BAB I
PENDAHULUAN
1. 1 Latar Belakang
Persaingan di dunia industri yang semakin ketat telah memacu para pelaku bisnis
untuk dapat memberikan nilai lebih dari produk yang dihasilkan guna mendapatkan
kepercayaan dari konsumen. Kebutuhan konsumen akan produk dengan kualitas baik
dan harga yang terjangkau dapat dipenuhi jika perusahaan dikelola dengan baik dan
produk dengan standar yang telah ditetapkan. Pengendalian kualitas pada suatu
perusahaan sangatlah penting guna menekan dan mengurangi produk yang cacat agar
dapat sesuai dengan standar kualitas yang diharapkan oleh konsumen, serta
meningkatkan keuntungan pada suatu perusahaan.
Contoh kasus yang terjadi pada CV. Rumpun Bambu Kreasi yang merupakan salah
satu perusahaan yang bergerak di bidang industri kerajinan tangan di Tasikmalaya yang
mengelola bahan baku menjadi barang jadi berdasarkan pesanan. Presentase kegagalan
produk dalam beberapa periode pada perusahaan ditemukan masih cukup besar.
Kegagalan-kegagalan pada produk yang banyak ditemukan antara lain : Jahitan yang
tidak rapi, produk kotor, pemasangan saku yang tidak presisi, dan tenun lidi yang
longgar. Sebagian besar kegagalan yang terjadi pada perusahaan disebabkan oleh faktor
kesalahan manusia (human error) karena pengarahan dan pelatihan terhadap karyawan
yang dinilai masih minim.
Kegiatan pengendalian kualitas memberikan manfaat dalam upaya mengurangi
kegagalan produk. Seperti yang kami terapkan pada PT Indonesia Tamiya Motor,
metode-metode pengendalian kualitas yang dilakukan bertujuan untuk mengidentifikasi
kegagalan yang sering ditemukan pada suatu produk dan faktor penyebabnya agar dapat
mencapai suatu standar kualitas yang diinginkan konsumen. Sehingga pada proses
selanjutnya PT Indonesia Tamiya Motor dapat meningkatkan mutu produk dengan
melakukan pelatihan terhadap karyawan, menyediakan bahan baku yang berkualitas,
serta melakukan perbaikan-perbaikan pada produk yang berkualitas rendah.
1. 2 Perumusan Masalah
Bagaimana merumuskan pengendalian kualitas dengan menggunakan metode
perencanaan sampling untuk mengendalikan, menjaga, dan menjamin kualitas dari suatu
produk yang diproduksi.
1. 2 Tujuan Penulisan
Tujuan dari praktikum pengendalian kualitas Perancangan Teknik Industri ini
adalah untuk mengetahui hasil pengendalian kualitas dengan menggunakan seven tools
untuk mengendalikan, menjaga, dan menjamin kualitas dari suatu produk yang
diproduksi
BAB IV ANALISA
Berisi analisis dari pengolahan data yang telah diperoleh.
BAB V PENUTUP
Berisi kesimpulan dan saran.
BAB II
STUDI PUSTAKA
2. 1 Pengertian Kualitas
2.1. 1 Definisi Umum Kualitas
Pengendalian kualitas dilakukan dalam upaya untuk meningkatkan rasa
kepercayaan konsumen terhadap produk yang dihasilkan serta untuk menjamin
perkembangan perusahaan di masa mendatang. Definisi kualitas yang sering
digunakan berasal dari Crosby (1979) yang mendefinisikan “Quality is conformance
to requirements or specifications ” yang diartikan bahwa kualitas adalah suatu
kesesuaian untuk memenuhi persyaratan atau spesifikasi. Definisi yang lebih umum
dari kualitas adalah definisi yang dikemukan oleh Juran (1993) yaitu “ Quality is
fitness for use “ dimana definisi ini menekankan pada point yang penting yaitu
pengendali dibalik penentuan level kualitas yang harus dipenuhi oleh produk atau
jasa yaitu konsumen. Akibatnya yaitu apabila keinginan konsumen berubah maka
kualitas yang ditetapkan juga berubah. Hal ini menunjukkan bahwa terdapat beberapa
elemen yang menentukan level dari kualitas produk atau jasa yang dinamakan
karakteristik kualitas.
(Amitava Mitra. 1993)
Beberapa jenis dari karakteristik kualitas ini bisa dibentuk yaitu misalnya
karakteristik struktur disusun oleh bentuk produk, kekuatan menahan beban, berat
dan lain-lain. Untuk karakteristik sensor, elemen penyusunnya yaitu keindahan model
produk, tekstur produk, unsur estetik produk dan lain-lain. Sedangkan untuk
karakteristik berdasar waktu yaitu mengenai jaminan, layanan purna jual, keandalan
dan kemudahan dalam perawatan. Karakteristik kualitas dapat digolongkan menjadi
dua kelompok utama, yaitu:
a. Karakteristik variable
Merupakan karakteristik yang dapat diukur dan diwujudkan dengan skala
numerik. Contoh: panjang kursi (mm), tebal sandaran kursi (mm), Diameter
dari lubang (pada desain furniture) dalam millimeter
b. Karakteristik atribut (sifat)
Jika karakteristik itu dapat diklasifikasikan, apakah termasuk kesesuaian atau
ketidaksesuaian untuk memenuhi permintaan spesifikasi. Tidak bisa
digunakan skala numerik. Untuk pernyataan atribut maka kita tidak bisa
menggunakan skala numerik melainkan diekspresikan dengan atribut. Contoh:
warna kayu assembling yang termasuk diterima atau tidak, hasil sanding dan
hal lainnya yang termasuk atribut.
a. Joseph M. Juran
Dikatakan bahwa pengendalian mutu terpadu adalah suatu cara kerja yang
teratur, dimana dilakukan pengukuran mutu “performance” nyata
dibandingkan dengan standar dan dilakukan tindakan bila terlihat adanya
penyimpangan dari standar.
b. W. Edwards Deming
Menurut Deming, pengendalian mutu terpadu adalah semua aktivitas yang
perlu dilakukan untuk mencapai tujuan jangka panjang yang efisien dan
ekonomis. Urutan aktivitas tersebut dikenal dengan sebutan “Siklus
Deming” yakni PDCA (Plan, Do, Check, Action).
c. Philip B. Crosby
Crosby mengemukakan bahwa untuk menentukan kebijakan kualitas maka
telah diidentifikasikan empat hal utama yaitu definisi dari kualitas, sistem
pengembangan kualitas, kinerja standar dalam bentuk zero defect, dan
pengukuran dalam bentuk biaya kualitas.
Pengendalian kualitas memiliki beberapa keuntungan, antara lain :
1. Mengendalikan kualitas dari produk agar sesuai dengan spesifikasi yang telah
ditetapkan dan melakukan perbaikan kualitas produk.
2. Sistem kualitas selalu mengalami perbaikan secara kontinyu sehingga dapat
memenuhi keinginan konsumen yang dapat berubah sewaktu-waktu.
3. Pengendalian kualitas dapat meningkatkan produktivitas karyawan dan
kemampuan karyawan serta dapat mengurangi volume scrap (cacat) dan
reworks (pengerjaan ulang).
4. Sistem kualitas dapat menurunkan biaya yang berhubungan dengan kualitas
produk secara keseluruhan, meliputi:
a. Biaya kerusakan dalam produksi
b. Biaya inspeksi
c. Biaya kerusakan diluar proses produksi, dimana untuk hal ini dapat
dikurangi dengan cara pemeriksaan secara berkala, sistem perawatan
mesin yang baik dan peralatan pencegah.
2. 2 Seven Tools
Menurut Deming, pengendalian mutu terpadu adalah semua aktivitas yang
perlu dilakukan untuk mencapai tujuan jangka panjang yang efisien dan
ekonomis. Urutan aktivitas tersebut dikenal dengan sebutan “Siklus Deming”
yakni PDCA (Plan, Do, Check, Action). Juran (1974) berpendapat bahwa
“Quality is fitness for use” dimana definisi ini menekankan pada pengendali di
balik penentuan level kualitas yang harus dipenuhi oleh produk atau jasa.
Akibatnya apabila keinginan konsumen berubah maka level kualitas dapat ikut
berubah. Hal ini menunjukkan bahwa terdapat beberapa elemen yang menetukan
level kualitas dari suatu produk.
Tujuh alat yang digunakan meliputi :
1. Lembar Pengumpul Data (Check Sheet)
Check Sheet adalah merupakan alat yang mutlak diperlukan bagi
mereka yang melaksanakan penelitian dan pengendalian kualitas atau kuantitas
barang ataupun jasa. Karena dari data yang didapat /dikumpulkan dapat
mengambil suatu gambaran, kesimpulan ataupun keputusan yang akurat.
Tanpa mempunyai data membuat pengambilan kesimpulan/keputusan ataupun
rencana tindakan hanya berdasarkan kira-kira saja, sehingga bukan suatu yang
mustahil akhirnya kesimpulan/keputusan akan jauh dari yang diharapkan.
Hal-hal yang perlu diperhatikan dalam membuat Check Sheet, antara
lain
- Sasarannya harus jelas
- Keterangan yang diperlukan memenuhi sasaran
- Dapat diisi dengan mudah dan cepat
- Dapat disimpulkan dengan cepat
Secara umum Check Sheet dibagi dalam 3 jenis dengan fungsinya
masing-masing :
a) Check Sheet
Suatu lembaran yang berisi bahan-bahan keterangan yang telah
ditentukan sasaran/keperluannya dengan kolom jumlah/ukuran barang atau
kegiatan yang diperiksa
dengan penentuan waktu yang teratur ataupun bebas.
Fungsi Check Sheet :
- untuk menghitung jumlah produksi/jasa yang dihasilkan
- untuk menghitung kerusakan/kesalahan produk yang dibuat
- untuk mengukur bentuk (panjang/volume hasil produksi)
- untuk mengukur keadaan/kondisi alat/hasil produksi
- untuk mengukur waktu proses pekerjaan
Contoh check sheet :
b) Check List
Suatu lembaran yang berisi bahan-bahan keterangan yang telah
ditentukan sasaran/keperluannya, kegiatan yang dicocokkan
keberadaanya/jumlahnya dengan penentuan waktu yang tertentu
Fungsi Check List
- untuk mencocokkan ukuran hasil produksi dengan standar
- untuk mencocokkan jumlah pengiriman dengan pesanan
- untuk mencocokkan barang dengan jumlah yang dibawa/dikirim
- untuk mengontrol jenis barang yang dibeli
c) Check drawing
Suatu lembaran yang berisi gambar barang yang telah ditentukan untuk
diperiksa keadaannya dan setiap barang menggunakan lembar yang berbeda.
Fungsi Drawing :
- untuk menunjukkan posisi/lokasi kerusakan
2. Diagram Pareto
Diagram Pareto adalah kombinasi dua macam bentuk grafik yaitu grafik
kolom dan grafik garis, berguna untuk :
- menunjukkan masalah utama/pokok masalah
- menyatakan perbandingan masing-masing masalah terhadap keseluruhan
- menunjukkan perbadingan masalah sebelum dan sesudah perbaikan
Contoh Diagram Pareto :
4. Histogram
Histogram adalah bentuk dari grafik kolom yang memperlihatkan
distribusi yang diperoleh bila mana dat dalam bentuk angka telah terkumpul.
Meskipun suatu histogram dibuat berdasarkan contoh data, namun tujuannya
adalah untuk memberikan saran mengenai kemungkinan distribusi keseluruhan
data (populasi) yang contoh datanya diambil. Dalam Histogram, nilai dari
peubah berkesinambungan digambarkan pada sumbu horizontal yang dibagi
dalam kelas atau sel yang mempunyai ukuran sama. Biasanya ada satu kolom
untuk tiap kelas dan tingginya kolom menggambarkan jumlah terjadinya nilai
data dalam jarak yang digambarkan oleh kelas. Histogram ini dipakai untuk
menentukan masalah dengan melihat bentuk dan sifat dispersi dan nilai rata-rata.
