1.1.

Analis Abnormalitas
Interpretasi terhadap peta kendali secara umum, baik untuk peta kendali atribut maupun variable ada dua hal yang
dapat disimpulkan, yaitu apakah proses berada di dalam atau di luar kendali. Proses diluar kendali (out of control)
adalah saat ada data-data dalam peta berada diluar batas kendali bawah maupun batas kendali atas. Jika terdapat
data yang diluar kendali maka terdapat dua hal yang bisa dilakukan yaitu menyimpulkan bahwa proses berada diluar
kendali atau data tersebut dibuang dengan syarat penyebab data tersebut dapat ditemukan dan penyebabnya
bersifat tidak alamiah atau human error. Suatu proses dikatakan terkendali apabila semua data acak tersebut berada
di antara batas-batas kendali dan semua data tersebut tersebar secara merata tanpa mempunyai pola tertentu yang
bersifat abnormal ataupun pola yang berulang. Namun, saat seluruh data dalam peta berada di bawah kendali,
belum tentu proses tersebut dapat dikatakan terkendali. Data-data yang dalam kendali ini dapat membentuk pola-
pola tertentu yang disebut sebagai abnormalitas.

Abnormalitas data yang ada harus ditemukan penyebabnya. Pada tahap konstruksi, data-data yang abnormal dapat
dibuang dan harus dilakukan perhitungan ulang terhadap parameter untuk peta kendali yang baru. Pembuatan peta
kendali yang baru ini berguna agar hasil dari peta kendali yang dibuat dapat merepresentasikan keadaan proses yang
sebenarnya melalui sampel yang didapat. Abnormalitas dapat terjadi karena berbagai faktor, seperti kesalahan
dalam perhitungan, kurang randomnya data yang diambil, kesalahan pengukuran, ataupun kesalahan set up alat.

Secara umum, terdapat beberapa bentuk abnormaliitas, yaitu sebagai berikut:

1. Runs
Runs merupakan jenis abnormalitas yang terjadi apabila terdapat beberapa data yang berurutan berada pada
bagian atas atau bawah garis sentral. Data yang berurutan ini merupakan indikasi adanya abnormalitas dalam
proses. Data dianggap runs apabila terdapat 7 data berurutan yang berada pada salah satu sisi garis sentral, atau
6 dari 10 data atau 12 dari 14 data berurutan berada di luar batas kendali. Berikut merupakan Gambar 1 dimana
terjadi abnormalitas yang berbentuk runs pada data ke-56 sampai data ke-60 karena berada pada
bagian atas garis sentral secara berurutan.

Gambar 1 Abnormalitas runs

Berdasarkan hasil pengolahan data penulis, salah satu penyebabnya dari abnormalitas ini adalah kurang acaknya
spesimen yang diambil sehingga hasil perhitungan sampel yang didapat juga memiliki nilai yang tidak jauh berbeda
satu dengan yang lain dan berkumpul pada satu sisi garis sentral saja.
2. Trends
Trends merupakan abnormalitas yang terjadi apabila sekelompok titik-titik data mengalami peningkatan ataupun
penurunan secara kontinu. Data yang berurutan ini merupakan indikasi adanya abnormalitas dalam proses. Data
dianggap trends apabila terdapat 7 data berurutan yang naik atau turun secara kontinu. Berikut ilustrasi dari
abnormalitas trends pada proses terjadi jika 7 titik berurutan naik atau turun pada Gambar 2.

Gambar 2 Abnormalitas trends

3. Periodik/siklik
Pengulangan secara periodik yaitu terjadinya pola data perubahan yang berulang pada titik-titik dengan
interval yang sama panjang. Untuk menemukan pola pada abnormalitas siklik ini diperlukan perhatian yang
saksama dengan mengikuti pergerakan semua titik-titik data yang ada. Gambar 3 berikut merupakan contoh
pola periodik dengan 5 titik data yang berpola dan mengulang.

Gambar 3 Abnormalitas siklik

Salah satu yang dapat menjadi penyebab dari abnormalitas ini adalah kurang acaknya sampel yang didapat
sehingga nilai rata-rata dan variasi yang dihasilkan mengalami pola yang berulang ketika dipetakan
pada peta kendali.

