PENGENDALIAN MUTU

Kelompok 1
Oktosar Sabri (H12112012)
Rezki Try Putri (H12112105)
Eka Fahreza H. (H12113313)

JURUSAN MATEMATIKA
PRODI STATISTIK
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
2014
Materi 6.1, 6.2.1, 6.3.1
Setelah menyelesaikan bab ini kamu di harapkan dapat melakukan hal – hal berikut :

1. Mengerti dasar statistic dari Peta Kontrol shewhart untuk variable

2. Mengetahui cara mendesain variable Peta Kontrol.
3. Mengetahui cara mensetting dan menggunakan Peta Kontrol x dan R
4. Mengetahui cara memperkirakan proses kemampuan dari Peta Kontrol
information
5. Mengetahui cara mentafsirkan pola-pola pada Peta Kontrol x dan R
6. Mengetahuicaramensetting dan menggunakan Peta Kontrol x dan s atau s2
7. Mengetahui cara mensetting dan menggunakan chart untuk pengukuran
tersendiri
8. Mengerti tentang pentingnya anggapan biasa dari individual Peta Kontrol dan
mengetahui cara mengecek anggapan ini
9. Mengerti tentang jenis-jenis konsep rational untuk variable Peta Kontrol
10. Menentukan panjang rat- rata dari vaiable Peta Kontrol

6.1 Pendahuluan

Banyak karakteristik kualitas dapat diekspresikan dalam sebuah numerical

measurement. Contohnya, diameter dari bearing dapat di ukur menggunakan
micrometer dan di simbolkan dalam millimeter. Suatu pengukuran karakteristik
kualitas, seperti dimensi, berat, volume, dikenal sebagai variable. Peta Kontrol
untuk variable dapat digunakan secara luas. Peta Kontrol adalah salah satu
peralatan utama yang digunakan dalam menganalisa dan mengontrol langkah-
langkah dari DMAIC.
Ketika berurusan dengan karakteristik kualitas yang merupakan variable.
Maka biasanya perlu untuk memonitor kedua maksud nilai dari karakteristik
kualitas dan variablenya. Control dari proses penengah atau artikualitas biasanya
diselesaikan dengan Peta Kontrol untuk Rata-rata atau x . Proses variable dapat
di monitor entah itu dengan sebuah control chart untuk standar deviasi, dikenal
sebagai Peta Kontrol s atau dengan Peta Kontrol untuk range, yang dikenal
sebagai Peta Kontrol R . Peta Kontrol R lebih sering digunakan. Biasanya,
pemisahan Peta Kontrol x dan r di jaga untuk setiap karakteristik kualitas of
interest. ( meskipun, jika karakteristik kualitasitu relative sama, hal ini kadang
dapat mengakibatkan hasil yang membingungkan : lihat chapter 12 Bagian 4) x
 dan r (atau s) chart adalah yang paling penting dan berguna untunk proses
memonitoring online statistical dan control teknik.
Penting untuk menjaga control selama kedua proses mean dan proses
variable Diatas tersebut. Pada gambar 6.1 diilustrasikan sebuah output dari
proses produksi. Pada gambar 6.1a baik Rata-rata dan standar deviasi berada
dalam kendali nominal valuenya (dikatakan µo dan σo) karena itu, sebagian besar
proses output jatuh dalam batas spesifikasi, meskipun, pada gambar 6.1b Rata-
rata telah di bergeser ke nilai µ1>µ0, menghasilkanfraksi yang
lebihtinggidariproduk yang tidaksesuai, padagambar 6.1c proses deviasi standar
bergeser ke nilai σ1>σ0. Hal ini juga mengakibatkan proses jatuh yang lebih
tinggi ,meskipun prosess perata-rataan tetap pada nilai nominalnya

6.2 Peta Kontrol X dan R

6.2.1 Basis Statistik Peta

Misalkan karakteristik kualitas biasanya di distribusikan dengan Rata-
rata µ dan standar deviasi σ, dimanabaik µ dan σ diketahui. Jika x1,
x2,……xnadalah sample dari ukuran n, maka rata-rata dari sample adalah
x1 + x2 + ⋯ + xn
x̅ =
𝑛
Dan diketahui bahwa Distribusi normal dengan mean µ dan standar deviasi 𝜎𝑥̅ =
σ/√𝑛 . selanjutnya untuk probabilitas 1-α untuk setiap sampel mejadi :
𝜎 𝜎
µ+Zα/ 2 σ x = µ+Zα/ 2 √𝑛 dan µ-Zα/ 2 σ x = µ-Zα/ 2 √𝑛 (6.1)