Langkah 4
Untuk setiap sub group dilakukan perhitungan :
a. Harga rata-rata sub group dengan formula sebagai berikut :
X 1 X 2 X 3 ... X n
X
n
b. Harga range dengan formula sebagai berikut :
R X terbesar X terkecil
Langkah 5
a. Hitung rata-rata keseluruhan sebagai berikut :
X 1 X 2 X 3 ... X k
X
k
b. Hitung rata-rata rentang sebagai berikut :
R1 R2 R3 ... Rk
R
k
Langkah 6
Hitung garis-garis kendali sebagai berikut :
a. Untuk peta X , hitung
Langkah 8
Menentukan revisi CL dan batas kendali (jika diperlukan)
Langkah 9
Menginterpretasikan peta dan melakukan analalisis
2. Peta kendali X - s
Definisi :
Peta X - s merupakan peta kendali variabel yang digunakan dalam
mengendalikan rata-rata proses (ukuran keakuratan) dan standar deviasi (ukuran
kepresisian).
a. Hitung mean standar deviasi sub group sampel ( s ) dan mean dari rataan
group ( X )
g g
si
i 1
X
i 1
i
s X
g g
b : slope X
G : nomor subgroup
Tentukan batas kendali
UCL dan LCL berjarak A2 R dari central line
Nilai X
SPECIFICATION CHART
Specification Chart adalah peta kontrol dimana garis sentral dan batas kontrol
yang diperoleh dari perhitungan menggunakan angka spesifikasi produk. Batas
kontrol yang diperoleh menunjukkan proses apa yang kita hendaki, bukan
menunjukkan kapasitas proses aktual. Specification chart untuk kondisi :
Tingkat produksi sedikit sehingga data yang diperoleh tidak cukup untuk
membuat peta kontrol konvensional
Ingin mengetahui performansi proses terhadap kondisi yang kita inginkan
Dibutuhkan data cepat
Variasi dari proses kita rendah (proses stabil)
Tipe peta kontrol ini memberikan beberapa ukuran pengendalian yang harus
diperhatikan dan metode pengembangan kualitas. Tehap-tahap pembuatan
specification chart untuk kondisi sebagai berikut :
Diketahui angka spesifikasi produk dengan batas toleransi tertentu.
LRLx = X A
R = dz z
URLR = Dz
LRLR = DI
DEVIATION CHART
Deviation chart disebut juga difference chart, nominal chart, atau target
chart. Deviation chart identik dengan peta X kecuali yang diplotkan adalah
deviasi dari suatu target tertentu. Sementara, peta R tidak berubah dalam
penggunaan teknik moving range-nya.
Deviation chart dapat mengakomodasi proses short runs dengan berbagai
target yang berbeda. Hal ini disebabkan karena meskipun targetnya berbeda,
central line dari peta X selalu nol (0). Namun demikian, penggunaan teknik
deviation chart untuk berbagai target berbeda ini harus memenuhi bahwa
variansi (s2) dari perbedaan target identik (sama) dengan variansi dari binomial.
Persyaratan ini dianaliasis dengan menggunakan ANOVA atau mengguankan
rule of thumb berikut :
R proses
1.3
R total
Dimana : R proses : rata-rata range dari proses
R total : rata-rata range dari semua proses
Teknik yang digunakan tidak berbeda dengan teknik pembuatan peta X dan R.
Perbedaannya terletak pada data yang dikumpulkan yaitu deviasi dari target.
Peta Z dan W
Peta ini amat cocok digunakan untuk short run. Sebenarnya secara konseptual,
peta ini serupa dengan X dan R, hanya saja telah dimodifikasi sehingga batas
kendali yang digunakan dalam peta Z dan W dapat diketahui sebelum pemetaan
dilakukan. Rumus yang digunakan dalam penentuan batas kendali dalam peta Z
dan W diturunkun dari rumus yang diguankan dalam penentuan batas kendali
untuk X dan R.
Pada bagian ini akan diberikan penurunan rumus dari batas kendali R menjadi
batas kendali W.
LCLR < R < UCLR
D3 R < R < D4 R
Dengan membagi setiap ruas dengan R maka akan diperoleh persamaan :
R
D3 < < D4
R
Selanjutnya R / R dinyatakan sebagai W. W inilah yang akan diplot pada peta
kendali W. Pada peta kendali W ini maka UCL adalah D4, LCL adalah D3, dan
CL adalah 1, karena terjadi pada saat R sama besarnya dengan R . Control limit
yang digunakan dalam peta kendali ini independen terhadap data yang akan
digunakan, dan hanya bergantung pada besarnya ukuran sub group yang
digunakan (D3 dan D4 besarnya hanya dipengaruhi oleh jumlah anggota sub
group).
Dengan langkah yang serupa maka rumus batas kendali untuk Z dapat
diperoleh dari penurunan rumus batas kendali untuk X sebagai berikut :
LCL X < X < UCL X
XX
- A2 < < A2
R
Kemudian persamaan yang berada pada ruas tengah dinyatakan sebagai Z , yang
akan diplotkan pada peta kendali Z , dengan UCL sebesar A2 dan LCL sebesar -
A2 dan CL sebesar 0.
Rumus batas kendali yang digunakan untuk membuat peta Z ini independen
terhadap data yang akan digunakan, dan hanya bergantung pada ukuran sub
group (A2 besarnya hanya dipengaruhi oleh jumlah anggota sub group).
2. Data historis
3. Pengalaman di masa lalu berkaitan dengan part yang sama.
4. Spesifikasi yang harus dihasilkan.
Acuan ini durutkan dari yang terbaik sampai yang terburuk.
Peta p
Pengertian :
o p menunjukkan perbandingan jumlah item cacat atau tidak memenuhi
spesifikasi dari sejumlah sampel.
jumlah _ item _ yang _ cacat
p
jumlah _ item _ dalam _ sampel
o Peta p ditujukan untuk pengendalian proses dimana ukuran sampel bervariasi
sehingga besaran p akan selalu menunjukkan proporsi item yang cacat dari
sekumpulan sampel.
Langkah – langkah Pembuatan Peta p :
1. Lakukan pemeriksaan terhadap n buah item produk dan cacat (np). Ulangi
pemeriksaan untuk sampel lain yang diambil dari lot produksi atau waktu produksi
yang lain.
2. Untuk setiap pemeriksaan (sampel i), hitung fraksi cacat dengan rumus :
ni pi
pi
ni
3. Hitung rata – rata fraksi cacat dari seluruh item yang diperiksa dengan rumus :
k
n i pi
p i 1
k
n
i 1
i
p (1 p)
si
ni
5. Buat peta p dengan batas – batas kendali sebagai berikut :
Garis sentral (Central Limit) = CL = p
6. Plot fraksi cacat p untuk setiap pemeriksaan (sampel) pada peta kendali yang
dibuat pada langkah 5.
7. Interpretasikan peta kendali yang terbentuk dan lakukan analisi terhadapnya.
Peta np
Peta np pada dasarnya sama dengan peta p, hanya saja dalam peta ini ukuran
sampel yang digunakan tetap untuk setiap kali pengamatan.
Langkah – langkah Pembuatan Peta np :
1. Catat jumlah cacat setiap lot yang diperiksa.
2. Hitung rata – rata jumlah cacat dengan rumus :
k
n i pi
p i 1
k
n
i 1
i
n i pi
np k
i 1
sub grup
i 1
si n p 1 p
5. Plot titik – titik np pada peta yang terbentuk.
6. Interpretasikan peta dan lakukan analisis.
Peta u
Pengertian :
o Peta u dipergunakan untuk menggambarkan cacat pada suatu ukran tertentu.
Contoh :
- Cacat tenunan kain pada luasan kain tertentu.
- Cacat persatuan panjang suatu kabel.
u
jumlah _ cacat _ yang _ ditemui
c
jumlah _ cacat _ yang _ diperiksa n
o Ukuran unit yang diperiksa dalam hal ini tidak harus selalu sama.
Langkah – langkah Pembuatan Peta u :
1. Lakukan pemeriksaan terhadap satu unit item n dan catat jumlah cacat yang ada c.
2. Kelompokkan data berdasarkan lot, produk, sampel, dll. Buat ukuran kelompok
data sedemikian sehingga jumlah cacat per unit lebih besar dari 2 atau 3.
3. Hitung jumlah cacat per unit untuk setiap kelompok data. U adalah jumlah cacat
per kelompok dibagi dengan jumlah unit kelompok tersebut.
c
u
n
4. Hitung juga rata – rata u sebagai berikut :
u
u
n
5. Hitung garis – garis kendali sebagai berikut :
u
Batas Kendali Atas (Upper Central Limit) = UCL = u 3
n
u
Batas Kendali Bawah (Lower Central Limit) = LCL = u 3
n
6. Plot data u ke dalam peta.
Peta c
Peta c pada dasarnya sama dengan peta u, hanya saja dalam peta ini ukuran
sampel yang digunakan tetap untuk setiap kali pengamatan.
Langkah – langkah Pembuatan Peta c :
1. Kumpulkan data jumlah cacat c dari suatu unit item.
2. Hitung rata – rata jumlah cacat dengan rumus :
c
c
sampel
3. Buat peta dengan garis – garis kendali sebagai berikut :
b. Trends
Yaitu terjadinya peningkatan atau penurunan secara kontinu pada sekelompok
titik. Evaluasi yang dilakukan adalah sebagai berikut :
Jika terjadi 7 titik berurutan naik atau turun maka telah terjadi
abnormalitas pada proses.
Yaitu terjadinya pola perubahan yang berulang pada titik – titik dengan
interval yang sama. Evaluasi tidak dapat dilakukan semudah 2 kasus
sebelumnya karena diperlukan perhatian yang seksama untuk mengikuti
pergerakan seluruh titik yang ada.
Secara umum, jika dijumpai titik – titik yang menunjukkan abnormalitas proses
(proses dalam keadaan tidak terkendali) langkah – langkah yang perlu dilakukan
adalah:
1. Hentikan proses.
2. Periksa proses dan cari penyebab ketidaknormalan tersebut.
3. Lakukan penyesuaian proses sesuai dengan temuan pada langkah 2.
yang baik dapat diterima atau meminimalkan risiko produsen. Risiko produsen (α)
adalah risiko yg diterima karena menolak produk baik dalam inspeksinya. Dengan
kata lain produsen menginginkan probabilitas penerimaan(Pa) dekat dengan 1
(satu). Probabilitas kesalahan tipe I =α = 1 – Pa.
2. LQL (Limiting Quality Level = tingkat kualitas menurut konsumen)
Merupakan kualitas ketidakpuasan atau tingkat penolakan. Probabilitas penerimaan
LQL harus rendah, probabilitas tersebut disebut risiko konsumen (β) atau kesalahan
tipe II, yaitu risiko yang dialami konsumen karena menerima produk yang cacat atau
tidak sesuai. LQL sering disebut dg LTPD (Lot Tolerance Percent Defective).
3. IQL (Indifference Quality Level )
Tingkat kualitas diantara AQL dan LQL atau tingkat kualitas pada probabilitas 0.5
untuk rencana sampel tertentu.
4. AOQL (Average Outgoing Quality Level)
Perkiraan hubungan yang berada diantara bagian kesalahan pada produk sebelum
inspeksi (incoming quality) atau p dari bagian sisa kesalahan setelah inspeksi
(outgoing quality) atau AOQ = p x Pa. Apabila incoming quality baik, maka
outgoing quality juga harus baik, namun bila incoming quality buruk, maka
outgoing quality akan tetap baik. Dengan kata lain incoming quality baik atau buruk,
outgoing quality akan cenderung baik.
