KONTROL KUALITAS

“Grafik Pengendali Ketidaksesuaian (Cacat)”

Oleh
Kelompok 3/Kelas B

Kadek Indra Puspita Dewi NIM 1513011033

Essa Cahya Mas Bali NIM 1513011048
Ni Putu Devi Agustina NIM 1513011073
Putu Novi Wipra Asti NIM 1513011102

PROGRAM STUDI S1 PENDIDIKAN MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN GANESHA
SINGARAJA
2017

1
GRAFIK PENGENDALI KETIDAKSESUAIAN (CACAT)
Benda yang tak sesuai adalah unit produk yang tidak memenuhi satu atau beberapa
spesifikasi untuk produk itu. Sebagai contoh pembuatan komputer. Tiap unit dapat mempunyai
satu atau beberapa cacat yang sangat kecil dalam komponennya, dan karena cacat-cacat ini
tidak berpengaruh berat terhadap fungsi kerja unit itu, maka ini diklasifikasikan sebagai sesuai
spesifikasi. Tetapi, jika terdapat terlalu banyak cacat-cacat ini, komputer itu harus
diklasifikasikan sebagai tidak sesuai, karena cacat itu sangat kentara bagi pembeli dan mungkin
mempengaruhi penjualan unit itu.
Jumlah ketidaksesuaian dalam suatu unit atau rata-rata banyaknya ketidaksesuaian dapat
dikembangkan dengan grafik pengendali. Grafik pengendali ini menganggap bahwa
ketidaksesuaian dalam sampel-sampel berukuran tetap, sehingga dapat dimodelkan dengan
distribusi Poisson. Pada dasarnya, ini mensyaratkan banyak tempat yang berkesempatan untuk
tidak sesuai haruslah besar tak berhingga dan probabilitas akan terjadinya ketidaksesuaian pada
suatu tempat adalah kecil dan konstan.
1. Prosedur dengan Ukuran Sampel Konstan
Cacat atau tak sesuai terjadi dalam unit pemeriksaan ini menurut distribusi
Poisson, yakni:
e c c x
 ( x)  , x=0,1,2,...
x!
Keterangan:
x : banyak ketidaksesuaian
c>0 : parameter distribusi Poisson
Mean dan variansi dari distribusi Poisson adalah parameter c. Dengan demikian, grafik
pengendali untuk ketidaksesuaian dengan batas 3-sigma, apabila nilai standar untuk c
tersedia, yaitu:
BPA  c3 c
Garis tengah c
BPB  c3 c
Apabila menghasilkan nilai BPB yang negatif, ambil BPB = 0.
Jika nilai standar tidak diberikan, maka c dapat ditaksir dengan banyak
ketidaksesuaian rata-rata yang yang diamati dalam sampel pendahuluan unit
pemeriksaan, misalnya c . Sehingga grafik pengendali mempunyai parameter:

1
 BPA  c 3 c
Garis tengah c
BPB  c 3 c
Apabila nilai standar tidak diberikan, batas pengendali dalam dipandang sebagai
batas pengendali percobaan, dan sampel-sampel pendahuluan diperiksa
ketidakterkendalinya, atau kadang disebut sebagai grafik c.
Contoh
Perusahaan karpet yang membuat karpet hasil industri kecil ingin membuat pengendalian
mutu untuk prosesnya dengan melihat berapa jumlah kesalahan yang disebabkan karena
adanya bercak cat pada karpet tersebut. Karpet dibuat dengan ukuran luas 100 cm2 setiap
karpetnya. Hasil observasi yang menunjukkan data kesalahan yang berupa bercak cat
pada 25 sampel berturut-turut 10 karpet adalah sebagai berikut:
Observasi ke- Jumlah cacat Observasi ke- Jumlah cacat
1 5 14 11
2 4 15 9
3 7 16 5
4 6 17 7
5 8 18 6
6 5 19 10
7 6 20 8
8 5 21 9
9 16 22 9
10 10 23 7
11 9 24 5
12 7 25 7
13 8 Jumlah 189
n

c i
189
c i 1
  7,56
n 25

2
BPA  c  3 c  7,56  3 7,56  15,809
Garis Tengah  c  7,56
BPB  c  3 c  7,56  3 7,56  0,689  0
Data pengamatan ke-9 berada diluar batas pengendali yang disebabkan oleh sebab
khusus, sehingga diperbaiki kembali batas pengendali percobaannya. Sekarang dihitung
taksiran untuk cdiperoleh
n