4. Hugging pada garis sentral

Hugging pada garis sentral merupakan suatu jenis abnormalitas dimana sebagian besar data cenderung berada
di antara garis kendali tambahan yang terletak pada tengah-tengah garis sentral dengan UCL dan tengah-tengah
garis sentral dengan LCL. Pengelompokkan ini menunjukkan bahwa terdapat variabilitas pada proses yang terjaid
secara tidak alamiah. Untuk mengevaluasi abnormalitas ini, dibuat garis tambahan di tengah-tengah antara garis
sentral dengan garis kendali bawah dan garis kendali atas. Area di atas dan di bawah garis sentral yang terbentuk
 karena garis yang dibentuk tersebut disebut inner half zone. Apabila sebagian besar titik berada di dalam inner
half zone, maka dapat disimpulkan bahwa proses mengalami proses abnormalitas. Berikut contoh abnomalitas
dengan sebagian besar dari data berada diantara kedua garis tambahan yang berada diantara garis
sentral dan garis kendali yang dapat dilihat pada Gambar 4.

Gambar 4 hugging garis sentral

Kemungkinan penyebab abnormalitas pada hugging jenis ini adalah terjadinya kesalahan dalam kalkulasi batas
kontrol. Pola yang cenderung berada di garis sentral muncul ketika proses sampling mengambil data dari
distribusi yang sebenarnya berbeda dari setiap subgrup. Hal ini akan menyebabkan perhitungan rata-rata sampel
dan variasi sampel menjadi bergeser dari yang seharusnya menjadi berada di dekat garis sentral sehingga
dihasilkan pola data yang berada di dekat garis sentral.

5. Hugging pada garis kendali

Hugging pada garis kendali merupakan suatu jenis abnormalitas untuk menyelidiki keberadaan hugging pada
garis kendali. Untuk menentukan hugging jenis ini, digunakan outer third zone. Outer third zone merupakan area
yang berada 2/3 dari garis sentral. Letaknya di dekat garis batas atas dan batas bawah. Proses disebut hugging
garis kendali saat 2 dari 3 titik, 3 dari 7 titik, atau 4 dari 10 titik terletak di outer third zone dekat garis kendali
atas maupun garis kendali bawah. Berikut Gambar 5 adalah hugging garis kendali yang terdapat 2 dari 3 data
yang berada di daerah 1/3 luar (outer third zone).

Gambar 5 hugging garis kendali

Penyebab abnormalitas jenis hugging di dekat garis kendali hampir sama dengan hugging pada garis sentral, hugging
pada garis kendali kemungkinan terjadi karena kesalahan dalam kalkulasi batas kontrol. Pola yang cenderung berada
di antara 2/3 garis sentral dan garis UCL/LCL hingga garis UCL/LCL diakibatkan satu atau lebih data yang didapat
berasal dari distribusi lain yang tidak merepresentasikan subgrupnya. Kondisi ini tentu akan berdampak pada
perubahan nilai rata-rata dan variasi subgrup. Apabila banyak subgrup yang mengalami kondisi seperti ini dengan
nilai rata-rata dan variasi yang berada di antara garis kendali dan UCL/LCL menyebabkan terjadinya hugging di dekat
garis kendali.

Dari hasil praktikum kali ini ditemukan beberapa abnormalitas dari peta kendali X-R dari data yang didapatkan.
Berikut abnormalitas yang ditemukan.

a. Peta X double bar diameter

Terdapat abnormalitas yang ditemukan pada peta X diameter yaitu runs dan hugging pada garis kendali.
Terjadi abnormalitas yang berbentuk runs pada data ke-65 sampai data ke-71, data ke-73 sampai data ke-
76, data ke-82 sampai data ke-88 dan data ke-84 sampai data ke-90 karena berada pada bagian atas garis
sentral secara berurutan seperti pada Gambar 6.

Gambar 6 Runs pada diameter (Peta X bar)

Terjadi abnormalitas jenis hugging pada garis kendali ini dapat dilihat dengan terdapatnya 2 dari 3, 3 dari
7, dan 4 dari 10 data yang berada di daerah 1/3 luar (outer third zone) yang ditampilkan pada Gambar 7.

Gambar 7 Hugging Garis Kendali pada diameter (Peta X bar)

b. Peta R-bar diameter

Abnormalitas yang terdapat pada peta kendali ini adalah runs dan hugging pada garis kendali. Terjadi
abnormalitas yang berbentuk runs pada data ke-65 sampai data ke-71, data ke-73 sampai data ke-76 dan
data ke-78 sampai data ke-82 serta data ke-87 sampai data ke-90 karena berada pada bagian atas garis
sentral secara berurutan seperti pada Gambar 8.
 Gambar 8 Runs pada diameter (Peta R)

Terjadi abnormalitas hugging pada garis kendali dapat dilihat dengan terdapatnya 2 dari 3 dan 4 dari 10
data yang berada di daerah 1/3 luar (outer third zone) yang ditampilkan pada Gambar 9.