4. Biaya Pencegahan
Yaitu biaya-biaya yang berhubungan dengan upaya pencegahan kegagalan
internal maupun eksternal, sehngga meminimumkan biaya kegagalan internal
dan kegagalan eksternal. Contoh darai biaya pencegahan adalah:
a. Perencanaan kualitas
b. Tinjauan ulang produk baru (New Product Review)
c. Pengendalian proses
d. Audit kualitas
e. Evaluasi kualitas pemasok
f. Pelatihan
BAB III
METODOLOGI PENELITIAN
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
= = 12.3244
b. Panjang As Roda
Diketahui standard perusahaan Panjang As Roda: 58.5(+ - )1.5 mm,
maka nilai USL = 58.5 + 1.5 = 60 mm, LSL = 58.5 - 1.5 = 57 mm
̅
=
–
= = 0.427618
̅
=
= = 79.74985
= = 9.440559
b. Panjang Gardan
Diketahui standard perusahaan panjang gardan: 74 (+ -) 0.75 mm, maka
nilai USL = 74 + 0.75 = 74.75 mm, LSL = 74 - 0.75 = 73.25
̅
=
–
= = 0.800221
̅
=
= = 2.400661
̅
=
= =0
-Iterasi 0
0.1
0.08
Nilai MR
MR
0.06
MR bar
0.04 UCL MR
0.02 LCL MR
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Nomor sampel
Data yang keluar adalah data ke 14, 19, 23, dan 24.
-Iterasi 1
0.6 MR
0.5
0.4 MR bar
0.3 UCL MR
0.2
LCL MR
0.1
0
1 2 3 4 5 6 7 8 9 101112131415161718192021
Nomor sampel
x
58
57.5 x bar
57 UCL x bar
56.5
LCL x bar
56
55.5
1 2 3 4 5 6 7 8 9 101112131415161718192021
Nomor sampel
b. Output Software
-Software SPSS
Iterasi 0
Iterasi 1
Gambar 4.6 Output SPSS Peta kendali ̅ panjang as roda output SPSS
-Minitab
Iterasi 0
0.08 UCL=0.0817
Moving Range
0.06
0.04
__
MR=0.025
0.02
0.00 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Observation
Iterasi 1
0.50
0.25
Moving Range
__
0.00 LCL=0
UCL=0
MR=0
-0.25
-0.50
1 3 5 7 9 11 13 15 17 19 21
Observation
59
_
X=58.5
58
57 LC L=57
1 3 5 7 9 11 13 15 17 19 21
O bser vation
2.0
U C L=1.843
1.5
M oving Range
1.0
__
0.5 M R=0.564
0.0 LC L=0
1 3 5 7 9 11 13 15 17 19 21
O bser vation
2. Diameter As Roda
a. Perhitungan manual
-MR(2) = ‖│Ukuran(2) – ukuran (1) │ ‖ = ‖│1.86 – 1.9│‖ = 0.02
̅̅̅̅̅ = ∑ = = 0.0225
-Iterasi 0
0.08 MR
0.06 MR bar
0.04 UCL MR
0.02
LCL MR
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Nomor Sampel
-Iterasi 1
0.05
0.04
NIlai MR
MR
0.03
MR bar
0.02 UCL MR
0.01 LCL MR
0
1 3 5 7 9 11 13 15 17 19 21 23
Nomor Sampel
1.5
Ukuran
1 x bar
UCL x bar
0.5
LCL x bar
0
1 3 5 7 9 11 13 15 17 19 21 23
Nomor sampel
b. Output Software
-Software SPSS
Iterasi 0
Iterasi 1
-Minitab
Iterasi 0
1
0.10
0.08
Moving Range
UCL=0.0735
0.06
0.04
__
0.02 MR=0.0225
0.00 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Observation
Iterasi 1
0.03
0.02
__
MR=0.01478
0.01
0.00 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23
Observation
1.9
_
1.8 X=1.8
1.7
1.6 LC L=1.6000
1 3 5 7 9 11 13 15 17 19 21 23
O bser vation
0.24 U C L=0.2457
M oving Range
0.18
0.12
__
M R=0.0752
0.06
0.00 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23
O bser vation
3. Panjang Gardan
a. Perhitungan manual
MR(2) = | Ukuran(2) – ukuran (1) | = | 74.1-74.4 | = 0.3
̅̅̅̅̅ = ∑ = = 0.3316
-Iterasi 0
1 LCL MR
0.5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-Iterasi 1
0.6
0.5
Nilai MR
0.4 MR
0.3
MR bar
0.2
0.1 UCL MR
0 LCL MR
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nomor Sampel
75
74.5
Nilai MR
74 x bar
b. Ouput Software
-SPSS
Iterasi 0
Iterasi 1
-Minitab
Iterasi 0
2.0 1
1.5
Moving Range
UCL=1.083
1.0
0.5
__
MR=0.332
0.0 LCL=0
1 3 5 7 9 11 13 15 17 19
Observation
Iterasi 1
0.4
Moving Range
0.3
0.2
__
MR=0.1471
0.1
0.0 LCL=0
1 3 5 7 9 11 13 15 17
Observation
I-MR Chart of C1
74.8 U C L=74.75
Individual Value
74.4
_
74.0 X=74
73.6
73.2 LC L=73.25
1 3 5 7 9 11 13 15 17
O bser vation
U C L=0.921
0.8
M oving Range
0.6
0.4
__
M R=0.282
0.2
0.0 LC L=0
1 3 5 7 9 11 13 15 17
O bser vation
4. Diameter Gardan
a. Perhitungan manual
MR(2) = | Ukuran(2) – ukuran (1) | = | 1.48-1.5 | = 0.02
̅̅̅̅̅= ∑ = = 0.02
-Iterasi 0
0.04 MR
0.03 MR bar
0.02 UCL MR
0.01 LCL MR
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Nomor Sampel
1.45 x bar
1.4 UCL x bar
1.35
LCL x bar
1.3
1.25 Ukuran
1.2
1 2 3 4 5 6 7 8 9 1011121314151617181920
Nomor Sampel
b. Output Software
-SPSS
Iterasi 0
-Minitab
Iterasi 0
I-MR Chart of C1
1.6 U C L=1.6100
Individual Value
1.5 _
X=1.48
1.4
LC L=1.3500
1 3 5 7 9 11 13 15 17 19
O bser vation
0.16 U C L=0.1597
0.12
M oving Range
0.08
__
M R=0.0489
0.04
0.00 LC L=0
1 3 5 7 9 11 13 15 17 19
O bser vation
Gambar 4.32 Peta kendali MR diameter gardan dan Peta Kendali ̅ iterasi 0 output Minitab
= D4.̅̅̅̅̅ = (3.267)( 0) = 0
LCL MR = D3 .̅̅̅̅̅ = (0)( 0) = 0
̅= ∑ = = 0.2
̅̅̅̅̅
UCL/LCL ̅ = ̅ = 0.2 ± 3 = 0.2; 0.2
-Iterasi 0
0.8
MR
Nilai MR
0.6
MR bar
0.4
UCL MR
0.2 LCL MR
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
2
Nilai MR
1.5 x bar
1 UCL x bar
LCL x bar
0.5
Ukuran
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Nomor Sampel
b. Output Software
-SPSS
Iterasi 0
Gambar 4.35 Output SPSS Peta kendali MR diameter besi dinamo iterasi 0
-Minitab
Iterasi 0
I-MR Chart of C1
U C L=2.1
_
2.0 X=1.95
LC L=1.8
Individual Value
1.5
1.0
0.5
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
0.0
1 3 5 7 9 11 13 15 17 19
O bser vation
0.20
U C L=0.1843
0.15
Moving Range
0.10
__
0.05 M R=0.0564
0.00 LC L=0
1 3 5 7 9 11 13 15 17 19
O bser vation
Gambar 4.37 Output Minitab Peta kendali MR diameter besi dinamo dan Peta Kendali ̅ iterasi 0
P1 = = = 0,071429
P rata-rata = = 0,11713
UCL = √ = √
= 0,214578
LCL = √ = √
= 0,019676
-Iterasi 0
Tabel 4.9 Pengolahan Data Raw Material Plat Belakang Besar Iterasi 0
No Date Plat Belakang Besar
N. Of Inspection N. Of Nonconformities pi pbar Squareroot ni UCL LCL
1 5/9/2011 98 7 0.071429 0.11713 0.032483641 0.214578 0.019676
2 6/9/2011 97 8 0.082474 0.11713 0.032650653 0.215079 0.019175
3 7/9/2011 82 19 0.231707 0.11713 0.035511647 0.223662 0.010592
4 8/9/2011 87 11 0.126437 0.11713 0.034476099 0.220555 0.013699
5 9/9/2011 92 11 0.119565 0.11713 0.033526161 0.217706 0.016549
6 12/9/2011 90 12 0.133333 0.11713 0.033896627 0.218817 0.015437
7 13/9/2011 102 11 0.107843 0.11713 0.031840337 0.212648 0.021606
8 14/9/2011 69 10 0.144928 0.11713 0.038712676 0.233265 0.000989
9 15/9/2011 90 11 0.122222 0.11713 0.033896627 0.218817 0.015437
10 16/9/2011 87 6 0.068966 0.11713 0.034476099 0.220555 0.013699
11 19/9/2011 111 10 0.09009 0.11713 0.03052223 0.208694 0.02556
12 20/9/2011 91 9 0.098901 0.11713 0.033709868 0.218257 0.015997
13 21/9/2011 96 9 0.09375 0.11713 0.032820268 0.215588 0.018666
14 22/9/2011 70 6 0.085714 0.11713 0.038435163 0.232433 0.001822
15 23/9/2011 92 9 0.097826 0.11713 0.033526161 0.217706 0.016549
16 26/9/2011 79 12 0.151899 0.11713 0.036179636 0.225666 0.008588
17 27/9/2011 102 8 0.078431 0.11713 0.031840337 0.212648 0.021606
18 28/9/2011 96 12 0.125 0.11713 0.032820268 0.215588 0.018666
19 29/9/2011 87 11 0.126437 0.11713 0.034476099 0.220555 0.013699
20 30/9/2011 92 20 0.217391 0.11713 0.033526161 0.217706 0.016549
0.15 UCL
0.1 LCL
pi
0.05
CL
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Nomor Sampel
Iterasi 1
0.2
0.15 UCL
0.1 LCL
CL
0.05
pi
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Nomor Sampel
Iterasi 2
Tabel 4.11 Pengolahan data atribut plat belakang besar iterasi 2
0.2
0.15 UCL
0.1 LCL
pi
0.05
CL
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nomor Sampel
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
Iterasi 2
-Minitab
Iterasi 0
P Chart of C2
0.25
1
UCL=0.2177
0.20
0.15
Proportion
_
P=0.1171
0.10
0.05
LCL=0.0165
0.00
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
Iterasi 1
P Chart of C2
0.25
1
UCL=0.2102
0.20
Proportion 0.15
_
P=0.1117
0.10
0.05
LCL=0.0132
0.00
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
Iterasi 2
P Chart of C2
0.20 UCL=0.2047
0.15
Proportion
_
P=0.1057
0.10
0.05
LCL=0.0068
0.00
1 3 5 7 9 11 13 15 17
Sample
Tests performed with unequal sample sizes
P1 = = = 0,12766
P rata-rata = = 0,13687
UCL = √ = √
= 0,242316
LCL = √ = √
= 0,030058
-Iterasi 0
Tabel 4.12 Pengolahan Data Raw Material Plat Belakang Kecil Iterasi 0
0.25
0.2 UCL
0.15 LCL
0.1 pi
0.05 CL
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Nomor Sampel
- Iterasi 1
Tabel 4.13 Pengolahan Data Raw Material Plat Belakang Kecil Iterasi 1
0.25
Probabilitas Nonconformities
0.2
UCL
0.15
LCL
0.1
CL
0.05 pi
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Nomor Sampel
-Iterasi 2
Tabel 4.14 Pengolahan Data Raw Material Plat Belakang Kecil Iterasi 2
0.2
0.15 UCL
0.1 LCL
CL
0.05
pi
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nomor Sampel
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
Iterasi 2
-Minitab
Iterasi 0
P Chart of C2
0.35
1
0.30
1
0.25
UCL=0.2407
Proportion
0.20
0.15 _
P=0.1362
0.10
0.05
LCL=0.0317
0.00
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
Iterasi 1
P Chart of C2
1
0.25
UCL=0.2200
0.20
Proportion
0.15
_
P=0.1207
0.10