c i
189  16
c i 1
  7,208
n 24

BPA  c  3 c  7,208  3 7,208  15,262

Garis Tengah  c  7,208
BPB  c  3 c  7,208  3 7,208  0,846  0

3
1.1 Analisis Ketidaksesuaian Lebih Lanjut
Data cacat atau ketidaksesuaian selalu lebih informatif dari bagian tak sesuai,
karena biasanya akan ada beberapa macam ketidaksesuaian yang berbeda.
Adapun tehnik yang digunakan untuk analisis ketidaksesuain lebih lanjut yaitu:
1) Menganalisa ketidaksesuaian berdasarkan macamnya, sehingga diperoleh
informasi yang mendalam pada sebabnya.
2) Diagram sebab dan akibat (diagram tulang ikan atau diagram Ishikawa dari Dr.
Kaoru Ishikawa) digunakan untuk mengetahui akibat dari suatu masalah untuk
selanjutnya diambil tindakan perbaikan.
3) Diagram pemusatan cacat digunakan untuk menentukan apakah ketidaksesuaian
terletak dalam daerah fisik yang sama produk itu. Digram ini biasanya suatu
bagan atau gambaran produk itu dengan frekuensi rata-rata terjadinya
ketidaksesuaian ditunjukkan dengan daerah bayangan.
1.2 Pemilihan Ukuran Sampel

4
 Unit pemeriksaan dipilih untuk kesederhanaan operasional atau pengumpulan
data. Tidak ada alasan mengapa ukuran sampel harus terbatas pada satu unit
pemeriksaan. Nyatanya dengan menggunakan beberapa unit pemeriksaan dalam
sampel, dapat meningkatkan daerah kesempatan akan terjadinya ketidaksesuaian.
Ukuran sampel harus dipilih menurut pertimbangan statistik, seperti
menentukan ukuran sampel cukup besar untuk menjamin batas pengendali bawah
positif atau untuk memperoleh probabilitas tertentu dalam mendeteksi suatu
pergeseran proses. Selain itu, faktor-faktor ekonomi juga dapat menjadi alasan
dalam penentuan ukuran sampel.
Andaikan kita memutuskan untuk mendasarkan grafik pengendali pada ukuran
sampel n unit pemeriksaan. Perhatikan bahwa n tidak harus suatu bilangan bulat.
Misalkan dalam contoh kesalahan pada pembuatan karpet di atas, kita harus
menentukan ukuran himpunan bagian n = 2,5 unit pemeriksaan, maka ukuran
sampel menjadi (2,5)(10) = 25 karpet.
Ada dua pendekatan umum dalam membentuk grafik yang diperbaiki setelah
ukuran sampel baru telah dipilih, yaitu:
a. Pendekatan yang hanya mendefinisikan kembali unit pemeriksaan baru
sama dengan n kali unit pemeriksaaan lama. Dalam hal ini,

BPA = nc  3 nc

Garis tengah = nc

BPB = nc  3 nc

dengan c adalah rata-rata banyak ketidaksesuaian yang diamati dalam unit

pemeriksaan aslinya.
b. Pendekatan dengan pembentukan grafik pengendali berdasarkan rata-rata
banyaknya ketidaksesuaian per unit pemeriksaan. Jika diperoleh bahwa x
adalah total ketidaksesuaian dalam suatu sampel dari n unit pemeriksaan,
maka rata-rata banyaknya ketidaksesuaian per unit pemeriksaan adalah:
x
u
n
Perhatikan bahwa x adalah variabel random Poisson, dengan demikian,
parameter grafik pengendali untuk rata-rata banyaknya ketidaksesuaian per
unit adalah:

5
 u
BPA = u3
n

Garis tengah =u

u
BPB = u 3
n

dengan u menunjukkan rata-rata banyaknya ketidaksesuaian per unit yang

diamati dalam himpunan data awal. Batas kontrol yang ditemukan dari
persamaan di atas akan dianggap sebagai batas kontrol percobaan. Grafik
per unit ini dinamakan grafik pengendali ketidaksesuaian per unit atau
grafik u.
Contoh:
Suatu kelompok teknik persediaan rantai memantau kesalahan pengiriman
pada bahan melalui jaringan distribusi. Kesalahan pada pengiriman bahan
dilacak setiap minggu. Lima puluh pengiriman dipilih secara acak
kemudian diperiksa dan kesalahan yang terjadi dicatat. Data selama dua
puluh minggu pengiriman ditunjukkan pada tabel berikut. Siapkanlah grafik
pengendali ketidaksesuaian per unit pengiriman untuk memantau proses
tersebut.
Banyak Rata-rata Banyaknya
No Ukuran
Ketidaksesuaian Ketidaksesuaian per
Sampel (i) Sampel (n)
Keseluruhan (xi) unit (ui = xi/n)
1 50 2 0,04
2 50 3 0,06
3 50 8 0,16
4 50 1 0,02
5 50 1 0,02
6 50 4 0,08
7 50 1 0,02
8 50 4 0,08
9 50 5 0,1
10 50 1 0,02
11 50 8 0,16