Oleh karena itu, Jika µ dan σ diketahui, pernyataan (6.1) dapat digunakan
sebagai batas atas dan bawah pada Peta Kontrol untuk sample. Sama halnya di
Bab 5, untuk menggatikan Zα/ 2 Oleh 3, jadi batas 3-Sigma akan bekerja. Jika
sample dilur batas, maka indikasi bahwa proses berarti tidak sama µ.

Dapat diasumsuikan bahwa distribusi karakteristik kualitas normal.Tapi,

hasilnya masih dikatakan benar jika distribusi mendasari batas-bawah, karena
teorema pusat batas. Pengaruh asumsi normalitas pada variable grafik kendali
dibagian 6.2.5.
Dapat dipraktekkan. Tidak Diketahui µ dan σ. Sehubungan dengan itu, merek
harus diestimasi dari sample awal atau subkelompok yang diambil ketika proses
dianggap berada dalam control. Estimasi ini biasanya harus berdasarkan
sebanyak 20 sampai 25 sample. Berdasarkan bahwa m sample tersedia, berisi n
observasi pada kualitas karakteristiknya. Secara khusus, n akan lebih kecil,
seringkali baik 4,5, 6. Ukuran sample kecil ini biasanya dihasilkan dari
konstruksi pada subbagian rasional dan dari fakta bahwa biaya pengambilan
sample dan pemeriksaan terkait dengan variable pengukuran biasanya relative
besar. Misalkan ̅̅̅,
𝑥1 𝑥̅̅̅,,…….
2 𝑥𝑚 menjadi rata-rata pada sample. Kemudian
̅̅̅̅
penilai terbaik untuk µ. prosess rata-rata, adalah grand rata-rata

̅𝑥̅̅̅+𝑥
1 ̅̅̅̅+⋯+
2 ̅̅̅̅̅
𝑥𝑚
𝑥̅ = (6.2)
𝑚

𝑥̿ ini akan digunakan sebagai Tengah pada 𝑥̅ chart

Untuk membangun Batas Kontrol, membutuhkan sebuah perkiraan menegenai
standard deviasi σ. berdasarkan Bab 4 (bagian 4.2) harus memperkirakan σ dari
keduanya baik standard deviasi atau range pada m sample. Lalu range pada
sampel adalah pembedaan antara observasi terbesar dan terkecil: demikianlah.

𝑅̅ = Xmax-Xmin
Misalkan ̅̅̅
𝑅1 , ̅̅̅
𝑅2 ,…… ̅̅̅̅
𝑅𝑚 menjadi range pada sample. Maka range rata-
ratanyaadalah

̅̅̅̅
𝑅 ̅̅̅̅
1 +𝑅 2 +⋯+ ̅̅̅̅̅
𝑅𝑚
𝑅̅ = (6.3)
𝑚
Sekarang dapat memberi formula untuk membuat Batas Kontrol pada Peta X.
Berdasarkan berikut :

UCL = 𝑥̿ +A2 𝑅̅

Rata-rata Tengah = 𝑥̿ (6.4)

LCL = 𝑥̿ -A2 𝑅̅

Konstanta A2 merupakan Varias ukuran samplen pada table 6.

Proses variabilitas bias dimonitor melalui plotting value pada sample range R di
Peta Kontrol. Tengah dan Batas Kontrol pada Peta R adalah sebagai berikut :

UCL = D4 𝑅̅
Garis Tengah = 𝑅̅ (6.5)
LCL = D3 𝑅̅

Konstanta D3 dan D4 Merupakan variansi nilai dari n pada table 6.

