Modul 6

Laporan Praktikum Perancangan Teknik Industri
Modul 6 Statistical Quality Control and Quality Cost Planning

Kelompok 16
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.
Program Studi Teknik Industri

Universitas Diponegoro
2012 1
Kelompok 16
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
1.4 Pembatasan Masalah dan Asumsi

Data yang digunakan menggunakan data laporan bulanan jumlah inspeksi raw
material dan finish product. Perhitungan pengendalian kualitas dengan menggunakan
seven tools, peta kendali atribut dan variabel untuk raw material dan finish product serta
penentuan biaya kualitas.
1.5 Sistematika Penulisan

BAB I PENDAHULUAN
Berisi latar belakang pengendalian kualitas dan perencanaan biaya kualitas,
perumusan masalah, tujuan, pembatasan masalah dan asumsi serta sistematika
penulisan.
BAB II TINJAUAN PUSTAKA

Berisi teori-teori yang berkaitan dengan pengendalian kualitas dan perencanaan
biaya kualitas.
BAB III PENGUMPULAN DAN PENGOLAHAN DATA

Berisi pengumpulan dan pengolahan dari data yang telah diperoleh.

2012 2
Kelompok 16
BAB IV ANALISA
Berisi analisis dari pengolahan data yang telah diperoleh.
BAB V PENUTUP
Berisi kesimpulan dan saran.

2012 3
Kelompok 16
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)
2.1. 2 Definisi Khusus Kualitas

Pengendalian kualitas umumnya didefinisikan sebagai suatu sistem yang
biasanya mempertahankan tingkat kualitas suatu produk atau jasa. Pengendalian
kualitas ini dilakukan dalam upaya untuk meningkatkan rasa percaya konsumen
terhadap produk atau jasa yang dihasilkan oleh perusahaan, tujuan jangka panjangnya
adalah untuk perkembangan perusahaan tersebut masa datang. Kualitas dibagi
menjadi 2 yaitu:
 Kualitas rancangan adalah semua barang dan jasa yang dihasilkan dalam berbagai
tingkat kualitas,
 Kualitas kecocokan adalah seberapa baik produk tersebut sesuai dengan
spesifikasi dan kelonggaran yang disyaratkan oleh rancangan tersebut.

2012 4
Kelompok 16
Sedangkan pengendalian kualitas adalah aktivitas keteknikan dan manajemen

dimana dengan aktivitas itu kita bisa mengukur ciri-ciri kualitas produk,
membandingkannya dengan spesifikasi atau persyaratan, dan bisa mengambil
tindakan pemulihan yang sesuai apabila ada perbedaan antara penampilan yang
sebenarnya dengan yang standar.
(Douglas.1995:3)
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.
2.1. 3 Pengendalian Kualitas

Oleh karena sifat dari kualitas yang sangat penting bagi kelangsungan hidup
suatu produk, maka diperlukan adanya pengendalian kualitas yang efektif. Ada
beberapa pernyataan mengenai pengendalian kualitas yaitu :

2012 5
Kelompok 16
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.

2012 6
Kelompok 16
5. Dengan peningkatan produktivitas maka dapat mengurangi waktu tempuh dari

proses produksi komponen dan sub assembly, yang hasilnya dapat untuk
memenuhi batas waktu atau due dates dari konsumen.
6. Sistem pengendalian kualitas dapat memacu semangat untuk selalu berjuang
dalam perbaikan berkesinambungan pada kualitas dan produktivitas.
2.1. 4 Keuntungan Pengendalian Kualitas

Adapun keuntungan dari pengendalian kualitas adalah sebabai berikut :
1. Mengendalikan kualitas dari produk agar sesuai dengan spesifikasi yang
telah ditetapkan dan melakukan perbaikan kualitas produk.
2. Sistem kualitas selalu mengalami perbaikan 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:
d. Biaya kerusakan dalam produksi
e. Biaya inspeksi
f. Biaya kerusakan diluar proses produksi, dimana untuk hal ini dapat
dikurangi dengan cara pemeriksaan secara berkala, sistem perawatan
mesin yang baik dan peralatan pencegah.
5. Dengan peningkatan produktivitas maka dapat mengurangi waktu tempuh
dari proses produksi komponen dan sub assembly, yang hasilnya dapat untuk
memenuhi batas waktu (due dates) dari konsumen.
6. Sistem pengendalian kualitas dapat memacu semangat untuk selalu berjuang
dalam perbaikan berkesinambungan pada kualitas dan produktivitas.
7. Perbaikan hubungan antar karyawan serta membina hubungan baik antara
produsen dan konsumen.
Oleh karena sifat dari kualitas yang sangat penting bagi kelangsungan hidup
suatu produk maka diperlukan adanya pengendalian kualitas yang efektif.

2012 7
Kelompok 16
(Amitava. 1995: 12)
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 :

2012 8
Kelompok 16
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 :
Gambar 2. 1 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

2012 9
Kelompok 16
- untuk mencocokkan posisi pemasangan bagian barang produksi

- untuk pengontrolan lokasi masalah yang akan/telah diselesaikan
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 :
Gambar 2. 2 Diagram Pareto
3. Diagram Sebab Akibat (Fishbone Diagram)

Disebut juga “ Grafik Tulang Ikan”, yaitu diagram yang menunjukkan
sebab akibat yang berguna untuk mencari atau menganalisa sebab-sebab
timbulnya masalah sehingga memudahkan cara mengatasinya.
Penggunaan Analisis Sebab Akibat :
- Untuk mengenal penyebab yang penting
- Untuk memahami semua akibat dan penyebab
- Untuk membandingkan prosedur kerja

2012 10
Kelompok 16
- Untuk menemukan pemecahan yang tepat

- Untuk memecahkan hal apa yang harus diilakukan
- Untuk mengembangakan proses
Contoh diagram sebab akibat :
Gambar 2. 3 Diagram Sebab Akibat
Beberapa pokok yang perlu diingat adalah sebagai berikut :

a.) Perlu adanya partisipasi dari semua anggota gugus, dan semua anggota harus
benar-benar ikut terlibat didalam menganalisis penyebabnya
b.) Harus diperoleh sejumlah ide (penyebab)
c.) Harus didorong untuk melakukan acara secara bebas
d.) Tidak diperkenankan untuk mengeritik
e.) Penyebab tersebut harus terkumpul lebih dahulu sebelum sesorang
mengambil tindakan pemecahan. Seringkali semua informasi ide ditulis pada
sebuah papan tulis yang besar dan disajikan untuk dipertimbangkan dalam
waktu seminggu guna memberikan kesempatan kepada mereka untuk
menambah beberapa penyebab yang mungkin masih ada pada diagram
tersebut seperti yang terlintas dalam pemikiran mereka.
f.) Para anggota diminta untuk memberi tanda atau memilih penyebab yang
mereka rasakan paling penting.
Terdapat tiga macam jenis aplikasi Cause and Effect Diagram yang sering
dipakai, yaitu:
1. Cause Enumeration (Berdasar jenis penyebab)
2. Dispersion Analysis (Berdasarkan 5 faktor utama yaitu man, machine,
material, methode, environtment)