6
12 50 2 0,04
13 50 4 0,08
14 50 3 0,06
15 50 4 0,08
16 50 1 0,02
17 50 8 0,16
18 50 3 0,06
19 50 7 0,14
20 50 4 0,08
Total 74 1,48

Dari data tersebut, kita akan menaksir rata-rata banyaknya ketidaksesuaian

per unit pengiriman sebagai:
20

u i
1,48
u i 1
  0,074
20 20
dengan demikian, parameter grafik pengendali adalah

u 0,074
BPA = u3 = 0,074  3  0,1894
n 50

Garis tengah = u = 0,074

u 0,074
BPB = u 3 = 0,074  3  0,0414
n 50
Ketika BPB < 0, kita harus menjadikan BPB = 0 untuk grafik u. Data awal
tidak menunjukkan kurangnya kontrol secara statistik Oleh karena itu, batas
kontrol percobaan yang diberikan di sini akan diadopsi untuk pemantauan
fase II pada operasi yang akan datang.

7
 Perhatikan bahwa meskipun prosesnya terkendali, jumlah kesalahan rata-
rata pengiriman cukup tinggi. Harus diambil tindakan untuk memperbaiki
sistem persediaan rantai.
1.3 Model Probabilitas Alternatif Untuk Data Cacah
Sebagian besar penerapan grafik c menganggap bahwa distribusi Poisson adalah
model probabilitas yang benar dalam melandasi proses tersebut. Namun, ini bukan
satu-satunya distribusi yang dapat dimanfaatkan sebagai model dari perhitungan
ketidaksesuaian jenis data per unit. Berbagai macam fenomena dapat menghasilkan
distribusi dari cacat yang tidak dapat dimodelkan dengan baik oleh distribusi
Poisson. Dalam distribusi Poisson, rata-rata dan variannya adalah sama. Ketika
data sampel menunjukkan bahwa varian sampel secara substansial berbeda dari
rata-ratanya, asumsi Poisson kemungkinan tidak tepat.
Sebagai contoh, andaikan bahwa ketidaksesuaian cenderung terjadi dalam
kelompok, seperti jika ada satu ketidaksesuaian dalambeberapa bagian dari produk,
maka kemungkinan besar di situ ada yang lain. Perhatikan bahwa di sini paling
sedikit terjadi dua proses random yang bekerja, satu yang mebentuk banyak dan

8
 tempat kelompok, kedua yang membentuk banyak ketidaksesuaian dalam tiap
kelompok. Jika banyak kelompok berdistribusi Poisson dan banyak
ketidaksesuaian dalam tiap kelompok berdistribusi memiliki distribusi yang umum
(misalnya f), maka jumlah ketidaksesuaian seluruhnya berdistribusi Poisson
gabungan. Banyak jenis distribusi gabungan atau generalisasi yang dapat
digunakan sebagai model untuk data jenis cacah. Sebagai ilustrasi, jika banyak
kelompok dan banyak ketidaksesuaian berdistribusi Poisson, maka distribusi
Neyman tipe A memodelkan jumlah ketidaksesuaian seluruhnya. Sebagai
kemungkinan lain, jika banyak kelompok berdistribusi gamma, dan banyak
ketidaksesuaian dalam kelompok berdistribusi Poisson, maka hasilnya adalah
distribusi binomial negatif.
2. Prosedur dengan Ukuran Sampel Berbeda-beda
Grafik pengendali untuk ketidaksesuaian kadang-kadang dibentuk dengan
menggunakan pemeriksaan produk 100%. Jika metode pengambilan sampel ini
digunakan, biasanya banyak unit pemeriksaan dalam sampel tidak konstan. Sama
halnya dengan pemeriksaan gulungan kain atau kertas sering kali ditemui keadaan
bahwa ukuran sampelnya berbeda-beda, sebab panjang dan lebar semua gulungan tidak
tepat sama. Jika dalam keadaan ini digunakan grafik pengendali untuk ketidaksesuaian
(grafik c), garis tengah dan batas pengendali keduanya akan berubah-ubah sesuai
dengan ukuran sampel. Grafik pengendali semacam itu dapat sangat sukar
menginterpretasikannya. Prosedur yang benar adalah menggunakan grafik pengendali
untuk ketidaksesuaian per unit (grafik u). Grafik ini akan mempunyai garis tengah
konstan. Tetapi, batas pengendali akan berubah-ubah berkebalikan dengan ukuran
sampel n.
Contoh
Dalam pabrik tekstil, bahan celupan diperiksa adanya cacat per 50 meter persegi. Dari
dari sepuluh gulungan bahan ditunjukkan dalam tabel dibawah ini. Kita akan
menggunakan data ini untuk membentuk grafik pengendali ketidaksesuaian per unit.