Gambar 9 Hugging Garis Kendali pada diameter (Peta R)

c. Peta X double bar panjang

Ada dua abnormalitas pada peta X panjang, yaitu runs dan hugging pada garis sentral. Terjadi abnormalitas
yang berbentuk runs pada data ke-56 sampai data ke-60 karena berada pada bagian atas garis sentral secara
berurutan seperti pada Gambar 10.

Gambar 10 Runs pada panjang (Peta X bar)

Terjadi abnormalitas hugging pada garis sentral terlihat dari sebagian besar dari data berada diantara
kedua garis tambahan yang berada diantara garis sentral dan garis kendali seperti pada Gambar 11.
 Gambar 11 Hugging Garis Sentral pada panjang (Peta X bar)

d. Peta R-bar panjang

Abnormalitas yang terjadi pada peta-R panjang juga sama dengan peta-R pada diameter produk, yaitu runs
dan hugging di dekat garis kendali. Terjadi abnormalitas yang berbentuk runs pada data ke-56 sampai data
ke-60, data ke-62 sampai data ke-65 dan data ke-82 sampai data ke-86 karena berada pada bagian atas
garis sentral secara berurutan seperti pada Gambar 12.

Gambar 12 Runs pada panjang (Peta R)

Terjadi abnormalitas hugging pada garis kendali dapat dilihat dengan terdapatnya 2 dari 3 data yang berada
di daerah 1/3 luar (outer third zone) yang ditampilkan pada Gambar 13.

Gambar 13 Hugging Garis Kendali pada panjang (Peta R)

1.2. Analisis OC Curve dan ARL Peta Kendali

Seperti yang telah di bahas sebelumnya, bahwa fungsi dari OC Curve adalah untuk mendeteksi adanya pergeseran
proses pada peta X-R. Untuk mendeteksi pergeseran, OC Curve tersaji dalam bentuk grafik yang menggambarkan
probabilitas penerimaan hasil sampling yang seharusnya ditolak atau cacat (kesalahan tipe II). Terdapat beberapa
parameter yang berkontribusi dalam menentukan kurva OC ini. Parameter-parameter yang digunakan dalam
perhitungan OC Curve adalah n (jumlah sampel), L (konstanta batas penerimaan sampling), dan k (konstanta
pergeseran proses). Pada dasarnya, tidak pernah ada kurva OC yang ideal karena keidealan kurva OC akan terjadi
untuk inspeksi sampling 100%.

Konstanta n menunjukkan jumlah sampel yang diambil dalam setiap subgroup. Dalam perbandingan grafik dibawah
ini, dapat dilihat bahwa jumlah n yang semakin sedikit akan membuat bentuk kurva k terhadap β menjadi lebih
landai. Hal ini menandakan bahwa semakin kecil nilai n, maka proses tersebut akan semakin tidak sensitif dalam
mendeteksi pergeseran perubahan rata-rata. Hal tersebut dapat dibuktikan dari beberapa kurva OC dengan nilai n
yang berbeda-beda di bawah ini. Nilai n yang dipakai adalah untuk n = 5 dan n = 50. Dari hal tersebut dapat terlihat
bahwa kurva OC untuk n=5 grafiknya lebih landai jika dibandingkan dengan kurva untuk n=50. Semakin landai
dimaksudkan bahwa kurva tersebut semakin tidak sensitif terhadap terjadinya pergeseran proses. Selain itu,
pergeseran nilai k pada n=50 akan menghasilkan perubahan nilai β yang lebih besar jika dibandingkan dengan
perubahan nilai β pada n = 5. Berikut adalah grafik perbandingan OC curve dengan nilai n=5 pada Error! Reference
source not found. dan nilai n=50 pada Error! Reference source not found..

Gambar 14 OC untuk n=5 Gambar 15 OC untuk n=50

Selanjutnya adalah parameter L, dimana parameter ini menunjukkan konstanta batas penerimaan sampling yang
diperoleh berdasarkan tingkat toleransi sampling. Batas kendali ini dapat dinyatakan dengan nilai berapa kali sigma.
Pengaruh nilai L terhadap bentuk kurva OC yaitu semakin kecil nilai L / semakin kecil batas penerimaan sampel, maka
kurva OC yang terbentuk akan semakin curam. Sebaliknya, ketika nilai batas penerimaan sampel besar, maka kurva
OC yang terbentuk akan semakin landai. Pada grafik dibawah ini, dilakukan perbandingan kurva OC untuk nilai L = 1
pada Gambar 17 dan nilai L = 3 pada Gambar 16. Hal tersebut membuktikan bahwa semakin kecil nilai L akan
mengakibatkan bentuk kurva OC yang semakin curam, maka kemampuan untuk mendeteksi adanya pergeseran
proses semakin baik karena bentuk grafik yang curam menandakan bahwa pergeseran nilai k yang kecil akan
mengakibatkan perubahan nilai β yang lebih besar.