0.05
LCL=0.0215
0.00
1 3 5 7 9 11 13 15 17
Sample
Tests performed with unequal sample sizes
Iterasi 2
P Chart of C2
0.25
UCL=0.2106
0.20
0.15
Proportion
_
P=0.1138
0.10
0.05
LCL=0.0171
0.00
1 3 5 7 9 11 13 15 17
Sample
Tests performed with unequal sample sizes
3. Plat Depan
a. Perhitungan manual
-p-chart
P1 = = = 0,114583
UCL = √ = √
= 0,191856
LCL = √ = √
= 0,008144
Iterasi 0
Plat Depan
No pi CL UCL LCL
N. Of Inspection N. Of Nonconformities
1 96 11 0.114583 0.1 0.191856 0.008144
2 99 15 0.151515 0.1 0.190453 0.009547
3 98 13 0.132653 0.1 0.190914 0.009086
4 103 12 0.116505 0.1 0.18868 0.01132
5 80 16 0.2 0.1 0.200623 -0.00062
6 76 12 0.157895 0.1 0.203237 -0.00324
7 89 13 0.146067 0.1 0.1954 0.0046
8 105 7 0.066667 0.1 0.187831 0.012169
9 88 12 0.136364 0.1 0.19594 0.00406
10 88 28 0.318182 0.1 0.19594 0.00406
11 87 13 0.149425 0.1 0.19649 0.00351
12 86 26 0.302326 0.1 0.197049 0.002951
13 104 13 0.125 0.1 0.188252 0.011748
14 100 10 0.1 0.1 0.19 0.01
15 74 14 0.189189 0.1 0.204623 -0.00462
16 90 11 0.122222 0.1 0.194868 0.005132
17 84 12 0.142857 0.1 0.198198 0.001802
18 96 10 0.104167 0.1 0.191856 0.008144
19 98 8 0.081633 0.1 0.190914 0.009086
20 89 8 0.089888 0.1 0.1954 0.0046
0.2 CL
0.15 UCL
0.1 LCL
0.05 pi
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-0.05
Sample number
-Iterasi 1
Plat Depan
No pi CL UCL LCL
N. Of Inspection N. Of Nonconformities
1 96 11 0.114583 0.1 0.191856 0.008144
2 99 15 0.151515 0.1 0.190453 0.009547
3 98 13 0.132653 0.1 0.190914 0.009086
4 103 12 0.116505 0.1 0.18868 0.01132
5 80 16 0.2 0.1 0.200623 -0.00062
6 76 12 0.157895 0.1 0.203237 -0.00324
7 89 13 0.146067 0.1 0.1954 0.0046
8 105 7 0.066667 0.1 0.187831 0.012169
9 88 12 0.136364 0.1 0.19594 0.00406
11 87 13 0.149425 0.1 0.19649 0.00351
13 104 13 0.125 0.1 0.188252 0.011748
14 100 10 0.1 0.1 0.19 0.01
15 74 14 0.189189 0.1 0.204623 -0.00462
16 90 11 0.122222 0.1 0.194868 0.005132
0.2
Nonconformities
0.15
Series1
0.1 Series2
Series3
0.05
Series4
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
-0.05
Sample number
b. Output Software
-Minitab
Iterasi 0
P Chart of nonconformities
0.35
1
1
0.30
0.25
Proportion
0.20 UCL=0.1954
0.15
_
0.10 P=0.1
0.05
0.00 LCL=0.0046
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
Iterasi 1
P Chart of nonconformities
0.20 UCL=0.1954
0.15
Proportion
_
0.10 P=0.1
0.05
0.00 LCL=0.0046
1 3 5 7 9 11 13 15 17
Sample
Tests performed with unequal sample sizes
P1 = = = 0,134146
P rata-rata = = 0,1
UCL = √ = √
= 0,191856
LCL = √ = √
= 0,008144
-Iterasi 0
Tabel 4.17 Pengolahan Data Raw Material Penutup Plat Depan Iterasi 0
-Iterasi 1
0.25
0.2
pi
0.15
CL
0.1
UCL
0.05 LCL
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
nomor sampel
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
-Minitab
Iterasi 0
P Chart of nonconformities
0,35
1
0,30 1
1
UCL=0,2680
0,25
Proportion
0,20
_
0,15 P=0,1543
0,10
0,05
LCL=0,0407
0,00
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
Iterasi 1
P Chart of nonconformities
0,25
UCL=0,2375
Proportion 0,20
0,15 _
P=0,1313
0,10
0,05
LCL=0,0251
0,00
1 3 5 7 9 11 13 15 17
Sample
Tests performed with unequal sample sizes
5. Pengunci Baterai
a. Perhitungan manual
np-chart
p= = = 0,11833
np = == = 10,65
-Iterasi 0
Pengunci Baterai
N. of N. of np UCL LCL
No Inspection Nonconformities
1 90 12 10,65 19,84281 1,4571903
2 90 21 10,65 19,84281 1,4571903
20
15 N. of Nonconformities
10 CL
UCL
5
LCL
0
1 3 5 7 9 11 13 15 17 19
nomor sampel
-Iterasi 1
Pengunci Baterai
N. of N. of Np UCL LCL
no Inspection Nonconformities
1 90 12 9,5 18,244999 0,7550014
2 90 7 9,5 18,244999 0,7550014
3 90 12 9,5 18,244999 0,7550014
4 90 9 9,5 18,244999 0,7550014
5 90 10 9,5 18,244999 0,7550014
6 90 7 9,5 18,244999 0,7550014
7 90 8 9,5 18,244999 0,7550014
8 90 8 9,5 18,244999 0,7550014
9 90 10 9,5 18,244999 0,7550014
10 90 6 9,5 18,244999 0,7550014
11 90 10 9,5 18,244999 0,7550014
12 90 12 9,5 18,244999 0,7550014
13 90 11 9,5 18,244999 0,7550014
14 90 10 9,5 18,244999 0,7550014
15 90 8 9,5 18,244999 0,7550014
16 90 11 9,5 18,244999 0,7550014
17 90 10 9,5 18,244999 0,7550014
18 90 10 9,5 18,244999 0,7550014
15
N. of Nonconformities
10
pi
5 UCL
0 LCL
1 3 5 7 9 11 13 15 17
nomor sampel
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
-Minitab
Iterasi 0
NP Chart of nonconformities
1 1
20 UCL=19,84
15
Sample Count
__
NP=10,65
10
LCL=1,46
0
1 3 5 7 9 11 13 15 17 19
Sample
Iterasi 1
NP Chart of nonconformities
20
UCL=18,24
15
Sample Count
__
10
NP=9,5
LCL=0,76
0
1 3 5 7 9 11 13 15 17
Sample
6. Dinamo
a. Perhitungan manual
np-chart
p= = = 0,11222
np = == = 10,1
-Iterasi 0
20
N.of conformities
15 N. of Nonconformities
10 NP
UCL
5
LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
-Iterasi 1
14
12 N. of Nonconformities
10
8 NP
6 UCL
4
LCL
2
0
1 3 5 7 9 11 13 15 17 19
Sample number
-Iterasi 2
14
12 N. of Nonconformities
10
8 NP
6 UCL
4
LCL
2
0
1 2 3 4 5 6 7 8 9 101112131415161718
Sample number
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
Iterasi 2
-Minitab
Iterasi 0
NP Chart of nonconformities
25
1
20
UCL=19.08
Sample Count
15
__
10 NP=10.1
LCL=1.12
0
1 3 5 7 9 11 13 15 17 19
Sample
Iterasi 1
NP Chart of nonconformities
20 1
UCL=18.21
15
Sample Count
10 __
NP=9.47
LCL=0.74
0
1 3 5 7 9 11 13 15 17 19
Sample
Iterasi 2
NP Chart of nonconformities
20
UCL=17.46
15
Sample Count
10 __
NP=8.94
0 LCL=0.43
1 3 5 7 9 11 13 15 17
Sample
7. Gear Besar
a. Perhitungan manual
c-chart
c=
UCL = c + √ = 110 + 3 √ = 141.4643
LCL = c - √ = 110 - 3 √ = 78.5357
-Iterasi 0
-Iterasi 2
Gear Besar
N. of N. of
No Inspection Nonconformities CL UCL LCL
1 90 108 110 141.4643 78.5357
2 90 122 110 141.4643 78.5357
3 90 109 110 141.4643 78.5357
4 90 101 110 141.4643 78.5357
5 90 107 110 141.4643 78.5357
6 90 111 110 141.4643 78.5357
7 90 110 110 141.4643 78.5357
8 90 113 110 141.4643 78.5357
9 90 121 110 141.4643 78.5357
10 90 101 110 141.4643 78.5357
11 90 97 110 141.4643 78.5357
12 90 121 110 141.4643 78.5357
13 90 115 110 141.4643 78.5357
14 90 114 110 141.4643 78.5357
120
100 N. of Nonconformities
80
60 CL
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17
Sample number
b. Output Software
-Minitab
Iterasi 0
C Chart of nonconformities
150 1
1
140 UCL=141.46
130
Sample Count
120
_
110 C=110
100
90
80 LCL=78.54
70
1 3 5 7 9 11 13 15 17 19
Sample
Iterasi 1
C Chart of nonconformities
150
140 UCL=141.46
130
120
Sample Count
_
110 C=110
100
90
80 LCL=78.54
70
1 3 5 7 9 11 13 15 17
Sample
8. Gear Kecil
a. Perhitungan manual
c-chart
c=
UCL = c + √ = 110 + 3 √ = 141.4643
LCL = c - √ = 110 - 3 √ = 78.5357
-Iterasi 0
Gear Kecil
N. of N. of
No Inspection Nonconformities CL UCL LCL
1 90 107 110 141.4643 78.5357
2 90 113 110 141.4643 78.5357
3 90 120 110 141.4643 78.5357
4 90 112 110 141.4643 78.5357
5 90 120 110 141.4643 78.5357
6 90 109 110 141.4643 78.5357
7 90 119 110 141.4643 78.5357
8 90 146 110 141.4643 78.5357
9 90 107 110 141.4643 78.5357
10 90 108 110 141.4643 78.5357
11 90 148 110 141.4643 78.5357
12 90 112 110 141.4643 78.5357
13 90 115 110 141.4643 78.5357
14 90 98 110 141.4643 78.5357
15 90 119 110 141.4643 78.5357
16 90 125 110 141.4643 78.5357
17 90 115 110 141.4643 78.5357
18 90 86 110 141.4643 78.5357
19 90 111 110 141.4643 78.5357
20 90 113 110 141.4643 78.5357
100
N. of Nonconformities
80
CL
60
UCL
40
20 LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
-Iterasi 1
120
100
N. of Nonconformities
80
CL
60
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17
Sample number
b. Output Software
-Minitab
Iterasi 0
C Chart of nonconformities
150 1
1
140 UCL=141.46
130
Sample Count
120
_
110 C=110
100
90
80 LCL=78.54
70
1 3 5 7 9 11 13 15 17 19
Sample
Iterasi 1
C Chart of nonconformities
150
140 UCL=141.46
130
120
Sample Count
_
110 C=110
100
90
80 LCL=78.54
70
1 3 5 7 9 11 13 15 17
Sample
9. Roller Besar
a. Perhitungan manual
c-chart
c= = = 100,05
-Iterasi 0
Roller Besar
No N. of Inspection N. of Nonconformities CL UCL LCL
1 90 101 100,05 130,0575 70,0425
2 90 95 100,05 130,0575 70,0425
3 90 99 100,05 130,0575 70,0425
4 90 74 100,05 130,0575 70,0425
5 90 80 100,05 130,0575 70,0425
6 90 97 100,05 130,0575 70,0425
7 90 107 100,05 130,0575 70,0425
8 90 94 100,05 130,0575 70,0425
9 90 104 100,05 130,0575 70,0425
10 90 97 100,05 130,0575 70,0425
11 90 108 100,05 130,0575 70,0425
12 90 103 100,05 130,0575 70,0425
13 90 130 100,05 130,0575 70,0425
14 90 116 100,05 130,0575 70,0425
15 90 131 100,05 130,0575 70,0425
16 90 87 100,05 130,0575 70,0425
17 90 82 100,05 130,0575 70,0425
18 90 111 100,05 130,0575 70,0425
19 90 92 100,05 130,0575 70,0425
20 90 93 100,05 130,0575 70,0425
100
80 N. of Nonconformities
60 CL
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
-Iterasi 1
Roller Besar
No N. of Inspection N. of Nonconformities CL UCL LCL