2012 11
Kelompok 16
3. Process Analysis (Berdasarkan proses yang dilalui)
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.
5. Diagram Tebar (Scatter Diagram)

Menggambarkan hubungan antara dua data yang dipetakan dalam suatu
diagram. Diagram tebar digunakan sebagai alat penguji hubungan antara sebab
dan akibat.
6. Grafik Pengendali (Control Chart)

Peta kendali adalah alat untuk memonitor proses sehingga variasi proses
dapat dikendalikan secara statistik. Variasi proses tidak mungkin dihindari
meskipun proses produksi dilaksanakan pada kondisi dan spesifikasi yang sama.
Variasi ini dipengaruhi oleh beberapa faktor yang terlibat dalam proses produksi
seperti :
 Peralatan atau mesin yang digunakan
 Set up mesin yang kurang tepat
 Kondisi dan keahlian operator
 Kualitas material yang bervariasi
Manfaat utama peta kendali adalah untuk :
 Menjaga stabilitas proses

2012 12
Kelompok 16
 Memprediksi perilaku proses

 Melakukan penyesuaian atau perbaikan proses
 Perencanaan produksi
 Sebagai alat preventif pengendalian kualitas
Berdasarkan jenis data karakteristik kualitas yang akan dikendalikan, peta
kendali dapat dibagi menjadi dua yaitu :
a. Peta kendali Variabel
b. Peta kendali Atribut
(Mitra, 1993)
a.) PETA KENDALI VARIABEL
Peta kendali variabel digunakan jika karakteristik kualitas yang akan dikendalikan
diperoleh melalui pengukuran dan dinyatakan dalam skala kontinu. Macam-macam
peta kendali variabel adalah:
1. Peta kendali X - R
Definisi :
- Peta X - R adalah peta kendali yang meunjukkan harga rata-rata (mean) dan
simpangan (range) dari suatu proses.
- Peta kendali ini terdiri dari dua jenis peta kendali yaitu Peta X yang
menunjukkan harga rata-rata proses dan peta R yang menunjukkan simpangan
atau variabilitas proses.
- Kedua peta kendali dalan peta X - R saling melengkapi, sehingga dalam
pembuatannya tidak dapat dipisahkan.
Langkah Pembuatan Peta X - R

 Langkah 1
Tentukan karakteristik kualitas yang akan dikendalikan
 Langkah 2
Tentukan metode dan perangkat sistem inspeksi yang digunakan
 Langkah 3
Kumpulkan data (x) dan kelompokkan dalam sub group dengan ukuran n

2012 13
Kelompok 16
 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
- Garis sentral (Central line) : CL = X
- Batas kendali atas (Upper Control Limit) : UCL = X + A2R
- Batas kendali bawah (Lower Control Limit) : UCL = X - A2R
b. Untuk peta R, hitung :
- Garis sentral (Central line) : CL = R
- Batas kendali atas (Upper Control Limit) : UCL = D4 R
- Batas kendali bawah (Lower Control Limit) : UCL = D3 R

 Langkah 7
Plot data rata-rata dan range pada peta kendali yang sesuai. Pada tahap konstruksi
peta jika terdapat data-data yang keluar dari kontrol dan ketahui penyebabnya,
buang data dan lakukan perhitungan ulang untuk mendapatkan CL, UCL, dan
LCL revisi.
2012 14
Kelompok 16
 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).
Langkah pembuatan peta X - s
Langkah pembuatan peta X - s sama dengan langkah pembuatan peta X - R.

Perbedaaanya terletak pada nilai R yang digantikan dengan nilai s, serta
perbedaan dalam menentukan batas-batas kendali, yaitu :
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. Untuk peta X , hitung
- Garis sentral (Central line) : CL = X
- Batas kendali atas (Upper Control Limit) : UCL = X + A3s
- Batas kendali bawah (Lower Control Limit) : UCL = X - A3s

c. Untuk peta s, hitung
- Garis sentral (Central line) : CL = s
- Batas kendali atas (Upper Control Limit) : UCL = B4 s
- Batas kendali bawah (Lower Control Limit) : UCL = B3 s

(Montgomery, 1993)

2012 15
Kelompok 16
3. Peta Kendali Variabel Khusus

a. Peta Kendali Trend
Definisi :
Peta kendali Trend digunakan jika nilai X memiliki trend tertentu.
Langkah pembuatan Peta Kendali Trend
 Tentukan persamaan Central line ( X )
X = a + bG
X : rata-rata tipa group
a : konstanmta saat G = 0
b : slope X
G : nomor subgroup
 Tentukan batas kendali
UCL dan LCL berjarak A2 R dari central line
b. Peta Kendali Moving Average – Moving Range

Definisi :
Peta kendali Moving Average – Moving Range digunakan jika kita ingin
lebih teliti dalam melihat shifting (pergeseran) yang terjadi, serta nilai (data)
yang digunakan merupakan nilai individual.
Langkah pembuatan Peta Kendali Moving Average – Moving Range
Langkah pembuatan Peta Kendali Moving Average – Moving Range sama
dengan peta X - R, perbedaannya terletak pada perhitungan nilai X dan

nilai R yaitu :
 Nilai X
Nilai X diganti mean dari nilai Moving Average

 Nilai R
Nilai R diganti mean dari nilai Moving Range.

(Montgomery, 1993)

2012 16
Kelompok 16
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.
 Nilai nominal dari angka spesifikasi tersebut menjadi central line ( X o )

 Batas-batas toleransi terhadap nilai binomial merupakan USL dan LSL .
 Selisih antara USL dan LSL dari batas toleransi diatas digunakan untuk
mencari nilai  dengan rumus :
USL  LSL
Cp 
6
USL  LSL

6Cp
 Selanjutnya dicari nilai-nilai sebagai berikut :
URLx = X   A
LRLx = X   A
R = dz z
URLR = Dz
LRLR = DI

2012 17
Kelompok 16
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

2012 18
Kelompok 16
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
X - A2R < X < X + A2R
- A2R < X - X < A2R
XX
- 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).
Besaran R dan X merupakan besaran yang ditentukan oleh penyusun peta

kendali untuk menjadi target dan besarnya ditentukan dengan mengguankan
beberapa acuan yaitu sebagai berikut :
1. Peta kendali terdahulu

2012 19
Kelompok 16
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.
b.) PETA KENDALI ATRIBUT

Peta kendali atribut digunakan jika karakteristik kualitas yang akan dikendalikan
tidak diperoleh melalui pengukuran. Nilai atribut diperoleh melalui pemeriksaan
karakteristik produk yang hasilnya dinyatakan dengan sesuai atau tidak sesuai
berdasarkan ukuran atau standar tertentu.
Contoh :
 Pemeriksaan visual terhadap lengkap atau tidak lengkapnya komponen yang ada
pada suatu produk.
 Pemeriksaan apakah suatu komponen berfungsi atau tidak berfungsi.
Terdapat beberapa jenis peta kendali atribut. Jenis dan penggunaan peta kendali
tersebut diberikan pada tabel berikut.
Tabel 2. 1 Jenis – jenis Peta Kendali Atribut

Jenis
Penggunaan
Peta
 Tipe data diskrit
1. Peta p  Menggambarkan fraksi cacat
 Ukuran sampel yang bervariasi
 Tipe data diskrit
2. Peta np  Menggambarkan jumlah item cacat
 Ukuran sampel sama
3. Peta u Menggambarkan jumlah cacat per unit
Menggambarkan jumlah cacat satu unit sampel
4. Peta c
tertentu

2012 20
Kelompok 16
 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
Dimana k = jumlah sampel yang diperiksa.

