29. Untuk JangTaDe

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 173.267,00 −( 5.004.169,00 )


N’= ( )²
2.237,00

29404,08135
N’= ( )²
2.237,00

N’= 172,78

Karena N’ > N Maka data tidak cukup (kurang)

30. Untuk Rentang Tangan

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

80
40√32 . 810.417,00 −( 23.474.025,00
N’= ( )²
4.845,00

62728,86417
N’= ( )²
4.845,00

N’= 167,63

Karena N’ > N Maka data tidak cukup (kurang)

31. Untuk Pj 1

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 2.173,00 −( 58.081,00 )


N’= ( )²
241,00

4281,121348
N’= ( )²
241,00

N’= 315,56

Karena N’ > N Maka data tidak cukup (kurang)

32. Untuk Pj 2

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

81
40√32 . 2.350,25 −( 65.792,25 )
N’= ( )²
256,50

3881,391503
N’= ( )²
256,50

N’= 228,98

Karena N’ > N Maka data tidak cukup (kurang)

33. Untuk Pj 3

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 2.341,50 −( 66.049,00 )


N’= ( )²
257,00

3769,137832
N’= ( )²
257,00

N’= 215,09

Karena N’ > N Maka data tidak cukup (kurang)

34. Untuk Pj 4

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

82
40√32 . 2.149,75 −( 60.762,25 )
N’= ( )²
246,50

3584,354893
N’= ( )²
246,50

N’= 211,44

Karena N’ > N Maka data tidak cukup (kurang)

35. Untuk Pj 5

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 1.519,25 −( 43.472,25 )


N’= ( )²
208,50

2868,797658
N’= ( )²
208,50

N’= 189,32

Karena N’ > N Maka data tidak cukup (kurang)

36. Untuk Pang k T

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

83
40√32 . 5.587,25 −( 147.840,25 )
N’= ( )²
384,50

7037,243779
N’= ( )²
384,50

N’= 334,98

Karena N’ > N Maka data tidak cukup (kurang)

37. Untuk Le2345

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 2.086,25 −( 59.780,25 )


N’= ( )²
244,50

3341,795924
N’= ( )²
244,50

N’= 186,81

Karena N’ > N Maka data tidak cukup (kurang)

38. Untuk LeTP

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

84
40√32 . 3.238,25 −( 92.112,25 )
N’= ( )²
303,50

4291,712945
N’= ( )²
303,50

N’= 199,96

Karena N’ > N Maka data tidak cukup (kurang)

39. Untuk PTT

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 8.190,50 −( 235.225,00 )


N’= ( )²
485,00

6556,950511
N’= ( )²
485,00

N’= 182,78

Karena N’ > N Maka data tidak cukup (kurang)

40. Untuk PutLengKa

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

85
40√32 . 107.475,00 −( 3.045.025,00 )
N’= ( )²
1.745,00

25113,34307
N’= ( )²
1.745,00

N’= 207,12

Karena N’ > N Maka data tidak cukup (kurang)

41. Untuk PutLengKi

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 106.950,00 −( 2.992.900,00 )


N’= ( )²
1.730,00

26214,4998
N’= ( )²
1.730,00

N’= 229,61

Karena N’ > N Maka data tidak cukup (kurang)

42. Untuk PuTTKa

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

86
40√32 . 155.075,00 −( 4.431.025,00 )
N’= ( )²
2.105,00

29158,18924
N’= ( )²
2.105,00

N’= 191,87

Karena N’ > N Maka data tidak cukup (kurang)

43. Untuk PuTTKi

𝑘/𝑠√𝑁 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

2/0,05√32 . ∑ 𝑥²−( ∑ 𝑥)²


N’= ( ∑𝑥

40√32 . 136.500,00 −( 3.920.400,00 )


N’= ( )²
1.980,00

26761,16589
N’= ( )²
1.980,00

N’= 182,68

Karena N’ > N Maka data tidak cukup (kurang)

87
3.3 Perhitungan standar Deviasi,Nilai max dan Nilai Min setiap Data

Standar deviasi adalah nilai statistik yang digunakan untuk menentukan


bagaimana sebaran data dalam sampel, dan seberapa dekat titik data individu ke
mean - atau rata-rata - nilai sampel.