1 90 101 96,66667 126,1624 67,1709
2 90 95 96,66667 126,1624 67,1709
3 90 99 96,66667 126,1624 67,1709
4 90 74 96,66667 126,1624 67,1709
5 90 80 96,66667 126,1624 67,1709
6 90 97 96,66667 126,1624 67,1709
7 90 107 96,66667 126,1624 67,1709
8 90 94 96,66667 126,1624 67,1709
9 90 104 96,66667 126,1624 67,1709
10 90 97 96,66667 126,1624 67,1709
11 90 108 96,66667 126,1624 67,1709
12 90 103 96,66667 126,1624 67,1709
13 90 116 96,66667 126,1624 67,1709
14 90 87 96,66667 126,1624 67,1709
100
80 N. of Nonconformities
60 CL
40 UCL
20
LCL
0
1 3 5 7 9 11 13 15 17
Sample number
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
-Minitab
Iterasi 0
C Chart of nonconformities
1
130 UCL=130,06
120
110
Sample Count
_
100 C=100,05
90
80
70 LCL=70,04
1 3 5 7 9 11 13 15 17 19
Sample
Iterasi 1
C Chart of nonconformities
130
UCL=126,16
120
110
Sample Count
100 _
C=96,67
90
80
70
LCL=67,17
60
1 3 5 7 9 11 13 15 17
Sample
c= = = 103,9
-Iterasi 0
Rumah Dinamo
No N. of Inspection N. of Nonconformities CL UCL LCL
1 90 99 103,9 134,4794 73,3206
2 90 111 103,9 134,4794 73,3206
3 90 105 103,9 134,4794 73,3206
4 90 103 103,9 134,4794 73,3206
5 90 93 103,9 134,4794 73,3206
6 90 107 103,9 134,4794 73,3206
7 90 102 103,9 134,4794 73,3206
8 90 89 103,9 134,4794 73,3206
9 90 95 103,9 134,4794 73,3206
10 90 88 103,9 134,4794 73,3206
11 90 95 103,9 134,4794 73,3206
12 90 91 103,9 134,4794 73,3206
13 90 98 103,9 134,4794 73,3206
14 90 112 103,9 134,4794 73,3206
15 90 136 103,9 134,4794 73,3206
16 90 112 103,9 134,4794 73,3206
17 90 106 103,9 134,4794 73,3206
18 90 133 103,9 134,4794 73,3206
19 90 97 103,9 134,4794 73,3206
20 90 106 103,9 134,4794 73,3206
-Iterasi 1
rumah dynamo
No N. of Inspection N. of Nonconformities CL UCL LCL
1 90 99 102,2105 132,5403 71,88076
2 90 111 102,2105 132,5403 71,88076
3 90 105 102,2105 132,5403 71,88076
4 90 103 102,2105 132,5403 71,88076
5 90 93 102,2105 132,5403 71,88076
6 90 107 102,2105 132,5403 71,88076
7 90 102 102,2105 132,5403 71,88076
8 90 89 102,2105 132,5403 71,88076
9 90 95 102,2105 132,5403 71,88076
10 90 88 102,2105 132,5403 71,88076
11 90 95 102,2105 132,5403 71,88076
12 90 91 102,2105 132,5403 71,88076
13 90 98 102,2105 132,5403 71,88076
14 90 112 102,2105 132,5403 71,88076
16 90 106 102,2105 132,5403 71,88076
100
80 N. of Nonconformities
60 CL
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
-Iterasi 2
rumah dynamo
No N. of Inspection N. of Nonconformities CL UCL LCL
1 90 99 100,5 130,5749 70,42509
2 90 111 100,5 130,5749 70,42509
3 90 105 100,5 130,5749 70,42509
4 90 103 100,5 130,5749 70,42509
5 90 93 100,5 130,5749 70,42509
6 90 107 100,5 130,5749 70,42509
7 90 102 100,5 130,5749 70,42509
8 90 89 100,5 130,5749 70,42509
9 90 95 100,5 130,5749 70,42509
10 90 88 100,5 130,5749 70,42509
11 90 95 100,5 130,5749 70,42509
100
80 N. of Nonconformities
60 CL
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17
sample number
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
Iterasi 2
-Minitab
Iterasi 0
C Chart of nonconformities
140 1
UCL=134,48
130
120
Sample Count
110
_
C=103,9
100
90
80
LCL=73,32
70
1 3 5 7 9 11 13 15 17 19
Sample
Iterasi 1
C Chart of nonconformities
140
1
UCL=132,54
130
120
Sample Count
110
_
C=102,21
100
90
80
LCL=71,88
70
1 3 5 7 9 11 13 15 17 19
Sample
Iterasi 2
C Chart of nonconformities
130 UCL=130,57
120
110
Sample Count
_
100 C=100,5
90
80
70 LCL=70,43
1 3 5 7 9 11 13 15 17
Sample
c= = = 104,25
-Iterasi 0
Roda Assy
N. of N. of
No Inspection Nonconformities CL UCL LCL
1 90 89 104.25 134.8809 73.61913
2 90 109 104.25 134.8809 73.61913
3 90 93 104.25 134.8809 73.61913
4 90 91 104.25 134.8809 73.61913
5 90 110 104.25 134.8809 73.61913
6 90 96 104.25 134.8809 73.61913
7 90 104 104.25 134.8809 73.61913
8 90 99 104.25 134.8809 73.61913
9 90 100 104.25 134.8809 73.61913
10 90 101 104.25 134.8809 73.61913
11 90 112 104.25 134.8809 73.61913
12 90 134 104.25 134.8809 73.61913
13 90 135 104.25 134.8809 73.61913
14 90 105 104.25 134.8809 73.61913
15 90 108 104.25 134.8809 73.61913
16 90 93 104.25 134.8809 73.61913
17 90 111 104.25 134.8809 73.61913
18 90 100 104.25 134.8809 73.61913
19 90 100 104.25 134.8809 73.61913
20 90 95 104.25 134.8809 73.61913
-Iterasi 1
120
100
N. of Nonconformities
80
CL
60
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
-Iterasi 2
100
80 N. of Nonconformities
60 CL
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17
Sample number
b. Output Software
-SPSS
Iterasi 0
Iterasi 2
Iterasi 2
-Minitab
Iterasi 0
C Chart of nonconformities
140
1
UCL=134.88
130
120
Sample Count
110
_
C=104.25
100
90
80
LCL=73.62
70
1 3 5 7 9 11 13 15 17 19
Sample
Iterasi 1
C Chart of nonconformities
140
1
UCL=133.02
130
120
Sample Count
110
_
C=102.63
100
90
80
LCL=72.24
70
1 3 5 7 9 11 13 15 17 19
Sample
Iterasi 2
C Chart of nonconformities
130 UCL=131.02
120
110
Sample Count
_
100 C=100.89
90
80
70 LCL=70.76
1 3 5 7 9 11 13 15 17
Sample
-Iterasi 0
Bumper Belakang
N. of N. of
No Inspection Nonconformities CL UCL LCL Ui
1 91 170 1.801544 2.223651 1.379436 1.868132
2 78 153 1.801544 2.257472 1.345615 1.961538
3 103 174 1.801544 2.198301 1.404786 1.68932
4 96 165 1.801544 2.212512 1.390576 1.71875
5 72 140 1.801544 2.276089 1.326999 1.944444
2
N.of conformities
1.5 CL
1 UCL
LCL
0.5
ui
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sample number
-Iterasi 1
2
N.of conformities
1.5 CL
1 UCL
LCL
0.5
ui
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Sample number
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
-Minitab
Iterasi 0
U Chart of nonconformities
2.4
1
2.2 UCL=2.221
Sample Count Per Unit
2.0
_
1.8 U=1.802
1.6
1.4 LCL=1.382
1.2
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
Iterasi 1
U Chart of nonconformities
2.2 UCL=2.197
_
1.8 U=1.780
1.6
1.4
LCL=1.362
1.2
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
u
LCL u 3
n
1,048287
LCL 1,048287 3 0,70271
79
-Iterasi 0
Pengunci Body
N. of N. of
No Inspection Nonconformities CL UCL LCL Ui
1 79 83 1.048287 1.393867 0.702708 1.050633
2 92 97 1.048287 1.368522 0.728053 1.054348
3 96 95 1.048287 1.361779 0.734796 0.989583
4 99 88 1.048287 1.356993 0.739582 0.888889
5 89 97 1.048287 1.373874 0.722701 1.089888
6 86 94 1.048287 1.379504 0.717071 1.093023
7 88 98 1.048287 1.375719 0.720856 1.113636
8 74 113 1.048287 1.405351 0.691224 1.527027
9 87 88 1.048287 1.377595 0.71898 1.011494
10 96 87 1.048287 1.361779 0.734796 0.90625
11 87 87 1.048287 1.377595 0.71898 1
12 94 85 1.048287 1.365096 0.731478 0.904255
13 88 86 1.048287 1.375719 0.720856 0.977273
14 94 88 1.048287 1.365096 0.731478 0.93617
15 82 104 1.048287 1.387486 0.709089 1.268293
16 85 93 1.048287 1.381447 0.715128 1.094118
17 106 86 1.048287 1.346625 0.74995 0.811321
18 93 99 1.048287 1.366795 0.72978 1.064516
19 76 109 1.048287 1.400622 0.695953 1.434211
20 90 90 1.048287 1.37206 0.724515 1
1.2
1 CL
0.8 UCL
0.6 LCL
0.4
ui
0.2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sample number
-Iterasi 1
Pengunci Body
N. of N. of
No Inspection Nonconformities CL UCL LCL Ui
1 79 83 1.008584 1.347556 0.669612 1.050633
2 92 97 1.008584 1.322695 0.694473 1.054348
3 96 95 1.008584 1.316081 0.701086 0.989583
4 99 88 1.008584 1.311386 0.705781 0.888889
5 89 97 1.008584 1.327945 0.689222 1.089888
6 86 94 1.008584 1.333467 0.6837 1.093023
7 88 98 1.008584 1.329754 0.687413 1.113636
9 87 88 1.008584 1.331595 0.685572 1.011494
10 96 87 1.008584 1.316081 0.701086 0.90625
11 87 87 1.008584 1.331595 0.685572 1
12 94 85 1.008584 1.319335 0.697832 0.904255
13 88 86 1.008584 1.329754 0.687413 0.977273
1.2
1 CL
0.8
0.6 UCL
0.4 LCL
0.2 ui
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Sample number
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
-Minitab
Iterasi 0
U Chart of nonconformities
1.6
1
1.5
1
1.4
UCL=1.3721
Sample Count Per Unit
1.3
1.2
1.1 _
U=1.0483
1.0
0.9
0.8
0.7 LCL=0.7245
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
Iterasi 1
U Chart of nonconformities
1.4
UCL=1.3262
1.3
1.2
Sample Count Per Unit
1.1
_
1.0 U=1.0086
0.9
0.8
0.7 LCL=0.6910
0.6
1 3 5 7 9 11 13 15 17
Sample
Tests performed with unequal sample sizes
-Iterasi 0
Tuas On-Off
N. of N. of
No Inspection Nonconformities CL UCL LCL Ui
1 103 78 1.025768 1.325151 0.726385 0.757282
2 98 82 1.025768 1.332693 0.718842 0.836735
3 79 99 1.025768 1.367615 0.68392 1.253165
4 78 87 1.025768 1.369799 0.681736 1.115385
5 102 85 1.025768 1.326615 0.724921 0.833333
6 71 123 1.025768 1.38636 0.665175 1.732394
7 107 83 1.025768 1.319501 0.732034 0.775701
8 82 107 1.025768 1.361303 0.690232 1.304878
1.2
1 CL
0.8
0.6 UCL
0.4 LCL
0.2
ui
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sample number
Sesuai dengan grafik di atas dapat kita lihat bahwa sampel yang dibuang yaitu
sampel nomor 6.