4. Hitung standar deviasi fraksi cacat dengan rumus :
p (1  p)
si 
ni
5. Buat peta p dengan batas – batas kendali sebagai berikut :
 Garis sentral (Central Limit) = CL = p
 Batas Kendali Atas (Upper Central Limit) = UCL = p  3si
 Batas Kendali Bawah (Lower Central Limit) = LCL = p  3s i

2012 21
Kelompok 16
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
3. Hitung garis sentral dari peta np :

k
n i pi
np  k
i 1
 sub  grup
i 1
4. Hitung standar deviasi jumlah cacat dengan rumus :
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.

2012 22
Kelompok 16
o Pengertian u adalah sebagai berikut :
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 :
 Garis sentral (Central Limit) = CL = u
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 :

2012 23
Kelompok 16
c
c
 sampel
3. Buat peta dengan garis – garis kendali sebagai berikut :
 Garis sentral (Central Limit) = CL = c
 Batas Kendali Atas (Upper Central Limit) = UCL = u  3 c
 Batas Kendali Bawah (Lower Central Limit) = LCL = u  3 c

4. Plot data c yang diamati ke dalam peta.
2. 3 INTERPRETASI PETA KENDALI

Interpretasi terhadap peta kendali secara umum (baik untuk peta kendali atribut
maupun variabel) dapat diterangkan sebagai berikut :
1. Jika ada titik yang berada di luar batas kendali (atas atau bawah) maka proses
dikatakan berada di luar kendali, khususnya proses dimana kondisi itu terjadi. Jika
data yang berada di luar batas kendali tersebut disebabkan oleh faktor yang tidak
alamiah maka data tersebut harus dibuang dan lakukan perhitungan kembali
terhadap parameter peta kendali yang baru.
2. Sebaiknya proses dikatakan terkendali jika semua titik berada di antara batas –
batas kendali. Atau pengelompokkan titik tidak mengasumsikan suatu pola
tertentu (abnormalitas).
3. Bentuk – bentuk pengelompokkan yang dimaksud adalah sebagai berikut :
a. Runs
Yaitu sekumpulan titik yang berada di atas atau di bawah garis sentral.
Evaluasi yang dilakukan adalah sebagai berikut :
 Titik berurutan membentuk runs menunjukkan terjadinya abnormalitas
dalam proses.
 Jika 10 dari 11 titik atau 12 dari 14 titik berada pada salah satu sisi, maka
terjadi abnormalitas proses.

2012 24
Kelompok 16
Gambar 2. 4 Bentuk Pengelompokan “Runs”
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.
Gambar 2. 5 Bentuk Pengelompokan “Trends”
c. Pengulangan secara periodik

2012 25
Kelompok 16
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.
Gambar 2. 6 “Pengulangan Secara Periodik”
d. Hugging of the control line

Yaitu pola dimana titik – titik tetap berada dekat garis sentral atau garis
kendali (UCL dan LCL). Evaluasi dilakukan sebagai berikut :
1) Hugging pada garis sentral.
 Buat garis kendali tambahan yang terletak di tengah – tengah antara
garis sentral dan UCL/LCL.
 Jika titik – titik berada di antara kedua garis tersebut maka telah
terjadi abnormalitas pada proses.

2012 26
Kelompok 16
Gambar 2. 7 Hugging pada Garis Sentral
2) Hugging pada garis kendali (CL).

 Buat garis kendali tambahan yang terletak di 2/3 jarak antara garis
sentral dan UCL/LCL.
 Jika 2 dari 3, atau 3 dari 7, atau 4 dari 10 titik berada di daerah 1/3
luar (outer third zone) maka telah terjadi abnormalitas pada proses.
Gambar 2. 8 Hugging pada Garis Kendali
Secara umum, jika dijumpai titik – titik yang menunjukkan abnormalitas proses
(proses dalam keadaan tidak terkendali) langkah – langkah yang perlu dilakukan
adalah:

2012 27
Kelompok 16
1. Hentikan proses.
2. Periksa proses dan cari penyebab ketidaknormalan tersebut.
3. Lakukan penyesuaian proses sesuai dengan temuan pada langkah 2.
2. 4 STATISTICAL QUALITY CONTROL

Statistical Quality Control (SQC) adalah metode pengendalian kualitas yang
meliputi pengumpulan, interpretasi, dan analisa data dengan menggunakan teknik-
teknik statistik. Statistical Quality Control terbagi menjadi dua bagian utama yaitu
statistical process control (SPC) dan Acceptance sampling.
(Montgomery, 1993)
2.5 ACCEPTANCE SAMPLING
Metode penerimaan sampel (acceptance sampling) adalah prosedur yang
digunakan dalam mengambil keputusan terhadap produk-produk yang datang atau
yang sudah dihasilkan perusahaan.
Keunggulan :
• Lebih murah
• Dapat meminimalkan kerusakan dan perpindahan tangan
• Mengurangi kesalahan dalam inspeksi,
• Dapat memotivasi pemasok bila ada penolakan bahan baku.
Kelemahan :
• Adanya risiko penerimaan produk cacat atau penolakan produk baik
• Sedikitnya informasi mengenai produk
• Membutuhkan perencanaan dan pendokumentasian prosedur pengambilan sampel
• Tidak adanya jaminan mengenai sejumlah produk tertentu yang akan memenuhi
spesifikasi.
(Besterfield .1998)
Indek kualitas yang dapat digunakan dalam acceptance sampling :
1. AQL (Acceptance Quality Level = tingkat kualitas menurut produsen)
Merupakan proporsi maksimum dari cacat atau kesalahan yang diperbolehkan.
Produsen selalu menghendaki probabilitas penerimaan pada tingkat yang cukup
tinggi (biasanya 0,99 atau 0,95). Sehingga produsen menginginkan semua produk

2012 28
Kelompok 16
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.
2. 6 KONSEP BIAYA KUALITAS

Perusahaan-perusahaan kelas dunia menduga biaya kualitas (Quality cost) untuk
beberapa alsan:
 Mengkuantifikasi ukuran dari masalah kualitas dalam bahasa uang , guna
meningkatkan komunikasi diantara manager menengah dan manager puncak
 Kesempatan utama untuk merdukasi biaya dapat diidentifikasii
 Kesempatan untuk mengurangi ketidakpuasan pelanggan dan ancaman-
ancaman yang berkaitan dengan produk yang dipasarkan dapat diidentifikasi.
Beberapa biaya dari kualitas jelek (cost of poor quality) merupakan hasil dari
kegagalan produk setelah penjualan.