Rumus Untuk Menghitung Standar Deviasi Di Excel dalah “=STDEV(C3:C31)”


Rumus Untuk Menghitung Nilai Max Di Excel dalah “=Max(C3:C31)”
Rumus Untuk Menghitung Nilai Min Di Excel dalah “=Min(C3:C31)”

Berikut Nilai Standar Deviasi, Nilai max & Nilai Min dari 43 Variabel dengan 32
sample Data Antropometri mahasiswa & Mahasiswi Univrsitas Krisnadwipayana
Teknik Industri.

88
BERDIRI DENGAN
BERDIRI DENGAN Pengukuran AnTROPOMETRI
DUDUK SAMPING DUDUK MENGHADAP KE DEPAN BERDIRI TANGAN JARI TANGAN
LURUS KEDEPAN Dinamis
DIRENTANGKAN
No
Pang k PutLeng PutLeng PutTTK PutTTK
TDT TDN TMD TBD TSD TSP Tpi TePe TePa TiPo PP-P PP-L LeBa LePnggul LeSanDuk LePnggang S k S TBT TMT TBB TSiB TPigangB JangTA PaLeBa TiLuBer TeD TePe BeBa JangTaDe Rentang tangan Pj 1 Pj 2 Pj 3 Pj 4 Pj 5 Le2345 LeTP PTT
T Ka Ki a i