Pengembangan persamaaan (6.4) dan (6.5). pengembangan persamaan maka
taksiran untuk σ dihitung sebagai :
𝑅̂
𝜎̂ = 𝑑2 (6.6)
Jika digunakan 𝑥̿ sebagai penaksiran µ dan 𝑅̂ /d2 sebagai penaksiran untuk σ,
maka parameter grafik 𝑥̅ adalah
3
UCL = 𝑥̿ + 𝑅̅
𝑑2√𝑛
Garis Tengah = 𝑥̿ (6.7)
3
LCL = 𝑥̿ − 𝑅̅
𝑑2√𝑛
Catat Bahwa kuantitas
3
A2 = 𝑑2 (6.8)
√𝑛
Kemudian (6.7) reduksi ke (6.4)
Jadi Parameter Grafik dapat ditentukan dengan mudah. Garis tengah adalah 𝑅̅ .
Untuk menentukan batas pengendalinya, kita perlu taksirkan σ R. Dengan
menganggap bahwa karakteristik kualitas berdistribusi normal, estimasi 𝜎̂ R
 dapat diperoleh dari distribusi rentang relativ W = R/ σ . Deviasi standar W,
Katakan D3, adalah fungsi n yang diketahui.Jadi,karena
R=W σ
Maka deviasi standar R adalah :
σ R= d3 σ
karena σ tidak diketahui, kita dapat menaksir σ R dengan :
𝑅̅
σ R = 𝑑3 𝑑2 (6.9)
Dengan demikian, parameter grafik R dengan Batas pengendali 3-sigma yang
biasa adalah
𝑅̂
UCL = 𝑅̅ + 3 𝜎̅ R = 𝑅̅ + 3𝑑3 𝑑2
Garis Tengah = 𝑅̅ (6.10)
𝑅̂
LCL = 𝑅̅ − 3 𝜎̅ R = 𝑅̅ − 3𝑑3 𝑑2
Dimisalkan
𝑑3
D3 = 1-3 𝑑2
Dan
𝑑3
D4 = 1+ 3𝑑2
Dapat didefinisikan kembali parameter-parameter grafik R sebagai :
UCL = 𝑅̅ D4
Garis Tengah = 𝑅̅
LCL = 𝑅̅ D3
Konstan D3 dan D4 Ditabelkan untuk berbagai nilai n dalam table lampiran VI.
Apanila sampel-sampel pendahuluan digunakan untuk membentuk grafik
pengendali 𝑥̅ dan R sudah biasa untuk memperlakukan batas pengendali itu
sebagai nilai-nilai percobaan. Maka m min dan rentang sampel harus kita
gambarkan pada grafik-grafik itu dan setiap sampel yang diluar batas pengendali
harus kita selidiki. Apabila sebab-sebab terduga untuk titik-titik ini ditemukan,
titik-titik itu harus dibuang dan ditentukan batas pengendali percobaan yang
baru.

6.3.1. Grafik pengendalian 𝑥̅ dan s

Bentuk dan operasi peta grafik pengendalian untuk 𝑥̅ dan s seperti

langkah – langkah untuk grafik R, kecuali bahwa untuk setiap sampel kita harus
menghitung rata-rata sampel ( 𝑥̅ ) dan sampel standar deviasi (s). Tabel 6.3
menyajikan pengukuran diameter dalam memalsukan Otomotif mesin cincin
piston. Setiap sampel atau kelompok terdiri dari lima cincin piston. Kami telah
menghitung rata – rata sampel dan standar deviasi sampel untuk masing –
masing 25 sampel. Kami akan menggunakan data ini untuk mengilustrasikan
bentuk dan pengoperasian grafik 𝑥̅ dan s.

Jika 𝜎 2 adalah variansi distribusi probabilitas yang tidak diketahui, maka

penaksir tak bias 𝜎 2 adalah varians sampel.
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑠2 =
𝑛−1

Namun, deviasi standar sampel s bukan penaksir tak bias untuk 𝜎. Dalam
Bab 4 (Bagian 4.2) kami mengamati bahwa jika distribusi yang mendasarinya
normal, maka s menaksir C4𝜎, di mana c4 adalah konstan yang tergantung
pada ukuran sampel n. Selain itu, deviasi standar dari s adalah 𝜎 = √1 − 𝑐42 .
Keterangan ini dapat digunakan untuk membentuk grafik pengendali 𝑥̅ dan s.
 Pandangan keadaan dengan nilai standar untuk 𝜎 diberikan. Karena E (s)
= C4s, nilai tengah untuk grafik itu adalah C4𝜎. Maka batas pengendali tiga
sigma untuk s adalah