-Iterasi 1
Tuas On-Off
N. of N. of
No Inspection Nonconformities CL UCL LCL ui
1 103 78 0.997148 1.292325 0.701971 0.757282
2 98 82 0.997148 1.299761 0.694534 0.836735
1.2
1 CL
0.8
0.6 UCL
0.4 LCL
0.2
ui
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Sample number
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
-Minitab
Iterasi 0
U Chart of Nonconformities
1.8 1
1.4
UCL=1.370
1.2
_
1.0 U=1.026
0.8
1 LCL=0.682
0.6
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
Iterasi 1
U Chart of Nonconformities
1.4
UCL=1.3363
1.3
1.2
Sample Count Per Unit
1.1
_
1.0 U=0.9971
0.9
0.8
0.7
LCL=0.6579
0.6
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
-Iterasi 0
Tabel 4.42 Pengolahan data atribut gear dinamo
Gear Dinamo
N. of N. of
No Inspection Nonconformities CL UCL LCL Ui
1 84 130 1.152386 1.503769 0.801003 1.547619
2 86 99 1.152386 1.499659 0.805113 1.151163
3 85 116 1.152386 1.501696 0.803076 1.364706
4 84 93 1.152386 1.503769 0.801003 1.107143
5 89 103 1.152386 1.493756 0.811016 1.157303
6 103 102 1.152386 1.469709 0.835063 0.990291
7 76 120 1.152386 1.5218 0.782972 1.578947
8 86 100 1.152386 1.499659 0.805113 1.162791
9 89 95 1.152386 1.493756 0.811016 1.067416
10 87 114 1.152386 1.497658 0.807115 1.310345
1.2
1 CL
0.8
0.6 UCL
0.4 LCL
0.2
ui
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sample number
Sesuai dengan grafik di atas dapat kita lihat bahwa sampel yang dibuang yaitu
sampel nomor 1 dan sampel nomor 7.
-Iterasi 1
1 CL
0.5 UCL
LCL
0
ui
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Sample number
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
-Minitab
Iterasi 0
U Chart of Nonconformities
1.6 1
1
1.5
UCL=1.4581
1.4
Sample Count Per Unit
1.3
1.2 _
U=1.1524
1.1
1.0
0.9
LCL=0.8467
0.8
0.7
1 3 5 7 9 11 13 15 17 19
Sample
Tests performed with unequal sample sizes
Iterasi 1
U Chart of Nonconformities
1.5
1.4 UCL=1.4139
1.3
Sample Count Per Unit
1.2
_
1.1 U=1.1134
1.0
0.9
0.8 LCL=0.8130
0.7
1 3 5 7 9 11 13 15 17
Sample
Tests performed with unequal sample sizes
1.5
CL
1
UCL
0.5
LCL
0 ui
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sample number
Sesuai dengan grafik di atas dapat kita lihat bahwa sampel yang dibuang yaitu
sampel nomor 5 dan sampel nomor 17.
Iterasi 1
1 CL
0.5 UCL
0 LCL
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 ui
Sample number
b. Output Software
-SPSS
Iterasi 0
Iterasi 1
-Minitab
Iterasi 0
U Chart of Nonconformities
1.5 1
1
1.4
UCL=1.3522
1.3
Sample Count Per Unit
1.2
1.1 _
U=1.0341
1.0
0.9
0.8
0.7 LCL=0.7160
0.6
1 3 5 7 9 11 13 15 17
Sample
Tests performed with unequal sample sizes
Iterasi 1
U Chart of Nonconformities
1.4
UCL=1.3425
1.3
1.2
Sample Count Per Unit
1.1
_
1.0 U=1.0061
0.9
0.8
0.7
LCL=0.6697
0.6
1 3 5 7 9 11 13 15 17
Sample
Tests performed with unequal sample sizes
17. Body
a. Perhitungan manual
U-chart
∑
u1 = =
∑
u2 = =
∑
u3 = =
√ =√ = 2,598987
U chart Body
35
30
25 Non Conformities
20
CL
15
UCL
10
LCL
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
18. Chasis
a. Perhitungan manual
U-chart
∑
u1 = =
∑
u2 = =
∑
u3 = =
√ =√ = 2,523543
U-chart Chasis
30
25
20 Non Conformities
15 CL
UCL
10
LCL
5
0
1 2 3 4 5 6 7 8 9 1011121314151617181920
-Iterasi 1
9. Penutup plat depan p-chart -Iterasi 0 - Data ke 4, 17, 19
-Iterasi 1
10. Pengunci baterai np-chart -Iterasi 0 - Data ke 2, 9
-Iterasi 1
11. Dinamo np-chart -Iterasi 0 - Data ke 8, 9
-Iterasi 1 - Data ke 19
-Iterasi 2
12. Gear besar c-chart -Iterasi 0 - Data ke 18, 20
-Iterasi 1
13. Gear kecil c-chart -Iterasi 0 - Data ke 8, 11
-Iterasi 1
14. Roller besar c-chart -Iterasi 0 - Data ke 13, 15
-Iterasi 1
15. Rumah dynamo c-chart -Iterasi 0 - Data ke 15
-Iterasi 1 - Data ke 17
-Iterasi 2
16. Roda assy c-chart -Iterasi 0 - Data ke 13
-Iterasi 1 - Data ke 12
-Iterasi 2
17. Bumper belakang u-chart -Iterasi 0 - Data ke 10
-Iterasi 1
18. Pengunci body u-chart -Iterasi 0 - Data ke 8, 19
-Iterasi 1
19. Tuas on-off u-chart -Iterasi 0 - Data ke 6
-Iterasi 1
20. Gear dynamo u-chart -Iterasi 0 - Data ke 1, 7
-Iterasi 1
21. Pengunci dynamo u-chart -Iterasi 0 - Data ke 5
-Iterasi 1
2 6-Sep-2011 90 1 90 4 90 1
3 7-Sep-2011 90 2 90 1 90 5
4 8-Sep-2011 90 4 90 4 90 3
5 9-Sep-2011 90 6 90 5 90 2
6 12-Sep-2011 90 4 90 4 90 4
7 13-Sep-2011 90 3 90 4 90 4
8 14-Sep-2011 90 0 90 1 90 1
9 15-Sep-2011 90 2 90 2 90 2
10 16-Sep-2011 90 1 90 4 90 2
11 19-Sep-2011 90 7 90 2 90 5
12 20-Sep-2011 90 1 90 6 90 5
13 21-Sep-2011 90 2 90 5 90 4
14 22-Sep-2011 90 3 90 4 90 4
15 23-Sep-2011 90 3 90 1 90 5
16 26-Sep-2011 90 3 90 3 90 5
17 27-Sep-2011 90 3 90 2 90 4
18 28-Sep-2011 90 1 90 1 90 2
19 29-Sep-2011 90 3 90 4 90 2
20 30-Sep-2011 90 2 90 2 90 1
56 62 65
19 29-Sep-2011 90 1
20 30-Sep-2011 90 1
36
350 80%
300 60%
250
200 40%
150
100 20%
50
0 0% variabel
cumulative %
Variabel
Pareto Chart of C2
500
100
400 80
Percent
Count
300 60
200 40
100 20
0 0
C2 ar r r la r ik et
ut g ga u ta ya g ga ba ac
rp n rp e n n n m
be lo be m fl
o ga n
ak o dy ak ak of d en e pa
i d
t id ib t id t on g d
ng unc l ler m
o as s an P lat
a a u a
lak ng Ro Di
n T rp
be Pe k
te
n a
da r t id
n
pa pe
de B u m
d a
Ro
Count 121 65 62 58 58 56 36
Percent 26.5 14.3 13.6 12.7 12.7 12.3 7.9
Cum % 26.5 40.8 54.4 67.1 79.8 92.1 100.0
np = ∑ = 121/20 = 6.05
√ =√ ̅ =√ = 2.376
UCL/LCL = np(1) ± 3. √ (1) = 6.05 ± 3x2.376 = 13.177 ; -1.077
Tabel 4.51 Pengolahan data finish product roda depan dan belakang tidak berputar
roda depan dan
belakang tidak
berputar
Square
no Date N. of pi np p bar UCL LCL
N. of root ni
nonco
Inspec
nformi
tion
ties
1 5-Sep-2011 90 8 0.089 6.05 0.067 2.376 13.177 -1.077
2 6-Sep-2011 90 8 0.089 6.05 0.067 2.376 13.177 -1.077
3 7-Sep-2011 90 9 0.100 6.05 0.067 2.376 13.177 -1.077
4 8-Sep-2011 90 5 0.056 6.05 0.067 2.376 13.177 -1.077
5 9-Sep-2011 90 5 0.056 6.05 0.067 2.376 13.177 -1.077
6 12-Sep-2011 90 3 0.033 6.05 0.067 2.376 13.177 -1.077
7 13-Sep-2011 90 4 0.044 6.05 0.067 2.376 13.177 -1.077
8 14-Sep-2011 90 7 0.078 6.05 0.067 2.376 13.177 -1.077
9 15-Sep-2011 90 6 0.067 6.05 0.067 2.376 13.177 -1.077
10 16-Sep-2011 90 3 0.033 6.05 0.067 2.376 13.177 -1.077
11 19-Sep-2011 90 6 0.067 6.05 0.067 2.376 13.177 -1.077
12 20-Sep-2011 90 3 0.033 6.05 0.067 2.376 13.177 -1.077
13 21-Sep-2011 90 3 0.033 6.05 0.067 2.376 13.177 -1.077
14 22-Sep-2011 90 7 0.078 6.05 0.067 2.376 13.177 -1.077
15 23-Sep-2011 90 4 0.044 6.05 0.067 2.376 13.177 -1.077
16 26-Sep-2011 90 8 0.089 6.05 0.067 2.376 13.177 -1.077
17 27-Sep-2011 90 3 0.033 6.05 0.067 2.376 13.177 -1.077
18 28-Sep-2011 90 2 0.022 6.05 0.067 2.376 13.177 -1.077
19 29-Sep-2011 90 13 0.144 6.05 0.067 2.376 13.177 -1.077
10
N. of nonconformities
5 CL
UCL
0 LCL
1 3 5 7 9 11 13 15 17 19
-5
nomor sampel
Gambar 4.148 Peta kendali np roda depan dan belakang tidak berputar iterasi 0
Iterasi 1
Tabel 4.52 Pengolahan data finish product roda depan dan belakang tidak berputar iterasi 1
roda depan dan
belakang tidak
Squar
berputar
no date pi np p bar eroot UCL LCL
N. of N. of
ni
Inspec nonconf
tion ormities
1 5-Sep-2011 90 8 0.089 5.63 0.063 2.298 12.525 -1.261
2 6-Sep-2011 90 8 0.089 5.63 0.063 2.298 12.525 -1.261
3 7-Sep-2011 90 9 0.100 5.63 0.063 2.298 12.525 -1.261
4 8-Sep-2011 90 5 0.056 5.63 0.063 2.298 12.525 -1.261
5 9-Sep-2011 90 5 0.056 5.63 0.063 2.298 12.525 -1.261
6 12-Sep-2011 90 3 0.033 5.63 0.063 2.298 12.525 -1.261
7 13-Sep-2011 90 4 0.044 5.63 0.063 2.298 12.525 -1.261
8 14-Sep-2011 90 7 0.078 5.63 0.063 2.298 12.525 -1.261
9 15-Sep-2011 90 6 0.067 5.63 0.063 2.298 12.525 -1.261
10 16-Sep-2011 90 3 0.033 5.63 0.063 2.298 12.525 -1.261
11 19-Sep-2011 90 6 0.067 5.63 0.063 2.298 12.525 -1.261
12 20-Sep-2011 90 3 0.033 5.63 0.063 2.298 12.525 -1.261
13 21-Sep-2011 90 3 0.033 5.63 0.063 2.298 12.525 -1.261
10
8 N. of nonconformities
6 CL
4 UCL
2 LCL
0
-2 1 3 5 7 9 11 13 15 17 19
nomor sampel
Gambar 4.149 Peta kendali np roda depan dan belakang tidak berputar iterasi 1
Iterasi 2
Tabel 4.53 Pengolahan data finish product roda depan dan belakang tidak berputar iterasi 2
roda depan dan
belakang tidak
berputar Square
no date pi np p bar UCL LCL
N. of N. of root ni
Inspec nonconf
tion ormities
1 5-Sep-2011 90 8 0.089 5.22 0.058 2.218 11.876 -1.432
2 6-Sep-2011 90 8 0.089 5.22 0.058 2.218 11.876 -1.432
3 7-Sep-2011 90 9 0.100 5.22 0.058 2.218 11.876 -1.432
4 8-Sep-2011 90 5 0.056 5.22 0.058 2.218 11.876 -1.432
5 9-Sep-2011 90 5 0.056 5.22 0.058 2.218 11.876 -1.432
6 12-Sep-2011 90 3 0.033 5.22 0.058 2.218 11.876 -1.432
7 13-Sep-2011 90 4 0.044 5.22 0.058 2.218 11.876 -1.432
8 14-Sep-2011 90 7 0.078 5.22 0.058 2.218 11.876 -1.432
9 15-Sep-2011 90 6 0.067 5.22 0.058 2.218 11.876 -1.432
10
8 N. of nonconformities
6
CL
4
UCL
2
0 LCL
-2 1 3 5 7 9 11 13 15 17
-4
nomor sampel
Gambar 4.150 Peta kendali np roda depan dan belakang tidak berputar iterasi 2
-Software SPSS
Iterasi 0
Gambar 4.151 Peta kendali np roda depan dan belakang tidak berputar iterasi 0 output SPSS
Iterasi 1
Gambar 4.152 Peta kendali np roda depan dan belakang tidak berputar iterasi 1 output SPSS
Iterasi 2
Gambar 4.153 Peta kendali np roda depan dan belakang tidak berputar iterasi 2 output SPSS
-Software Minitab
Iterasi 0
10
Sample Count
8
__
6 NP=6.05
0 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
Gambar 4.154 Peta kendali np roda depan dan belakang tidak berputar iterasi 0 output Minitab
Iterasi 1
10
Sample Count
__
6
NP=5.63
0 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
Gambar 4.155 Peta kendali np roda depan dan belakang tidak berputar iterasi 1 output Minitab
Iterasi 2
10
8
Sample Count
6 __
NP=5.22
4
0 LCL=0
1 3 5 7 9 11 13 15 17
Sample
Gambar 4.156 Peta kendali np roda depan dan belakang tidak berputar iterasi 2 output Minitab
Tempat penyimpanan
tidak kondusif
Prosedur pengemasan
Durasi penyimpanan Prosedur pendistribusian
yang buruk
terlalu lama Prosedur saat yang buruk
penyimpanan buruk
b. Biaya Pencegahan:
Biaya maintenance berupa perawatan mesin maupun alat ukur. Biaya
pencegahan dilakukan paling tidak 3 kali di dalam setahun.