1 87.0 86.0 77.0 52.0 41.0 58.0 48.0 26.0 20.0 35.0 50.0 55.0 44.0 41.0 34.0 40.0 52.0 174.0 164.0 145.0 112.0 103.0 215.0 84.0 52.0 23.0 26.0 65.0 85.0 177.0 7.0 8.0 9.0 8.0 6.0 20.0 9.0 11.0 15.0 70.0 70.0 70.0 50.0
2 70.0 69.0 64.0 59.0 40.0 48.0 46.0 25.0 15.0 41.0 50.0 57.0 45.0 40.0 32.0 37.0 45.0 158.0 146.0 131.0 100.0 98.0 200.0 72.0 48.0 23.0 21.0 48.0 70.0 160.0 6.0 7.0 8.0 7.0 6.0 18.0 8.0 9.0 15.0 90.0 90.0 80.0 80.0
3 86.0 83.0 74.0 59.0 40.0 46.0 32.0 26.0 22.0 33.0 55.0 64.0 51.0 42.0 34.0 43.0 47.0 167.0 155.0 139.0 102.0 105.0 206.0 78.0 53.0 27.0 25.0 66.0 81.0 172.0 7.0 8.0 9.0 8.0 7.0 19.0 8.0 10.0 14.0 50.0 60.0 80.0 80.0
4 72.0 71.0 67.0 62.0 47.0 46.0 24.0 29.0 21.0 49.0 44.0 43.0 44.0 42.0 34.0 40.0 52.0 168.0 159.0 148.0 141.0 111.0 206.0 84.0 53.0 27.0 28.0 65.0 81.0 171.0 8.0 9.0 10.0 8.0 7.0 19.0 8.0 11.0 15.0 70.0 80.0 60.0 70.0
5 75.0 73.0 84.0 57.0 47.0 51.0 29.0 30.0 23.0 45.0 52.0 60.0 46.0 45.0 42.0 40.0 50.0 174.0 159.0 141.0 102.0 107.0 218.0 81.0 53.0 25.0 27.0 75.0 88.0 178.0 7.0 9.0 10.0 9.0 7.0 19.0 9.0 15.0 15.0 70.0 70.0 90.0 70.0
6 75.0 73.0 88.0 66.0 32.0 57.0 28.0 24.0 16.0 50.0 49.0 61.0 44.0 29.0 36.0 31.0 51.0 179.0 169.0 153.0 117.0 109.0 228.0 85.0 57.0 17.0 18.0 52.0 80.0 177.0 7.0 11.0 11.0 10.0 8.0 18.0 10.0 12.0 15.0 70.0 60.0 70.0 70.0
7 58.0 66.0 64.0 57.0 39.0 46.0 44.0 24.0 20.0 40.0 48.0 54.0 45.0 40.0 33.0 38.0 44.0 155.0 144.0 130.0 94.0 95.0 198.0 75.0 50.0 25.0 25.0 66.0 68.0 156.0 5.0 6.0 7.0 6.0 5.0 17.0 8.0 9.0 14.0 70.0 60.0 60.0 70.0
8 72.0 72.0 61.0 47.0 56.0 49.0 31.0 22.0 16.0 43.0 57.0 57.0 48.0 39.0 41.0 32.0 51.0 167.0 154.0 138.0 102.0 106.0 200.0 79.0 49.0 22.0 23.0 65.0 75.0 168.0 6.0 7.0 8.0 7.0 6.0 18.0 8.0 12.0 16.0 70.0 80.0 60.0 70.0
9 73.0 72.0 68.0 63.0 51.0 63.0 30.0 26.0 20.0 44.0 48.0 56.0 42.0 31.0 33.0 30.0 50.0 163.0 156.0 135.0 106.0 105.0 124.0 59.0 50.0 20.0 24.0 50.0 70.0 160.0 6.0 7.0 8.0 7.0 6.0 19.0 9.0 10.0 15.0 60.0 70.0 70.0 70.0
10 77.0 75.0 70.0 65.0 53.0 65.0 32.0 28.0 18.0 45.0 50.0 60.0 45.0 34.0 35.0 35.0 52.0 167.0 160.0 140.0 110.0 107.0 126.0 60.0 51.0 23.0 26.0 53.0 75.0 170.0 7.0 8.0 9.0 8.0 7.0 19.0 10.0 11.0 15.0 65.0 70.0 70.0 70.0
14 73.0 72.7 68.5 62.5 51.0 63.0 30.0 26.5 13.0 44.0 48.0 56.0 42.0 31.0 33.0 30.0 50.0 166.7 160.0 136.0 106.0 105.0 205.0 30.0 50.0 23.0 23.0 66.0 74.0 163.0 6.0 8.0 10.0 8.5 7.5 13.0 7.0 10.0 18.0 60.0 60.0 70.0 60.0
15 78.0 76.0 68.5 50.0 30.0 47.0 24.0 20.0 20.0 42.0 53.0 62.0 41.5 30.0 32.0 32.0 45.0 166.0 162.0 139.0 114.0 106.0 194.0 26.0 46.0 19.0 15.0 50.0 80.0 170.0 7.0 10.5 11.5 10.0 8.5 12.0 8.5 11.5 18.0 50.0 45.0 60.0 75.0
16 92.0 90.0 76.0 63.5 30.0 51.0 26.0 26.0 20.0 45.0 50.0 57.0 46.5 34.0 33.0 30.0 43.0 171.2 170.0 144.0 110.0 102.0 210.0 26.0 45.0 23.0 25.0 80.0 82.0 170.0 7.0 9.0 10.0 9.0 8.0 10.0 8.0 10.0 19.0 50.0 45.0 60.0 70.0
17 89.0 86.0 78.0 57.0 24.0 55.0 24.0 29.0 20.0 51.0 59.0 48.0 35.0 32.0 38.0 33.0 60.0 167.4 170.0 140.0 110.0 97.0 210.0 28.0 50.0 22.0 24.0 80.0 80.0 170.0 8.0 11.0 11.0 10.0 8.0 9.0 7.5 11.0 20.0 55.0 45.0 60.0 75.0
18 87.0 84.0 74.0 53.0 26.0 56.0 22.0 20.0 15.0 40.0 49.0 43.0 30.0 29.0 25.0 39.0 42.0 164.0 157.0 139.0 102.0 97.0 205.0 25.0 42.0 14.0 13.0 51.0 68.0 160.0 6.0 9.0 10.0 9.5 7.5 8.0 7.5 8.0 18.5 50.0 45.0 70.0 70.0