2012 29
Kelompok 16
Beberapa perusahaan kelasdunia mengguanakan ukuran biaya kualitas sebagai

indikator keberhasilan program perbaikan kualitas, yang dapat dihubungkan dengan
ukuran-ukuran lain seperti:
 Biaya kualitas dibandingkan dengan nilai penjualan (presentase biaya
kualitas terhadap nilai penjualan), semakin rendah nilai ini menunjukkan
program perbaikan kualitas semakin sukses
 Biaya kualitas dibandingkan terhadap keuntungan (presentase biaya kualitas
terhadap ilai keuntungan), semakin rendah nilai ini menunjukkan program
perbaikan kualitas semakin sukses
 Biaya kualitas dibandingkan terhadap harga pokok penjualan (cost of good
sold), diukur berdasarkan presentase biaya kualitas total terhadap nilai harga
pokok penjualan, dimana semakin rendah nilai ini menunjukkan program
perbaikan kualitas semakin sukses
KATEGORI BIAYA KUALITAS

Pada dasaranya biaya kualitas dapat didasarkan kedalam empat jenis, yaitu:
1. Biaya Kegagalan Internal
Yaitu biaya yang berhubungan dengan kesalahan dan nonkonformansi yang
ditemukan sebelum menyerahkan produk ke pelanggan. Biaya-biaya ini tidak
akan muncul apabila tidak ditemukan kesalahan atau nonkonformansi dalam
produk sebelum pengiriman. Contoh dari biaya kegagalan internal:
a. Scrap : Biaya yang dikeluaraka untuk tenega kerja, material, dan biasanya
overhead pada produk cact yang secara ekonomis tidak dapat diperbaiki
kembali. Terdapat banyak ragam nama dari jenis ini, yaitu: scrap, cacat
pemborosan, usang, dll.
b. Peketrjaan ulang (Rework): biaya yang dikeluarkan untuk memperbaiki
kesalahan (mengerjakan ulang) produk agar memenuhi spesifikasi yang
ditentukan.
c. Analisis kegagalan (failure analysis): biaya yang dikeluarkan untuk
menganalsis kegagalan produk guna menentukan penyebab-penyebab
kegagalan itu.

2012 30
Kelompok 16
d. Inspeksi ulang dan pengujian ulang (reinspection and reitesting): biaya-biaya

yang dikeluarkan untuk inpeksi ulang dan pengujian ulang produk yang telah
mengalami pengerjaan ulang atau perbaikan kembali.
e. Downgrading: selisih antara harga jual normal dan harga yang dikurangi
karena alasan kualitas
f. Avoidable Process Losses: biaya-biaya kehilangan yang terjadi meskipun
produk tersebut tidak cacat. Sebagai contoh: kelebihan bobot produk yang
diserahkan ke pelanggan karena variabilitas dalam peralatan pengukuran, dll.
2. Biaya Kegagalan Eksternal

Yaitu biaya-biaya yang berhubungan dengan kesalahan atau nonkonfomansi
yang ditemukan setelah produk itu diserahkan ke pelanggan. Biaya-biaya ini
tidak akan muncul apabila tidak ditemukan kesalahan atau nonkonformansi
dalam produk ssetelah pengiriman. Contoh dari biaya kegagalan eksternal:
a. Jaminan (Warranty): biaya yang dikeluarkan untuk pengantian atau
perbaikan kembali produk yang masih berada dalam masa penjaminan
b. Penyelesaian keluhan (Complaint Adjustment): biya-biaya yang
dikeluarkan untuk penyelidikan dan penyelesaian keluhan yang berkaitan
dengan produk cacat.
c. Produk dikembalikan (Returned Product): biaya-biaya yang berkaitan
dengan penerimaan dan penempatan produk cacat yang dikembalikan
oleh pelangan.
d. Allowance: biaya-biaya yang berkaitan dengan konsesi pada pelanggan
karena produk yang berada dibawah standar kualitas yangsedang diterima
oleh pelanggan atau yang tidak memnuhi spesifikasi penggunaan.
3. Biaya Penilaian
Yaitu biaya-biaya yang berhubungan dengan derajad konformansi terhadap
persyaratan kualitas (spesifikasi yang ditetapkan). Contoh dari biaya aplikasi:
a. Inspeksi dan pengujian kedatangan material
b. Inspeksi dan pengujian produk dalam proses
c. Inspeksi dan pengujian produk akhir

2012 31
Kelompok 16
d. Audit kualitas produk

e. Pemeliharaan akurasi peralatan pengujian
f. Evaluasi stok
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

2012 32
Kelompok 16
BAB III
METODOLOGI PENELITIAN
Gambar 3.1 Metodologi Praktikum

2012 33
Kelompok 16
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 Acceptance Sampling

4.1.1. Kebijakan Sampel untuk As Roda
- Diketahui hasil MRP ( output modul 5 ), kebutuhan as roda sebesar 14922
unit, diperoleh nilai Sample Sized Code Letters dari Tabel 10-2 halaman
420 yaitu huruf I
- Nilai AQL untuk n=25 adalah 0.35 , sehingga AQL value = 0.4 (dari Tabel
10-1 halaman 420)
- Diperoleh nilai M dari tabel 10.5 halaman 424 untuk AQL Value = 0.4 dan
kode I adalah sebesar 1.29.
- Menghitung nilai Zu dan Zl
a. Diameter As Roda
Diketahui standard perusahaan Diameter As Roda: 1.8 (+ -) 0.2 mm,
maka nilai USL = 1.8 + 0.2 = 2 mm, LSL = 1.8 - 0.2 = 1.6
̅
=
–
= = 8.565
̅
=
= = 12.3244
Melihat tabel 10-7 Halaman 426

(p Zu = 0) +(p Zl = 0) => 0 + 0 = 0
Karena nilai 0 < 1.29 maka lot tersebut diterima.
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
̅
=

2012 34
Kelompok 16
–
= = 0.427618
̅
=
= = 79.74985

(p Zu = 33.51) +(p Zl = 0) => 33.51 + 0 = 0
Karena nilai 33.51 > 1.29 maka lot tersebut ditolak.
4.1.2. Kebijakan Sampel untuk Gardan

- Diketahui hasil MRP ( output modul 5 ), kebutuhan gardan sebesar 7461
420 yaitu huruf H
- Nilai AQL untuk n=20 adalah 0,18 , sehingga AQL value = 0.25 (dari Tabel
10-1 halaman 420)
kode H adalah sebesar 0.846.
- Menghitung nilai Zu
a. Diameter Gardan
Diketahui standard perusahaan Diameter gardan: 1.48 (+ -) 0.13 mm,
maka nilai USL = 1.48 + 0.13 = 1.51 mm, LSL = 1.48 - 0.13 = 1.35
̅
=
–
= = 1.429
̅
=
= = 9.440559