9
 Banyak Banyak
Banyak Banyak
Nomor Pemeriksaan Ketidaksesuaia
Meter Ketidaksesuaia
Gulungan Unit dalam n per unit
Kuadrat n Keseluruhan
Gulungan, n pemeriksaan
1 500 14 10,0 1,40
2 400 12 8,0 1,50
3 650 20 13,0 1,54
4 500 11 10,0 1,10
5 475 7 9,5 0,74
6 500 10 10,0 1,00
7 600 21 12,0 1,75
8 525 16 10,5 1,52
9 600 19 12,0 1,58
10 625 23 12,5 1,84

Menentukan nilai garis tengah dengan u

u
 c  153  1,42
 n 107,5
Menentukan batas pengendali
Nomor Gulungan u u
ni BPA  u  3 BPB  u  3
(i ) ni ni

1 10,0 2,55 0,29

2 8,0 2,68 0,16
3 13,0 2,41 0,43
4 10,0 2,55 0,29
5 9,5 2,58 0,26
6 10,0 2,55 0,29
7 12,0 2,45 0,39
8 10,5 2,52 0,32
9 12,0 2,45 0,39
10 12,5 2,43 0,41

10
3. Sistem Kerusakan
Berikut beberapa pola kerusakan:
Cacat kelas A – sangat serius.
Unit tidak cocok sama sekali untuk pelayanan atau gagal dalam pelayanan sedemikian
rupa sehingga tidak mudah diperbaiki di lapangan, atau akan menyebabkan kecelakaan
atau kerusakan milik pribadi.
Cacat kelas B – serius.
Unti mungkin akan mengalami kegagalan operasional kelas A, atau pasti akan
menyebabkan masalah operasional yang kurang serius, atau pasti akan mengurangi
tahan hidup atau meningkatnya biaya perawatan.
Cacat kelas C – agak serius.
Unit yang mungkin akan gagal dalam pelayanan, atau menyebabkan kesulitan yang
kurang serius dari pada masalah operasional , atau mungkin mengurangi tahan hidup
atau meningkatnya biaya pemeliharaan, atau mempunyai cacat besar dalam bentuk
akhir, penampilan, atau kualitas pekerjaan.
Cacat kelas D – kecil.
Unit tidak akan gagal dalam pelayanan, tetapi mempunyai cacat kecil dalam bentuk
akhir, penampilan, atau kualitas pekerjaan.

11
 Jika C A , C B , CC , C D masing-masing menunjukkan banyaknya cacat kelas A, kelas B,

kelas C, dan kelas D dalam unit pemeriksaan serta w1 , w2 , w3 , w4 masing-masing

menunjukkan bobot cacat pada masing-masing kategori, maka jumlah cacat terbobot
pada tiap subgroup dapat dicari dengan mengkalikan jumlah cacat pada masing-masing
kategori di tiap subgroup pengamatan dengan faktor bobot yang sudah ditentukan
dengan rumus berikut:
Jumlah cacat terbobot A  w1  C A

Jumlah cacat terbobot B  w2  C B

Jumlah cacat terbobot C  w3  CC

Jumlah cacat terbobot D  w4  CD

Adapun langkah untuk membuat peta kendali Demetri yakni:
(1) Pembobotan (w)
 1 
bobot     totalAQL
 AQL 
Dengan AQL (Acceptance Quality Level) yang telah ditentukan sebelumnya oleh
sebuah perusahaan.
(2) Menghitung jumlah cacat terbobot masing-masing subgroup
Adapun rumus yang digunakan untuk menghitung jumlah cacat terbobot untuk masing-
masing subgroup pengamatan:
d i  w1CiA  w2 CiB  w3CiC  w4 CiD ; dengan i  1,2,3,4,..., n
Keterangan:
d i  cacat terbobot pada setiap subgrup
D  jumlah cacat terbobot pada setiap subgroup
n  jumlah sampel
wi  bobot cacat berdasarkan kelasnya