89
19 86.0 85.0 73.0 57.0 30.0 55.0 19.0 25.0 18.0 53.0 56.0 40.0 27.0 30.0 33.0 37.0 41.0 172.6 160.0 147.0 116.0 102.0 215.0 26.0 51.0 23.0 22.0 67.0 74.0 175.0 7.0 8.0 10.0 9.0 7.5 9.0 7.5 10.0 18.5 55.0 45.0 75.0 70.0
20 72.0 70.0 67.0 61.0 25.0 47.0 29.0 26.0 21.0 47.0 54.0 65.0 43.0 45.0 35.0 35.0 52.0 159.0 149.0 134.0 100.0 97.0 200.0 30.0 51.0 27.0 25.0 62.0 77.0 162.0 7.0 9.0 9.0 8.0 7.0 9.0 9.0 12.0 17.0 60.0 50.0 80.0 70.0
21 85.0 78.0 76.0 57.0 25.0 53.0 24.0 21.0 15.0 44.0 46.0 52.0 44.0 32.0 30.0 26.0 42.0 165.0 157.0 142.0 111.0 101.0 210.0 27.0 48.0 20.0 19.0 61.0 82.0 165.0 7.0 9.0 10.5 9.5 7.5 9.5 8.5 11.0 18.0 60.0 55.0 75.0 65.0
22 75.0 63.0 72.0 60.0 16.0 46.0 20.0 22.0 16.0 51.0 44.0 55.0 25.0 30.0 40.0 28.0 44.0 168.0 156.0 146.0 118.0 112.0 195.0 34.0 47.0 24.0 22.0 59.0 82.0 164.0 14.0 12.0 9.0 6.0 9.0 13.0 7.0 12.0 16.0 50.0 55.0 75.0 60.0
23 80.0 63.0 32.0 58.0 20.0 48.0 24.0 25.0 18.0 48.0 45.0 57.0 47.0 34.0 43.0 29.0 46.0 170.0 154.0 154.0 108.0 100.0 189.0 50.0 49.0 27.0 23.0 62.0 75.0 162.0 12.0 11.0 8.0 8.0 7.0 8.0 8.0 11.0 17.0 50.0 60.0 85.0 55.0
24 79.0 66.0 68.0 60.0 20.0 51.0 24.0 24.0 17.0 50.0 47.0 54.0 42.0 32.0 38.0 34.0 42.0 165.0 155.0 157.0 107.0 108.0 192.0 52.0 17.0 26.0 21.0 64.0 73.0 166.0 12.0 9.0 8.0 7.0 7.0 9.0 7.0 9.0 17.0 60.0 65.0 80.0 60.0
25 77.0 66.0 67.0 58.0 25.0 50.0 26.0 24.0 19.0 50.0 45.0 58.0 42.0 28.0 35.0 32.0 48.0 169.0 158.0 148.0 108.0 107.0 202.0 42.0 45.0 28.0 24.0 63.0 78.0 162.0 13.0 12.0 9.0 8.0 8.0 10.0 10.0 9.0 16.0 65.0 60.0 80.0 65.0
26 75.0 67.0 70.0 57.0 28.0 53.0 23.0 23.0 16.0 54.0 41.0 52.0 41.0 30.0 32.0 35.0 43.0 176.0 169.0 146.0 112.0 105.0 200.0 40.0 40.0 24.0 18.0 63.0 75.0 164.0 10.0 7.0 7.0 9.0 7.0 11.0 8.0 10.0 19.0 65.0 60.0 60.0 70.0