(p Zu = 7.40) +(p Zl = 0) => 7.40 + 0 = 0

2012 35
Kelompok 16
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

(p Zu = 21.33) +(p Zl = 0.473) => 21.33 + 0.473 = 21.803
4.1.3. Kebijakan Sampel untuk Besi Dinamo

Diameter besi dinamo
- Diketahui hasil MRP ( output modul 5 ), kebutuhan dynamo sebesar 7461
420 yaitu huruf H
- Nilai AQL untuk n=20 adalah 0.18 , sehingga AQL value = 0.25 (dari Tabel
10-1 halaman 420)
kode H adalah sebesar 0.846
- Menghitung nilai Zu
Diketahui standard perusahaan Diameter Besi Dinamo: 1.95 (+ -) 0.15 mm,
maka nilai USL = 1.95 + 0.15 = 2.1 mm, LSL = 1.95 - 0.15 = 1.8
̅
=
–
= =0
̅
=

2012 36
Kelompok 16
= =0

(p Zu = 50) +(p Zl = 50) => 50 + 50 = 100
Karena nilai 100 > 0.846 maka lot tersebut ditolak.
4.2 Pengumpulan dan Pengolahan Data Kualitas Raw Material

4.2.1. Data Variabel
1. Panjang As Roda
a. Perhitungan manual
-MR(2) = ‖Ukuran(2) – ukuran (1) ‖ = ‖60-60‖ = 0
̅̅̅̅̅ = ∑ = = 0.025
= D4. ̅̅̅̅̅= (3.267)(0.025) = 0.081675

LCL MR = D3 . ̅̅̅̅̅ = (0)(0.025) = 0
̅= ∑ = = 59.984
̅̅̅̅̅
UCL/LCL ̅ = ̅ = 59.984 ± 3 = 60.0505 ; 59.917
-Iterasi 0
Tabel 4.1 Pengolahan data variabel panjang as roda

Raw MR LCL UCL x
No. Ukuran MR UCL MR x bar LCL x bar
Material bar MR bar
1 30 60 59.984 60.0505 59.9175
2 48 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
3 54 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
4 35 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
5 65 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
6 66 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
7 37 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
8 67 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
9 46 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
10 44 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
11 73 60 0 0.025 0.081675 0 59.984 60.0505 59.9175

2012 37
Kelompok 16
12 57 60 0 0.025 0.081675 0 59.984 60.0505 59.9175

13 63 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
14 75 59.9 0.1 0.025 0.081675 0 59.984 60.0505 59.9175
15 45 60 0.1 0.025 0.081675 0 59.984 60.0505 59.9175
16 10 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
17 74 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
18 72 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
19 6 59.9 0.1 0.025 0.081675 0 59.984 60.0505 59.9175
20 52 60 0.1 0.025 0.081675 0 59.984 60.0505 59.9175
21 43 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
22 33 60 0 0.025 0.081675 0 59.984 60.0505 59.9175
23 13 59.9 0.1 0.025 0.081675 0 59.984 60.0505 59.9175
24 40 59.9 0 0.025 0.081675 0 59.984 60.0505 59.9175
25 69 60 0.1 0.025 0.081675 0 59.984 60.0505 59.9175
Peta kendali MR Panjang As Roda(0)

0.12
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
Gambar 4.1 Peta kendali MR panjang as roda iterasi 0
Data yang keluar adalah data ke 14, 19, 23, dan 24.

2012 38
Kelompok 16
-Iterasi 1
Tabel 4.2 Pengolahan data variabel panjang as roda iterasi 1

Raw UCL UCL x LCL x
No. Ukuran MR MR bar LCL MR x bar
Material MR bar bar
1 30 60 60 60 57
2 48 60 0 0 0 0 60 60 57
3 54 60 0 0 0 0 60 60 57
4 35 60 0 0 0 0 60 60 57
5 65 60 0 0 0 0 60 60 57
6 66 60 0 0 0 0 60 60 57
7 37 60 0 0 0 0 60 60 57
8 67 60 0 0 0 0 60 60 57
9 46 60 0 0 0 0 60 60 57
10 44 60 0 0 0 0 60 60 57
11 73 60 0 0 0 0 60 60 57
12 57 60 0 0 0 0 60 60 57
13 63 60 0 0 0 0 60 60 57
14 45 60 0 0 0 0 60 60 57
15 10 60 0 0 0 0 60 60 57
16 74 60 0 0 0 0 60 60 57
17 72 60 0 0 0 0 60 60 57
18 52 60 0 0 0 0 60 60 57
19 43 60 0 0 0 0 60 60 57
20 33 60 0 0 0 0 60 60 57
21 69 60 0 0 0 0 60 60 57

2012 39
Kelompok 16
Peta kendali MR Panjang As Roda(1)

1
0.9
0.8
0.7
Nilai MR
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
Gambar 4.2 Peta kendali MR panjang as roda iterasi 1
Peta kendali X bar Panjang As Roda

60.5
60
59.5
59
58.5
Ukuran
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
Gambar 4.3 Peta kendali ̅ panjang as roda

2012 40
Kelompok 16
b. Output Software
-Software SPSS
Iterasi 0
Gambar 4.4 Output SPSS Peta kendali MR panjang as roda iterasi 0

2012 41
Kelompok 16
Iterasi 1
Gambar 4.5 Output SPSS Peta kendali MR panjang as roda iterasi 1
Gambar 4.6 Output SPSS Peta kendali ̅ panjang as roda output SPSS

2012 42
Kelompok 16
-Minitab
Iterasi 0
Moving range chart of panjang as roda

1 1 1 1 1 1
0.10
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
Gambar 4.7 Output Minitab panjang as roda iterasi 0
Iterasi 1
Moving range chart of panjang as roda(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
Gambar 4.8 Output Minitab Peta kendali MR panjang as roda iterasi 1

2012 43
Kelompok 16
I-MR chart of panjang as roda

60 U C L=60
Individual Value
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
Gambar 4.9 Output Minitab Peta kendali ̅ panjang as roda
2. Diameter As Roda
-MR(2) = ‖│Ukuran(2) – ukuran (1) │ ‖ = ‖│1.86 – 1.9│‖ = 0.02
̅̅̅̅̅ = ∑ = = 0.0225
= D4. ̅̅̅̅̅= (3.267)(0.0225) = 0.048

LCL MR = D3 . ̅̅̅̅̅ = (0)(0.0225) = 0
̅= ∑ = = 1.844
̅̅̅̅̅
UCL/LCL ̅ = ̅ = 1.844 ± 3 = 1.874 ; 1.797
-Iterasi 0
Tabel 4.3 Pengolahan data variabel diameter as roda Iterasi 0