Biaya training atau pelatihan untuk karyawan.
Persen
dari biaya
Deskripsi Rp./Tahun
material
Biaya Pencegahan (Prevention Cost) (%)
• Pelatihan karyawan Rp 3.600.000
• Perawatan alat ukur (1 kali setiap bulan) 12 x @Rp
Rp 1.020.000
85.000,00
Biaya Total Pencegahan (total Prevention Cost) Rp 4.620.000
Biaya Penilaian (Appraisal Cost)
Pulpen (Rp 12.000,- x 2 minggu x 12 bulan) Rp 288.000
Tipe-x (Rp 30.000,- x 12 bulan) Rp 360.000
Pengadaan tinta print selama setahun Rp 1.050.000
Pengadaan Baterai selama setahun Rp 1.320.000
Pengadaan Kabel selama setahun @ Rp 2.500 x 50 m Rp 125.000
• pengadaan check sheet Rp 750.000
• Pengadaan jangka sorong
Ketelitian 0.05 mm (3 buah tiap 3 bulan) Rp 1.200.000
Ketelitian 0.02 mm (3 buah tiap 3 bulan) Rp 1.200.000
Biaya Total Penilaian (Total Appraisal Costs) Rp 6.293.000
Biaya Kegagalan Internal (Internal Failure Costs)
• Perbaikan Ulang atau Pengerjaan Ulang (rework) (10% Rp 483.809.918 10
total material)
• Scrap (5% total material) Rp 241.904.959 5
• Downgrading (15% total material) Rp 725.714.877 15
Biaya Total Kegagalan Internal (Total Internal Failure Rp 1.451.439.754
Biaya
Cost) Kegagalan Eksternal (External Failure Costs)
Sehingga total biaya kualitas yang dikeluarkan oleh PT. Indonesia Tamiya Motor yaitu
sebesar Rp. 1.607.495.729,00/tahun.
BAB V
ANALISIS
Panjang As Roda
Acceptance Sampling
Dari tabel rekap terlihat bahwa perhitungan acceptance sampling pada
panjang as roda ditolak, nilai perhitungannya lebih besar dari nilai pada tabel
(33.51 > 1.29). Yang dimaksud dengan ditolak di sini berarti sampel yang
diambil tidak dapat memenuhi spesifikasi yang diinginkan oleh perusahaan.
Untuk spesifikasi panjang as roda sendiri sebesar (58.5mm 1,5mm).
Sehingga diperlukan peninjauan kembali dalam perhitungan sampling.
manual MR iterasi 0, output SPSS dan minitab diperoleh nilai yang sama
yaitu 0, nilai UCL MR yaitu 0,025 dan LCL MR yaitu 0,081675. Untuk nilai
Xbar juga sama antara manual dengan software, nilai Xbar adalah 59,984,
nilai UCL Xbar sebesar 60,0505, dan LCL Xbar adalah 59,9175.
Dari output SPSS dan minitab dapat dilihat pada iterasi pertama terdapat
satu data yang keluar yaitu data ke-14, 19, 2, dan 24, sehingga dilakukan
penghitungan lagi dengan membuang data ke 14 terlebih dahulu. Pada iterasi
pertama sudah tidak ada lagi data yang keluar. Sehingga dapat disimpulkan
bahwa proses telah terkendali dengan baik.
2. Gardan
Diameter Gardan
Acceptance Sampling
Dari tabel rekap di atas terlihat acceptance sampling pada diameter
gardan ditolak, nilai perhitungannya lebih besar dari nilai pada tabel (7.40 >
0.846). Yang dimaksud dengan ditolak di sini berarti sampel yang diambil
tidak dapat memenuhi spesifikasi yang diinginkan oleh perusahaan. Untuk
spesifikasi diameter gardan sendiri sebesar (1.48 mm 0.13mm).
Panjang Gardan
Acceptance Sampling
Dari tabel rekap terlihat bahwa perhitungan acceptance sampling pada
panjang gardan ditolak, nilai perhitungannya lebih besar dari nilai pada tabel
(21.803 > 0.846). Ditolak di sini berarti sampel yang diambil tidak dapat
memenuhi spesifikasi yang diinginkan oleh perusahaan. Untuk spesifikasi
panjang garden sendiri sebesar (74mm 0.75mm). Sehingga diperlukan
peninjauan kembali dalam perhitungan sampling.
terlebih dahulu karena melebihi spesifikasi. Pada perhitungan peta ini hanya
terdapat sekali iterasi. Peta kendali X bar iterasi terakhir menunjukkan batas
kendali atas sebesar 74,65784, batas kendali bawah sebesar 73,87549, dan
rata-ratanya sebesar 74,26667. Sedangkan untuk peta kendali MR
menunjukkan batas kendali atas sebesar 0,480441, batas kendali bawah
sebesar 0, dan rata-ratanya sebesar 0,147059. Oleh karena itu dapat
disimpulkan bahwa proses dalam keadaan terkendali. Tidak ada perbedaan
antar grafik output minitab, output SPSS, dan manual.
digunakan untuk mengukur kualitas produk dari diameter besi dinamo karena
mengambil sampel sebesar lebih dari 10 yaitu 20 sampel. Dari perhitungan
manual dan output software dari SPSS maupun minitab memperoleh hasil
yang hampir sama. Dalam perhitungan ini tidak memerlukan iterasi karena
semua data telah terkendali. Peta kendali X bar menunjukkan batas kendali
atas, batas kendali bawah dan rata-ratanya sebesar 0,2. Sedangkan untuk peta
kendali MR menunjukkan batas kendali atas, batas kendali bawah, dan rata-
ratanya sebesar 0.
Untuk kedua variabel diatas dapat disimpulkan bahwa tidak ada
perbedaan antar grafik output minitab, output SPSS, dan manual. Dapat
disimpulkan bahwa kualitas besi dinamo terkendali karena tidak melewati
batas atas maupun bawah.
1. Pengunci Baterai
Gambar 4.66 menunjukkan pengambilan data pada komponen pengunci
baterai sebanyak 20 kali pengamatan. Komponen pengunci baterai
menggunakan perhitungan peta kendali atribut np karena nilai dari
inspeksi adalah konstan yakni sebesar 90, dan nilai nonconformities yang
lebih kecil. Batas kendali UCL dan LCL yang ada dalam komponen ini
didapatkan melalui perhitungan. Dengan batas kendali yang telah
ditentukan tersebut terlihat bahwa pada iterasi 0 didapatkan 2 data yang
berada di luar batas kontrol sehingga perlu dilakukan iterasi untuk
membuang data yang cacat tersebut. Penempatan komponen yang tidak
tepat terkadang membuat komponen terjatuh dari tempatnya sehingga
terdapat komponen yang bengkok. Hal tersebut yang menyebabkan data
tersebut dinyatakan cacat dan tidak memenuhi standard yang telah
ditentukan.
5. Dinamo
Gambar 4.72 menunjukkan hasil peta kendali pada komponen dinamo
dengan sampel yang diambil sebanyak 20 kali. Komponen ini
menggunakan peta kendali atribut np karena nilai dari inspeksi adalah
konstan yakni sebesar 90, dan nilai nonconformities yang lebih kecil.
Pada iterasi 0 didapatkan bahwa terdapat 2 data yang keluar dari batas
kontrol yang telah didapatkan sebelumnya melalui sebuah perhitungan. 2
data yang keluar merupakan data ke-8 dan 9. Data yang keluar dapat
disebabkan karena adanya faktor human error berupa ketidaksempurnaan
pada material handling. Agar semua data dapat berada dalam batas
kendali yang telah diperoleh melalui perhitungan maka, dilakukan iterasi
1 untuk membuang data yang cacat. Pada iterasi 1 kembali didapatkan 1
data yang keluar dari batas kendali yaitu data ke-19. Sehingga dilakukan
iterasi 2 dengan hasil semua data telah berada dalam batas kendali.
agar tidak ada part yang cacat yang masuk ke perusahaan. Sehingga perlu
dilakukan perbaikan pada pengendalian kualitas komponennya agar tidak
muncul raw material cacat yang masuk ke dalam proses lantai produksi
di perusahaan.
3. Roller Besar
Gambar 4.89 menunjukkan data yang diambil untuk komponen roller
besar sebanyak 20 kali pengamatan pada hari yang berbeda. Komponen
ini menggunakan peta kendali atribut c karena sampel yang diambil
memiliki jumlah yang sama pada setiap pengambilan dan nilai
nonconformitiesnya lebih besar dari jumlah sampel yang diambil. Batas
kendali yang dipakai dalam peta kendali ini didapat melalui perhitungan.
Setelah dilakukan perhitungan peta kendali atribut c pada iterasi 0
didapatkan 2 data yang berada diluar dari batas kontrol. Data tersebut
berada pada nomor ke-13, dan ke-15. Data yang keluar dari batas kontrol
menandakan sampel tersebut cacat atau tidak sesuai dengan standard
yang telah ditentukan. Hal tersebut disebabkan adanya faktor human
error seperti: perpindahan komponen yang terburu-buru sehingga
terdapat goresan-goresan pada komponen. Oleh karena itu, dilakukan
iterasi 1 untuk membuang data cacat tersebut. Komponen telah terkendali
statistik dengan data sebanyak 18. Data yang dibuang disini maksudnya
adalah data tersebut didokumentasikan atau disimpan oleh pihak kualitas
untuk ditinjau ulang sebagai evaluasi agar hal-hal yang dapat
menyebabkan data cacat dapat diminimalisir.