27 73.0 68.0 72.0 58.0 26.0 52.0 24.0 25.0 18.0 43.0 48.0 54.0 30.0 39.0 36.0 31.0 49.0 165.0 150.0 149.0 115.0 106.0 196.0 38.0 44.0 22.0 20.0 66.0 79.0 168.0 8.0 8.0 6.0 10.0 7.0 11.0 8.0 8.0 18.0 55.0 65.0 85.0 75.0
28 76.0 65.0 73.0 60.0 25.0 49.0 22.0 26.0 19.0 49.0 48.0 55.0 46.0 28.0 33.0 37.0 46.0 168.0 162.0 158.0 104.0 102.0 189.0 52.0 46.0 26.0 23.0 70.0 81.0 164.0 10.0 6.0 8.0 7.0 7.0 11.0 10.0 11.0 19.0 50.0 50.0 85.0 65.0
29 82.0 64.0 72.0 63.0 28.0 58.0 24.0 24.0 16.0 56.0 46.0 58.0 39.0 31.0 31.0 38.0 43.0 167.0 164.0 156.0 110.0 98.0 190.0 48.0 50.0 25.0 19.0 69.0 76.0 170.0 12.0 11.0 9.0 8.0 7.0 10.0 10.0 12.0 16.0 60.0 50.0 80.0 60.0
30 79.0 62.0 74.0 26.0 25.0 55.0 25.0 23.0 17.0 56.0 47.0 53.0 39.0 29.0 34.0 35.0 45.0 172.0 158.0 155.0 106.0 100.0 46.0 46.0 51.0 21.0 21.0 65.0 80.0 173.0 8.0 8.0 6.0 10.0 7.0 11.0 9.0 10.0 16.0 50.0 55.0 75.0 70.0
31 80.0 60.0 70.0 56.0 31.0 54.0 23.0 26.0 21.0 58.0 46.0 59.0 36.0 30.0 32.0 38.0 44.0 170.0 154.0 160.0 114.0 104.0 39.0 36.0 45.0 25.0 24.0 59.0 78.0 169.0 12.0 11.0 10.0 10.0 8.0 13.0 8.0 9.0 18.0 60.0 50.0 70.0 70.0
32 81.0 65.0 68.0 59.0 31.0 56.0 20.0 27.0 20.0 46.0 48.0 51.0 40.0 34.0 35.0 34.0 49.0 165.0 156.0 153.0 112.0 106.0 40.0 31.0 49.0 19.0 21.0 68.0 70.0 159.0 9.0 8.0 6.0 12.0 8.0 12.0 9.0 9.0 17.0 55.0 60.0 70.0 75.0
Standar
7.0 8.3 9.3 7.4 11.0 5.4 7.3 2.5 2.5 6.0 4.2 5.9 6.3 5.4 3.7 4.2 4.4 5.2 6.6 8.4 8.4 4.4 52.9 21.3 6.9 3.3 3.5 8.2 5.0 5.9 2.5 1.7 1.5 1.4 0.8 4.2 0.9 1.5 1.7 9.4 11.6 9.0 6.8
Deviasi
Nilai Max 92.0 90.0 88.0 66.0 56.0 65.0 48.0 30.0 23.0 58.0 59.0 65.0 51.0 45.0 43.0 43.0 60.0 179.0 170.0 160.0 141.0 112.0 228.0 85.0 57.0 28.0 28.0 80.0 88.0 178.0 14.0 12.0 11.5 12.0 9.0 20.0 10.0 15.0 20.0 90.0 90.0 90.0 80.0