Raw LCL UCL x LCL x
No. Ukuran MR MR bar UCL MR x bar
Material MR bar bar
1 52 1.9 1.844 1.904 1.784

2012 44
Kelompok 16
2 6 2 0.1 0.023 0.074 0 1.844 1.904 1.784

3 75 1.88 0.12 0.023 0.074 0 1.844 1.904 1.784
4 30 1.86 0.02 0.023 0.074 0 1.844 1.904 1.784
5 57 1.84 0.02 0.023 0.074 0 1.844 1.904 1.784
6 67 1.82 0.02 0.023 0.074 0 1.844 1.904 1.784
7 66 1.84 0.02 0.023 0.074 0 1.844 1.904 1.784
8 44 1.84 0 0.023 0.074 0 1.844 1.904 1.784
9 35 1.82 0.02 0.023 0.074 0 1.844 1.904 1.784
10 65 1.82 0 0.023 0.074 0 1.844 1.904 1.784
11 37 1.82 0 0.023 0.074 0 1.844 1.904 1.784
12 33 1.8 0.02 0.023 0.074 0 1.844 1.904 1.784
13 45 1.84 0.04 0.023 0.074 0 1.844 1.904 1.784
14 46 1.82 0.02 0.023 0.074 0 1.844 1.904 1.784
15 72 1.84 0.02 0.023 0.074 0 1.844 1.904 1.784
16 10 1.84 0 0.023 0.074 0 1.844 1.904 1.784
17 73 1.82 0.02 0.023 0.074 0 1.844 1.904 1.784
18 63 1.82 0 0.023 0.074 0 1.844 1.904 1.784
19 13 1.84 0.02 0.023 0.074 0 1.844 1.904 1.784
20 43 1.84 0 0.023 0.074 0 1.844 1.904 1.784
21 48 1.84 0 0.023 0.074 0 1.844 1.904 1.784
22 40 1.86 0.02 0.023 0.074 0 1.844 1.904 1.784
23 54 1.82 0.04 0.023 0.074 0 1.844 1.904 1.784
24 69 1.84 0.02 0.023 0.074 0 1.844 1.904 1.784
25 74 1.84 0 0.023 0.074 0 1.844 1.904 1.784
Peta Kendali MR Diameter As Roda(0)

0.14
0.12
0.1
NIlai MR
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
Gambar 4.10 Peta kendali MR diameter as roda iterasi 0

2012 45
Kelompok 16
Data yang keluar adalah data ke 2.
-Iterasi 1
Tabel 4.4 Pengolahan data variabel diameter as roda Iterasi 1

Raw UCL x LCL x
No. Ukuran MR MR bar UCL MR LCL MR x bar
Material bar bar
1 52 1.9 1.838 2.00 1.60
2 75 1.88 0.02 0.015 0.048 0 1.838 2.00 1.60
3 30 1.86 0.02 0.015 0.048 0 1.838 2.00 1.60
4 57 1.84 0.02 0.015 0.048 0 1.838 2.00 1.60
5 67 1.82 0.02 0.015 0.048 0 1.838 2.00 1.60
6 66 1.84 0.02 0.015 0.048 0 1.838 2.00 1.60
7 44 1.84 0 0.015 0.048 0 1.838 2.00 1.60
8 35 1.82 0.02 0.015 0.048 0 1.838 2.00 1.60
9 65 1.82 0 0.015 0.048 0 1.838 2.00 1.60
10 37 1.82 0 0.015 0.048 0 1.838 2.00 1.60
11 33 1.8 0.02 0.015 0.048 0 1.838 2.00 1.60
12 45 1.84 0.04 0.015 0.048 0 1.838 2.00 1.60
13 46 1.82 0.02 0.015 0.048 0 1.838 2.00 1.60
14 72 1.84 0.02 0.015 0.048 0 1.838 2.00 1.60
15 10 1.84 0 0.015 0.048 0 1.838 2.00 1.60
16 73 1.82 0.02 0.015 0.048 0 1.838 2.00 1.60
17 63 1.82 0 0.015 0.048 0 1.838 2.00 1.60
18 13 1.84 0.02 0.015 0.048 0 1.838 2.00 1.60
19 43 1.84 0 0.015 0.048 0 1.838 2.00 1.60
20 48 1.84 0 0.015 0.048 0 1.838 2.00 1.60
21 40 1.86 0.02 0.015 0.048 0 1.838 2.00 1.60
22 54 1.82 0.04 0.015 0.048 0 1.838 2.00 1.60
23 69 1.84 0.02 0.015 0.048 0 1.838 2.00 1.60
24 74 1.84 0 0.015 0.048 0 1.838 2.00 1.60

2012 46
Kelompok 16
Peta Kendali MR Diameter As Roda(1)

0.06
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
Gambar 4.11 Peta kendali MR diameter as roda iterasi 1
Peta Kendali X bar Diameter As Roda

2.5
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
Gambar 4.12 Peta kendali ̅ diameter as roda

2012 47
Kelompok 16
b. Output Software
-Software SPSS
Iterasi 0
Gambar 4.13 Output SPSS Peta kendali MR diameter as roda iterasi 0
Iterasi 1
Gambar 4.14 Output SPSS Peta kendali MR diameter as roda iterasi 1

2012 48
Kelompok 16
Gambar 4.15 Output SPSS Peta kendali ̅ diameter as roda
-Minitab
Iterasi 0
Moving range chart of diameter as roda(0)

1
0.12
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
Gambar 4.16 Output Minitab Peta kendali MR diameter as roda iterasi 0

2012 49
Kelompok 16
Iterasi 1
Moving range chart of diameter as roda(1)

0.05
UCL=0.04830
Moving Range 0.04
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
Gambar 4.17 Output Minitab Peta kendali MR diameter as roda iterasi 1
I-MR chart of panjang as roda

2.0 U C L=2.0000
Individual Value
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
Gambar 4.18 Output Minitab Peta kendali ̅ diameter as roda

2012 50
Kelompok 16
3. Panjang Gardan
MR(2) = | Ukuran(2) – ukuran (1) | = | 74.1-74.4 | = 0.3
̅̅̅̅̅ = ∑ = = 0.3316
= D4.̅̅̅̅̅ = (3.267)( 0.3316) = 1.0833

LCL MR = D3 .̅̅̅̅̅ = (0)( 0.3316) = 0
̅= ∑ = = 74.375
̅̅̅̅̅
UCL/LCL ̅ = ̅ = 74.375 ± 3 = 75.257 ; 73.493
-Iterasi 0
Tabel 4.5 Pengolahan data variabel panjang gardan