Gambar 16 OC untuk L=3

Gambar 17 OC untuk L=1

Pada laporan kali ini penulis akan menggunakan jumlah sampel sebanyak n =5 dan angka penerimaannya L =3
sehingga dihasilkan kurva OC seperti pada Gambar 18
 Operating Characteristic Curve (n=5)
1.000
0.995
0.990
0.985

β 0.980
0.975
0.970
0.965
0.960

Gambar 18 Operating Characteristic Curve (n=5)

Kurva OC Error! Reference source not found. diatas menggambarkan hubungan antara nilai β terhadap
perubahan nilai parameter k. Dari gafik bisa dilihat jika k = 0,25 maka nilai β = 0,992. Artinya jika angka
konstanta pergeseran proses atau berapa kali standar deviasi suatu pergeseran terjadi tersebut adalah sebesar 0,25
maka probabilitas penerimaan hasil sampling yang seharusnya ditolak atau cacat sebesar 0,992 dan seterusnya.
Nilai k berbanding terbalik dengan nilai β. Semakin kecil nilai parameter k maka nilai β probabilitas
penerimaan hasil sampling yang seharusnya ditolak atau cacat akan semakin besar seperti yang ditampilakan
pada Tabel 1. Bentuk grafiknya kurang landai, hal ini dikarenakan sampel yang diambil kecil (n =5) dan
angka penerimaannya (L =3). Ini artinya penarikan sampel yang dilakukan sangat kurang dari sempurna.

Parameter k merupakan parameter yang menunjukkan konstanta pergeseran proses atau berapa kali standar deviasi
suatu pergeseran terjadi. Perbedaan yang terjadi pada nilai k ini, tentunya akan mempengaruhi bentuk kurva OC.
Jika nilai k mengalami perubahan menjadi semakin besar, maka peta kendali akan semakin mudah untuk mendeteksi
pergeseran suatu proses sehinga peluang menerima hasil sampling yang seharusnya ditolak akan semakin kecil.
Sebaliknya jika nilai k semakin kecil, maka peta kendali akan semakin sulit untuk mendeteksi pergeseran suatu
proses. Sehingga peluang menerima hasil sampling yang seharusnya ditolak akan semakin besar. Perbedaan nilai k
yang semakin besar akan mengakibatkan perbedaan nilai β yang semakin jauh. Untuk mendapatkan nilai β dapat
digunakan persamaan dibawah ini dengan nilai L dan n yang tetap sehingga dapat diketahui perubahan nilai β akibat
dari perubahan nilai k.

𝛽 = ∅[𝐿 − 𝑘√𝑛] − ∅[−𝐿 − 𝑘√𝑛]

Berikut data yang menunjukkan hubungan antara nilai k dengan β. Terlihat bahwa semakin besar nilai k, maka
semakin kecil nilai β nya.
 Tabel 1 Hubungan Nilai k dengan β

k Beta
0,00 0,997
0,03 0,997
0,06 0,997
0,09 0,997
0,13 0,996
0,16 0,996
0,19 0,995
0,22 0,994
0,25 0,992
0,28 0,991
0,31 0,989
0,35 0,987
0,38 0,984
0,41 0,981
0,44 0,978
0,47 0,974
0,50 0,970
0,53 0,964
0,57 0,959
0,60 0,952
0,63 0,945
0,66 0,936
0,69 0,927
0,72 0,917
0,75 0,905
0,79 0,893
0,82 0,879
0,85 0,865
0,88 0,849
0,91 0,832
0,94 0,814

Pustaka

Jurnal Teknik dan Manajemen Industri Volume 6 No. 2 Desember 2011 hal. 159-165

Pengendalian Kualitas dengan Metode Acceptance Sampling

(Studi kasus: AMDK ADENI Pamekasan)
1M. Fitriyan H, 2Agus Salim
Program Studi Teknik Industri, Universitas Trunojoyo Madura
Jl. Raya Telang PO BOX 2 Kamal, Bangkalan, Madura

Email: ryanpato20@yahoo.com, asalim75@ymail.com