Nilai Min 58.0 60.0 32.0 26.0 16.0 46.0 19.0 20.0 13.0 33.0 41.0 40.0 25.0 28.0 25.0 26.0 41.0 155.0 144.0 130.0 94.0 95.0 39.0 25.0 17.0 14.0 13.0 48.0 68.0 156.0 5.0 6.0 6.0 6.0 5.0 8.0 7.0 8.0 14.0 50.0 45.0 60.0 50.0
3.4 Perhitungan Nilai P5,P10,P50,P90,P95 Untuk setiap Variabel Pengukuran
(data cukup Dan Normal)

Persentil adalah titik atau nilai yang membagi distribusi data menjadi seratus
bagian yang sama besar, karena itu persentil sering disebut “ukuran perseratusan.

Langkah-Langkah Uji Normalitas Dengan Aplikasi IBM SPSS Statistik 19 :


1. Buka Aplikasi IBM SPSS Statistik 19
2. Pada Sheet Data View, masukan data 32 Sample 43 Variabel
3. Pada Sheet Variable View bagian “Colum Name” gantilah sesuai nama
variable
4. Pilih menu Analyze > Descriptive Frequency >Pindahkan data ke Colum
Variable (s) > Statistick >di Colom Persentil > Input
P5,P10,P50,P90,P95>continue > Ok
5. Maka Akan Muncul Output data Seperti Tabel di bawah Ini.
Statistics
TDT TDN TMD TBD TSD TSP
Valid 29.00 29.00 29.00 29.00 29.00 29.00
N
Missing - - - - - -
5 64.00 61.00 46.50 36.50 18.00 46.00
10 72.00 63.00 64.00 50.00 20.00 46.00
Percentiles 50 77.00 71.00 70.00 58.00 30.00 52.00
90 87.00 86.00 78.00 63.50 51.00 63.00
95 90.50 88.00 86.00 65.50 54.50 64.00

90
Statistics
Tpi TePe TePa TiPo PP_P PP_L
Valid 29.00 29.00 29.00 29.00 29.00 29.00
N
Missing - - - - - -
5 19.50 20.00 14.00 34.00 42.50 41.50
10 20.00 21.00 15.00 40.00 44.00 43.00
Percentiles 50 24.00 25.00 18.00 46.00 48.00 56.00
90 44.00 29.00 21.00 56.00 56.00 62.00
95 47.00 29.50 22.50 57.00 58.00 64.50

Statistics
LeBa LePggul LeSanDuk LePinggang S_k_S TBT
Valid 29.00 29.00 29.00 29.00 29.00 29.00
N
Missing - - - - - -
5 26.00 28.00 27.50 27.00 41.50 156.50
10 30.00 29.00 31.00 29.00 42.00 159.00
Percentiles 50 42.00 32.00 34.00 35.00 46.00 167.00
90 47.00 42.00 41.00 40.00 52.00 174.00
95 49.50 45.00 42.50 41.50 56.00 177.50

Statistics
TMT TBB TSiE TPinggangB JangTA PaLeBa
Valid 29.00 29.00 29.00 29.00 29.00 29.00
N
Missing - - - - - -
5 145.00 130.50 97.00 96.00 39.50 25.50
10 149.00 134.00 100.00 97.00 46.00 26.00
Percentiles 50 158.00 145.00 110.00 105.00 200.00 46.00
90 169.00 157.00 117.00 109.00 215.00 84.00
95 170.00 159.00 129.50 111.50 223.00 84.50

Statistics
TiLuBe TeD TePer Beba JangTaDe RenTangn
Valid 29.00 29.00 29.00 29.00 29.00 29.00
N
Missing - - - - - -
5 28.50 15.50 14.00 49.00 68.00 157.50
10 42.00 19.00 18.00 50.00 70.00 160.00
Percentiles 50 49.00 23.00 23.00 65.00 78.00 168.00
90 53.00 27.00 26.00 75.00 82.00 177.00
95 55.00 27.50 27.50 80.00 86.50 177.50

91
Statistics
Pj1 Pj2 Pj3 Pj4 Pj5 Pang_K
Valid 29.00 29.00 29.00 29.00 29.00 29.00
N
Missing - - - - - -
5 5.50 6.00 6.00 6.00 5.50 8.00
10 6.00 7.00 6.00 7.00 6.00 9.00
Percentiles 50 7.00 9.00 9.00 8.00 7.00 12.00
90 12.00 11.00 11.00 10.00 8.00 19.00
95 13.50 12.00 11.25 11.00 8.75 19.50

Statistics
Le2345 LeTP PTT PutLengKa PutLengKi PutTTKa PutTTKi
Valid 29.00 29.00 29.00 29.00 29.00 29.00 29.00
N
Missing - - - - - - -
5 7.00 8.00 14.00 50.00 45.00 60.00 52.50
10 7.00 9.00 15.00 50.00 45.00 60.00 60.00
Percentiles 50 8.00 10.00 17.00 60.00 60.00 70.00 70.00
90 10.00 12.00 19.00 70.00 80.00 85.00 75.00
95 10.00 13.50 19.50 80.00 85.00 87.50 80.00

92