UCL = C4𝜎 + 3𝜎√1 − 𝑐42

LCL = C4𝜎 - 3𝜎√1 − 𝑐42

Biasanya untuk menentukan 2 konstanta

B5 = C4 - 3√1 − 𝑐42 dan B6 = C4 + 3√1 − 𝑐42 (6.24)

Akibatnya, parameter grafik s dengan nilai standar deviasi untuk s menjadi

UCL = B6 𝜎

CL = C4𝜎 (6.25)

LCL = B5 𝜎

Nilai-nilai B5 dan B6 ditabulasikan untuk berbagai ukuran sampel pada

Lampiran Tabel VI. Parameter grafik 𝑥̅ dan sekawannya diberikan dalam
persamaan (6.15), bagian 6.2.3.

Jika nilai standar bagi 𝜎 tidak diberikan, maka harus ditaksir dengan
menganalisa data sebelumnya. Misalkan m sampel awal yang tersedia, masing-
masing berukuran n, dan biarkan si adalah deviasi standar dari sampel ke-i. Rata-
rata standar deviasi m adalah
𝑚
1
𝑠̅ = ∑ 𝑠𝑖
𝑚
𝑖=1

Statistik 𝑠̅⁄𝑐4 ini merupakan penaksir tak bias terhadap 𝜎. Oleh karena
itu, parameter grafik s menjadi
𝑠̅
UCL = 𝑠̅ + 3𝑐 √1 − 𝑐42
4

CL = 𝑠̅
𝑠̅
LCL = 𝑠̅ - 3𝑐 √1 − 𝑐42
4

Biasanya kami mendefinisikan konstan

3 3
B3 = 1 – 𝑐 √1 − 𝑐42 dan B4 = 1 + 𝑐 √1 − 𝑐42 (6.26)
4 4
Akibatnya, kita dapat menulis parameter grafik s sebagai

UCL = B4 𝑠̅

CL = 𝑠̅ (6.27)

LCL = B3 𝑠̅
𝐵6⁄ 𝐵5
Perhatikan bahwa 𝐵4 = 𝑐4 dan 𝐵3 = ⁄𝑐4
Ketika 𝑠̅⁄𝑐4 digunakan untuk menaksir 𝜎, kita dapat mendefinisikan
batas pengendali pada grafik 𝑥̅ dan s yang sesuai
3𝑠̅
UCL = 𝑥̿ + 𝑐
4 √𝑛

CL = 𝑥̿
3𝑠̅
LCL = 𝑥̿ − 𝑐
4 √𝑛

Misalkan konstan A3 = 3/( c4√𝑛 ). Maka parameter grafik 𝑥̅ menjadi

UCL = 𝑥̿ + 𝐴3 𝑠̅

CL = 𝑥̿ (6. 28)

LCL = 𝑥̿ − 𝐴3 𝑠̅

Konstan B3, B4, dan A3 untuk bentuk dan grafik 𝑥̅ dan s dari data sebelumnya
yang tercantum dalam Tabel Lampiran VI untuk berbagai ukuran sampel.

Perhatikan bahwa telah diasumsikan sampel standar deviasi

didefinisikan sebagai

∑𝑛
𝑖=1(𝑥𝑖 −𝑥̅ )
2
𝑠= √ (6. 29)
𝑛−1

Beberapa ahli mendefinisikan s dengan penyebut n dalam persamaan (6.29)

bukan n – 1. Dengan demikian, definisi konstanta c4, B3, B4, dan A3 yang
diubah. Konstanta yang sesuai berdasarkan penggunaan n dalam menghitung s
disebut c2, B1, B2, dan A1, masing-masing.
Lihat definisi Bowker dan Lieberman (1972).

Kebiasaannya, insinyur pengendalian kualitas lebih senang garifik R

daripada grafik s karena mudahnya menghitung R dari masing-masing sampel.
Dengan tersedianya kalkulator genggam sekarang ini dengan perhitungan s yang
otomatis dan tersedia mikrokomputer yang meningkatguna menghilangkan
setiap kesulitan perhitungan.