Raw Ukura LCL UCL x LCL x
No. MR MR bar UCL MR x bar
Material n MR bar bar
1 48 74.4 74.375 75.257 73.493
2 46 74.1 0.3 0.331579 1.083268 0 74.375 75.257 73.493
3 16 74.2 0.1 0.331579 1.083268 0 74.375 75.257 73.493
4 57 74.4 0.2 0.331579 1.083268 0 74.375 75.257 73.493
5 49 74.2 0.2 0.331579 1.083268 0 74.375 75.257 73.493
6 73 74.15 0.05 0.331579 1.083268 0 74.375 75.257 73.493
7 33 74.3 0.15 0.331579 1.083268 0 74.375 75.257 73.493
8 27 74.1 0.2 0.331579 1.083268 0 74.375 75.257 73.493
9 34 74.2 0.1 0.331579 1.083268 0 74.375 75.257 73.493
10 26 74.4 0.2 0.331579 1.083268 0 74.375 75.257 73.493
11 65 74.2 0.2 0.331579 1.083268 0 74.375 75.257 73.493
12 4 76.3 2.1 0.331579 1.083268 0 74.375 75.257 73.493
13 69 74.4 1.9 0.331579 1.083268 0 74.375 75.257 73.493
14 30 74.4 0 0.331579 1.083268 0 74.375 75.257 73.493
15 37 74.4 0 0.331579 1.083268 0 74.375 75.257 73.493
16 62 74.5 0.1 0.331579 1.083268 0 74.375 75.257 73.493
17 55 74.15 0.35 0.331579 1.083268 0 74.375 75.257 73.493
18 22 74.2 0.05 0.331579 1.083268 0 74.375 75.257 73.493
19 45 74.2 0 0.331579 1.083268 0 74.375 75.257 73.493
20 23 74.3 0.1 0.331579 1.083268 0 74.375 75.257 73.493

2012 51
Kelompok 16
Peta Kendali MR Panjang Gardan

2.5
Iterasi 0
MR
2
MR bar
1.5 UCL MR
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
Gambar 4.19 Peta kendali MR panjang gardan iterasi 0
Data yang keluar adalah data ke 12 dan ke 13.
-Iterasi 1
Tabel 4.6 Pengolahan data variabel panjang gardan iterasi 1

Raw
No. Ukuran MR MR bar UCL MR LCL MR x bar UCL x bar LCL x bar
Material
1 48 74.4 74.26667 74.65784 73.87549
2 46 74.1 0.3 0.147059 0.480441 0 74.26667 74.65784 73.87549
3 16 74.2 0.1 0.147059 0.480441 0 74.26667 74.65784 73.87549
4 57 74.4 0.2 0.147059 0.480441 0 74.26667 74.65784 73.87549
5 49 74.2 0.2 0.147059 0.480441 0 74.26667 74.65784 73.87549
6 73 74.15 0.05 0.147059 0.480441 0 74.26667 74.65784 73.87549
7 33 74.3 0.15 0.147059 0.480441 0 74.26667 74.65784 73.87549
8 27 74.1 0.2 0.147059 0.480441 0 74.26667 74.65784 73.87549
9 34 74.2 0.1 0.147059 0.480441 0 74.26667 74.65784 73.87549
10 26 74.4 0.2 0.147059 0.480441 0 74.26667 74.65784 73.87549
11 65 74.2 0.2 0.147059 0.480441 0 74.26667 74.65784 73.87549
14 30 74.4 0.2 0.147059 0.480441 0 74.26667 74.65784 73.87549
15 37 74.4 0 0.147059 0.480441 0 74.26667 74.65784 73.87549
16 62 74.5 0.1 0.147059 0.480441 0 74.26667 74.65784 73.87549
17 55 74.15 0.35 0.147059 0.480441 0 74.26667 74.65784 73.87549
18 22 74.2 0.05 0.147059 0.480441 0 74.26667 74.65784 73.87549

2012 52
Kelompok 16
19 45 74.2 0 0.147059 0.480441 0 74.26667 74.65784 73.87549

20 23 74.3 0.1 0.147059 0.480441 0 74.26667 74.65784 73.87549
Peta Kendali MR Panjang Gardan

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
Gambar 4.20 Peta kendali MR panjang gardan iterasi 1
Peta Kendali X bar Panjang Gardan
75
74.5
Nilai MR
74 x bar
73.5 UCL x bar

LCL x bar
73
Ukuran
72.5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nomor Sampel
Gambar 4.21 Peta kendali ̅ panjang gardan

2012 53
Kelompok 16
b. Ouput Software
-SPSS
Iterasi 0
Gambar 4.22 Output SPSS Peta kendali MR panjang gardan iterasi 0
Iterasi 1
Gambar 4.23 Output SPSS Peta kendali MR panjang gardan iterasi 1

2012 54
Kelompok 16
Gambar 4.24 Output SPSS Peta kendali ̅ panjang gardan
-Minitab
Iterasi 0
Moving Range Chart of C1

1
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
Gambar 4.25 Output Minitab Peta kendali MR panjang gardan iterasi 0

2012 55
Kelompok 16
Iterasi 1
Moving Range Chart of C1

0.5
UCL=0.4805
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
Gambar 4.26 Output Minitab Peta kendali MR panjang gardan iterasi 1
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
Gambar 4.27 Output Minitab Peta kendali ̅ panjang gardan

2012 56
Kelompok 16
4. Diameter Gardan
MR(2) = | Ukuran(2) – ukuran (1) | = | 1.48-1.5 | = 0.02
̅̅̅̅̅= ∑ = = 0.02
= D4.̅̅̅̅̅ = (3.267)( 0.02) = 0.06534

LCL MR = D3 .̅̅̅̅̅ = (0)( 0.02) = 0
̅= ∑ = = 1.485
̅̅̅̅̅
UCL/LCL ̅ = ̅ = 1.485 ± 3 = 1.485 ; 1.485
-Iterasi 0
Tabel 4.7 Pengolahan data variabel diameter gardan

No. Raw Material Ukuran MR MR bar UCL MR LCL MR x bar UCL x bar LCL x bar
1 46 1.5 1.485 1.485 1.485
2 57 1.48 0.02 0.02 0.06534 0 1.485 1.485 1.485
3 48 1.5 0.02 0.02 0.06534 0 1.485 1.485 1.485
4 49 1.46 0.04 0.02 0.06534 0 1.485 1.485 1.485
5 73 1.5 0.04 0.02 0.06534 0 1.485 1.485 1.485
6 16 1.48 0.02 0.02 0.06534 0 1.485 1.485 1.485
7 69 1.46 0.02 0.02 0.06534 0 1.485 1.485 1.485
8 27 1.48 0.02 0.02 0.06534 0 1.485 1.485 1.485
9 26 1.5 0.02 0.02 0.06534 0 1.485 1.485 1.485
10 33 1.48 0.02 0.02 0.06534 0 1.485 1.485 1.485
11 65 1.5 0.02 0.02 0.06534 0 1.485 1.485 1.485
12 4 1.48 0.02 0.02 0.06534 0 1.485 1.485 1.485
13 34 1.46 0.02 0.02 0.06534 0 1.485 1.485 1.485
14 30 1.5 0.04 0.02 0.06534 0 1.485 1.485 1.485
15 55 1.48 0.02 0.02 0.06534 0 1.485 1.485 1.485
16 37 1.48 0 0.02 0.06534 0 1.485 1.485 1.485
17 62 1.48 0 0.02 0.06534 0 1.485 1.485 1.485
18 22 1.5 0.02 0.02 0.06534 0 1.485 1.485 1.485
19 45 1.5 0 0.02 0.06534 0 1.485 1.485 1.485
20 23 1.48 0.02 0.02 0.06534 0 1.485 1.485 1.485