Ci  banyaknya cacat berdasarkan kelasnya

Karena kita mengasumsikan bahwa tiap kelas cacat adalah independen, dan kejadian
cacat dalam tiap kelas adalah dimodelkan dengan baik oleh distribusi Poisson, maka
dapat kita definisikan banyak kerusakan dalam unit pemeriksaan sebagai berikut:
D  100C A  50C B  10CC  C D
(3) Menentukan ketidaksesuaian per unit untuk masing-masing sub grup

12
 Misalkan digunakan suatu sampel dengan n unit pemeriksaan. Maka banyak kerusakan
per unit adalah:
D
u
n
(4) Statistik u
Statistik u dapat digambarkan pada grafik pengendali dengan parameter sebagai
berikut:
BPA  u  3̂ u
Garis tengah  u
BPB  u  3̂ u
Keterangan:
BPA = Batas Pengendali Atas
BPB = Batas Pengendali Bawah
dengan nilai u dan ˆ u sebesar:

u  100u A  50u B  10uC  u D

dan
1
 (100) 2 u A  (50) 2 u B  (10) 2 u C  u D  2
ˆ u   
 n 
dengan:
1 n C
u A   iA
n i 1 ni
1 n CiB
uB  
n i 1 ni
1 n CiC
uC  
n i 1 ni
1 n CiD
uD  
n i 1 ni
Keterangan:
u A  rata-rata banyaknnya cacat kelas A per unit.
u B  rata-rata banyaknnya cacat kelas B per unit.
u C  rata-rata banyaknnya cacat kelas C per unit.
u D  rata-rata banyaknnya cacat kelas D per unit.
u  banyak keseluruhan cacat.

13
4. Fungsi Karakteristik Operasi
Kurva Karakteristik Operasi (KO) untuk grafik c dan grafik u di peroleh dari
distribusi Poisson. Untuk grafik c, grafik KO mengambarkan probabilitas kesalahan
tipe II β banyak cacat rata-rata yang sebenarnya c. Ungkapan untuk β adalah :
  P[ X  BPA | c]  P[ X  BPB | c]
dengan x merupakan varibel random Poisson dengan parameter c.
Contoh
Misalkan di ketahui BPA = 33,22 dan BPB = 6,48

c P[ x  33 | c] P[ x  7 | c]   P[ x  33 | c]  P[ x  7 | c]
1 1,000 0,999 0,001
2 1,000 0,998 0,002
3 1,000 0,988 0,012
4 1,000 0,948 0,052
5 1,000 0,866 0,134
6 1,000 0,743 0,257
7 1,000 0,598 0,402
8 1,000 0,452 0.548
9 1,000 0,323 0,677
10 1,000 0,222 0,778
11 0,999 0,143 0,856
12 0,999 0,08 0,919
13 0,999 0,05 0,949
14 0,999 0,03 0,969
15 0,999 0,018 0,981
16 0,999 0,009 0,990
17 0,999 0,005 0,994
18 0,999 0,002 0,997
19 0,998 0,001 0,997
20 0,995 0,000 0,995
21 0,994 0,000 0,994
22 0,989 0,000 0,989
23 0,981 0,000 0,981

14
24 0,968 0,000 0,968
25 0,945 0,000 0,945
26 0,924 0,000 0,924
27 0,891 0,000 0,891
28 0,850 0,000 0,850
29 0,801 0,000 0,801

30 0,709 0,000 0,709

33 0,500 0,000 0,500
35 0,367 0,000 0,367
40 0,131 0,000 0,131
45 0,037 0,000 0,037
banyak ketidaksesuaian dalam sampel dengan 100 persen untaian tercetak, akan di
bentuk kurva KO untuk grafik c, maka persamaan β menjadi
  P[ X  33,22 | c]  P[ X  6,48 | c]
karena banyak ketidaksesuaian, maka ekuivalen dengan
  P[ X  33 | c]  P[ X  7 | c]
nilai probabilitasnya terdapat di dalam tabel di atas.

15
Untuk grafik u, kita dapat membentuk kurva KO
  P{ X  BPA | u}  P{ X  BPB | u}
  P{c  nBPA | u}  P{c  nBPB | u}
  P{nBPB  c  nBPB | u}
[ nBPA]
e  nu (nu ) c
 
c  nBPB c!

16