4. Rumah Dinamo
Gambar 4.95 menunjukkan pengambilan data pada komponen rumah
dinamo sebanyak 20 kali pengamatan. Komponen rumah dinamo
menggunakan perhitungan peta kendali atribut c karena sampel yang
diambil memiliki jumlah yang sama pada setiap pengambilan dan nilai
nonconformitiesnya lebih besar dari jumlah sampel yang diambil. Batas
kendali UCL dan LCL yang ada dalam komponen ini didapatkan melalui
perhitungan. Dengan batas kendali yang telah ditentukan tersebut terlihat
bahwa pada iterasi 0 didapatkan 1 data yang berada di luar batas kontrol
sehingga perlu dilakukan iterasi untuk membuang data yang cacat
tersebut. Data tersebut merupakan data ke-15. Penempatan komponen
yang tidak tepat terkadang membuat komponen terjatuh dari tempatnya
sehingga terdapat komponen yang bengkok. Hal tersebut yang
menyebabkan data tersebut dinyatakan cacat dan tidak memenuhi
standard yang telah ditentukan. Pada iterasi 1 dengan data sebanyak 19
terdapat 1 sampel cacat yaitu sampel ke-17 sehingga perlu dilakukan
iterasi kembali hingga sampel telah terkendali statistik.
2. Pengunci Body
Pada pengambilan data untuk pengunci body, data yang diambil untuk
sampel roller kecil yaitu sebanyak 20 kali pengamatan dengan hari yang
berbeda. Pada komponen pengunci body dilakukan inspeksi mengenai
perserabutan atau tidaknya pada komponen tersebut. Setelah dilakukan
perhitungan peta kendali atribut u didapatkan bahwa terdapat 2 data yang
melewati batas control yaitu pada data ke 8 dan 19. Diperlukan adanya
pengendalian kualitas yang lebih baik dan lebih berhati-hati ketika
meletakkan posisi part-part agar tidak memunculkan part cacat yang
masuk ke lantai produksi dalam perusahaan.
3. Pengunci Dinamo
Pada pengambilan data untuk pengunci dinamo, data yang diambil untuk
sampel pengunci dinamo sebanyak 20 kali dengan hari yang berbeda.
Pada komponen pengunci dinamo dilakukan inspeksi mengenai
perserabutan atau tidaknya pada komponen tersebut. Untuk
mengendalikan kualitas material pengunci dinamo digunakan peta
kendali dengan menggunakan peta standar. Setelah dilakukan
perhitungan peta standar pada iterasi 0 didapatkan bahwa terdapat 1 data
yang keluar dari batas kontrol yaitu pada data sampel ke 5 dan 17. Data
yang keluar dapat dikarenakan pada tanggal tersebut pengiriman
materialnya mengalami gangguan atau material handling yang tidak
sempurna. Untuk itu perlu dilakukan perbaikan pada material handling
agar tidak memunculkan part cacat yang masuk ke perusahaan. Untuk itu
diperlukan adanya pengendalian kualitas yang lebih baik dan lebih
berhati-hati ketika meletakkan posisi part-part agar tidak memunculkan
part cacat yang masuk ke lantai produksi dalam perusahaan.
4. Tuas On – Off
Komponen tuas on-off menggunakan peta kendali atribut u karena
sampel yang diambil memiliki nilai yang bervariasi pada setiap
pengambilan sampel dan nilai conformitiesnya lebih besar dari jumlah
sampel yang diambil. Gambar 4.125 menunjukkan data yang diambil
2. Chasis
Gambar 4.144 menunjukkan pengambilan sampel chasis sebanyak 20
kali pengamatan dengan hari yang berbeda dengan menggunakan peta
kendali atribut U. Peta kendali atribut U digunakan apabila sampel dari
cacat adalah konstan dan setiap kecacatan terdapat bobotnya. Bobot yang
diberikan tergantung dengan parahnya kecacatan yang ada pada
komponen. Untuk komponen yang paling parah diberi bobot 1, kemudian
yang kerusakan parah diberi bobot 10, dan untuk komponen yang tidak
terlalu parah diberi bobot 50. Setelah dilakukan pembobotan, maka
dilakukan perhitungan untuk mendapatkan batas kendali. Setelah
perhitungan yang telah digunakan dengan peta kendali atribut U pada
iterasi 0 didapatkan bahwa seluruh data nya masuk ke dalam batas
kontrol.
Hal ini menandakan kualitas pada komponen chasis telah terkendali
secara statistik sehingga tidak terdapat cacat.
masalah lainnya. Dengan penanganan yang tepat terhadap permasalahan roda depan dan
belakang tidak berputar ini nantinya diharapkan dapat membantu dalam meningkatkan
mutu pekerjaan.
Kemudian yang merupakan grafik peta kendali np kasus roda depan dan belakang
tidak berputar kita dapat melihat bahwa pada tahap pertama (iterasi 0) sampel yang
diinspeksi masih belum dapat terkendali. Peta kendali np memang cocok digunakan
untuk memeriksa/memetakan item cacat pada sampel data yang bersifat diskrit dan
jumlah sampel yang diinspeksi konstan. Nilai UCL pada roda depan dan belakang tidak
berputar adalah 13,177 dan LCL sama dengan 0, sampel yang melebihi batas kendali
adalah sampel nomer 20 dengan nilai number of nonconforties adalah 14. Sampel yang
melebihi batas kendali dihapuskan dengan harapan sampel berada diantara batas
kendali. Iterasi 1, nilai UCL menjadi 15,525 dan dengan batas ini, masih terdapat
sampel yang melebihi batas yaitu sampel nomer 19 dengan nilai number of
nonconforties sama dengan 13, maka sampel yang melebihi batas kendali dihapuskan.
Pada iterasi 2 dengan UCL 11, 876 semua sampel berada dalam batas kendali.
Dari diagram fishbone dapat dilihat bahwa terdapat empat proses utama yang
harus dilalui sebelum kasus roda depan dan belakang tidak berputar tersebut terungkap
adalah proses inspeksi, penyimpanan, perakitan dan pengepakan/handling.
Pada proses inspeksi, hal yang dilakukan adalah melakukan pengecekan raw
material dengan berbagai cara seperti pengecekan jumlah raw material yang datang,
apakah sesuai atau tidak dengan yang dipesan sebelumnya, melakukan pengukuran
dimensi tiap-tiap raw material dan lain-lain. Faktor kekurang telitian petugas peneliti
dalam melakukan inspeksi serta peneliti yang memang masih kurang terampil dalam
melakukan proses inspeksi dapat diminimalisir dengan mengadakan pelatihan yang
lebih bagi para peneliti. Kesalahan pada alat ukur yang digunakan seperti salah kalibrasi
dan sebagainya dapat diminimalisir dengan pengecekan alat ukur sebelum digunakan
serta dengan membeli alat ukur yang benar-benar berkualitas dari penjual yang
terpercaya.
Pada proses penyimpanan faktor yang bisa menjadi penyebab kegagalan roda
depan dan belakang untuk berputar adalah buruknya prosedur penyimpanan sehingga
beberapa dari raw material yang disimpan mengalami kerusakan atau cacat. Hal ini
Bagian dari perusahaan yang bertanggung jawab pada bidang ini adalah
departemen produksi yang di dalamnya tedapat unit quality control yang
bertanggung jawab atas seluruh proses inspeksi dari raw material sampai
produk siap dijual. Unit QC mengontrol dan mengawasi seluruh proses
inspeksi dalam serangkaian proses produksi dan menyampaikan hasil
pertanggung jawabannya dalam bentuk laporan yang berhubungan dengan
proses inspeksi dalam perusahaan kepada manajer departemen produksi.
4. Metode: Terdapat 5 jenis pengukuran yang dilakukan yaitu panjang as roda
yang punya spesifikasi 58,5±1,5, diameter as roda dengan spesifikasi 1,8±0,2,
panjang gardan dengan spesifikasi 74±0,75, diameter gardan 1,48±0,13, dan
diameter besi dinamo 1,95±0,15. Dalam melakukan statistical quality control
and quality cost planning yang dilakukan pertama kali adalah mengukur
semua komponen tersebut dengan menggunakan jangka sorong dengan
ketelitian 0,05 dan 0,02. Pada peta kendali variabel untuk panjang dan
diameter as roda, panjang dan diameter gardan, diameter besi dinamo dengan
perhitungan manual (software Ms. Excel 2010), SPSS, dan Minitab
menghasilkan hasil yang sama. Pada pelaksanaannya, sampling atas raw
material data variabel dilakukan dengan pengukuran secara individual (data
kontinu) sehingga harus menggunakan peta moving range (MR) untuk
memetakan variabilitas prosesnya dan peta ̅ untuk memetakan rata-rata
proses dari subgrup sampel.
5. Diagram Alir:
Mulai
Kebijakan Laporan
perusahaan pemesanan MRP
mengenai
AQL Menentukan
rencana sampling
penerimaan
Menentukan
jumlah sampel
Menentukan
dimensi komponen
Perhitungan
Acceptance
Sampling
Tidak Ada
Menentukan lot
diterima atau ditolak Melihat inventory
Ya
Kosong
Menggunakan
peta kendali
Selesai
5. Diagram Alir:
Mulai
Kebijakan
perusahaan
mengenai standar
nonconformities
untuk plat Menentukan
depan(0.1), gear rencana sampling
besar(110),gear penerimaan
kecil(110)
Menentukan
jumlah sampel
Menentukan batas
kendali komponen
Menentukan lot
diterima atau
ditolak
Menganalisis peta
kendali
Mengembalikan
raw material yang
cacat ke suplier
Selesai
inspeksi. Dan terakhir menggunakan diagram sebab akibat atau yang disebut
juga sebagai fishbone diagram.
5. Diagram Alir:
Mulai
Laporan bulanan
inspeksi
Pengolahan
dengan diagram
pareto
Pemetaan
masalah prioritas
dengan peta
kendali atribut (np)
Tidak
Apakah data
terkontrol?
Ya
Membuat diagram
fishbone
Analisis
Membuat
keputusan dan
kebijakan
Selesai
terbuang atau tidak terpakai. Biaya scrap sebesar 5% dari biaya total material, yaitu Rp
241.904.959,00. Total biaya yang harus dikeluarkan untuk kegagalan internal adalah
Rp. 1.451.439.754 per tahun.
Biaya selanjutnya adalah biaya kegagalan external untuk after-sale services
seperti warranty/ garansi sebesar 3% dari biaya total dengan jumlah Rp.
145.142.975,00. Sehingga total biaya kualitas yang harus dikeluarkan PT. Tamiya
Motor Indonesia per tahunnya adalah sebesar Rp 1.607.495.729,00. Adanya biaya
untuk pengendalian kualitas ini diharapkan dapat menghasilkan zero defect perusahaan.
BAB VI
PENUTUP
6.1 Kesimpulan
1. Keputusan yang diambil untuk data raw material variabel adalah
melonggarkan spesifikasi pengukuran dan menggunakan acceptance
sampling saja. Namun, apabila masih ada hasil acceptance sampling yang
ditolak, maka melihat intventory terlebih dahulu. Apabila di inventory
kosong baru melakukan peta kendali, sedangkan jika masih ada melakukan
sampling ulang.
2. Keputusan yang diambil untuk data raw material atribut adalah dengan
menggunakan perhitungan peta kendali saja. Dengan peta kendali p, np, c, u
dan U.
3. Keputusan yang diambil untuk data finish product adalah dengan
menggunakan perhitungan peta kendali np dan kemudian menganalisisnya
dengan diagram pareto dan fishbone.
4. Total biaya kualitas yang harus dikeluarkan PT. Tamiya Motor Indonesia per
tahunnya adalah sebesar Rp 1.607.495.729,00.
6.2 Saran
1. Pada saat pengukuran komponen- komponen tamiya, sebaiknya praktikan
lebih teliti dalam membaca jangka sorong.
2. Sebelum melakukan pengolahan data, praktikan sebaiknya memahami
terlebih dahulu perbedaan data variable dan atribut.
3. Sebaiknya praktikan mampu membedakan berbagai macam peta kontrol baik
peta kontrol variabel dan atribut.
DAFTAR PUSTAKA