2012 57
Kelompok 16
Peta Kendali MR Diameter Gardan

0.07
0.06
0.05
Nilai MR
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
Gambar 4.28 Peta kendali MR diameter gardan iterasi 0
Peta Kendali X bar Diameter Gardan

1.65
1.6
1.55
1.5
Nilai MR
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
Gambar 4.29 Peta Kendali ̅ diameter gardan iterasi 0

2012 58
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.30 Output SPSS Peta kendali MR diameter gardan iterasi 0
Gambar 4.31 Output SPSS Peta kendali ̅ diameter gardan

2012 59
Kelompok 16
-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
5. Diameter Besi Dinamo

MR(2) = | Ukuran(2) – ukuran (1) | = | 0.2-0.2 | = 0
̅̅̅̅̅= ∑ = =0
= D4.̅̅̅̅̅ = (3.267)( 0) = 0
LCL MR = D3 .̅̅̅̅̅ = (0)( 0) = 0
̅= ∑ = = 0.2
̅̅̅̅̅
UCL/LCL ̅ = ̅ = 0.2 ± 3 = 0.2; 0.2

2012 60
Kelompok 16
-Iterasi 0
Tabel 4.8 Pengolahan data variabel diameter besi dinamo

Raw UCL x L
No. Ukuran MR MR bar UCL MR LCL MR x bar
Material bar
1 19 0.2 0.2 0.2
2 14 0.2 0 0 0 0 0.2 0.2
3 27 0.2 0 0 0 0 0.2 0.2
4 26 0.2 0 0 0 0 0.2 0.2
5 38 0.2 0 0 0 0 0.2 0.2
6 49 0.2 0 0 0 0 0.2 0.2
7 21 0.2 0 0 0 0 0.2 0.2
8 43 0.2 0 0 0 0 0.2 0.2
9 44 0.2 0 0 0 0 0.2 0.2
10 63 0.2 0 0 0 0 0.2 0.2
11 76 0.2 0 0 0 0 0.2 0.2
12 41 0.2 0 0 0 0 0.2 0.2
13 6 0.2 0 0 0 0 0.2 0.2
14 25 0.2 0 0 0 0 0.2 0.2
15 40 0.2 0 0 0 0 0.2 0.2
16 59 0.2 0 0 0 0 0.2 0.2
17 35 0.2 0 0 0 0 0.2 0.2
18 20 0.2 0 0 0 0 0.2 0.2
19 33 0.2 0 0 0 0 0.2 0.2
20 51 0.2 0 0 0 0 0.2 0.2
Peta Kendali MR Diameter Besi

Dinamo
1
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
Gambar 4.33 Peta kendali MR diameter besi dinamo 0

2012 61
Kelompok 16
Peta Kendali Xbar Diameter Besi

Dinamo
2.5
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
Gambar 4.34 Peta Kendali ̅ diameter besi dinamo iterasi 0
b. Output Software
-SPSS
Iterasi 0
Gambar 4.35 Output SPSS Peta kendali MR diameter besi dinamo iterasi 0

2012 62
Kelompok 16
Gambar 4.36 Peta kendali ̅ diameter besi dinamo output SPSS
-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

2012 63
Kelompok 16
1.2.2. Data Atribut (Manual, SPSS, Minitab)

1. Plat Belakang Besar
p-chart
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

2012 64
Kelompok 16
p-chart plat belakang besar iterasi 0

0.25
Probabilitas Nonconformities
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 19 20
Nomor Sampel
Gambar 4.38 Peta kendali p Plat Belakang Besar iterasi 0
 Iterasi 1
Tabel 4.10 Pengolahan data atribut plat belakang besar iterasi 1
No Plat Belakang Besar

N. Of N. Of Squareroot
pi pbar UCL LCL
Inspection Nonconformities ni
1 98 7 0.071429 0.11169 0.031818234 0.207145 0.016235
2 97 8 0.082474 0.11713 0.032650653 0.215079 0.019175
4 87 11 0.126437 0.11713 0.034476099 0.220555 0.013699
5 92 11 0.119565 0.11713 0.033526161 0.217706 0.016549
6 90 12 0.133333 0.11713 0.033896627 0.218817 0.015437
7 102 11 0.107843 0.11713 0.031840337 0.212648 0.021606
8 69 10 0.144928 0.11713 0.038712676 0.233265 0.000989
9 90 11 0.122222 0.11713 0.033896627 0.218817 0.015437
10 87 6 0.068966 0.11713 0.034476099 0.220555 0.013699
11 111 10 0.09009 0.11713 0.03052223 0.208694 0.02556
12 91 9 0.098901 0.11713 0.033709868 0.218257 0.015997
13 96 9 0.09375 0.11713 0.032820268 0.215588 0.018666
14 70 6 0.085714 0.11713 0.038435163 0.232433 0.001822
15 92 9 0.097826 0.11713 0.033526161 0.217706 0.016549
16 79 12 0.151899 0.11713 0.036179636 0.225666 0.008588

2012 65
Kelompok 16
17 102 8 0.078431 0.11713 0.031840337 0.212648 0.021606

18 96 12 0.125 0.11713 0.032820268 0.215588 0.018666
19 87 11 0.126437 0.11713 0.034476099 0.220555 0.013699
20 92 20 0.217391 0.11713 0.033526161 0.217706 0.016549

0.25
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
Gambar 4.39 Peta p-chart plat belakang besar iterasi 1
Iterasi 2
Tabel 4.11 Pengolahan data atribut plat belakang besar iterasi 2
No Plat Belakang Besar

N. Of N. Of
pi pbar UCL LCL
Inspection Nonconformities Squareroot ni
1 98 7 0.071429 0.10575 0.031063392 0.198936 0.012556
2 97 8 0.082474 0.11713 0.032650653 0.215079 0.019175
4 87 11 0.126437 0.11713 0.034476099 0.220555 0.013699
5 92 11 0.119565 0.11713 0.033526161 0.217706 0.016549
6 90 12 0.133333 0.11713 0.033896627 0.218817 0.015437
7 102 11 0.107843 0.11713 0.031840337 0.212648 0.021606
8 69 10 0.144928 0.11713 0.038712676 0.233265 0.000989
9 90 11 0.122222 0.11713 0.033896627 0.218817 0.015437
10 87 6 0.068966 0.11713 0.034476099 0.220555 0.013699
11 111 10 0.09009 0.11713 0.03052223 0.208694 0.02556
12 91 9 0.098901 0.11713 0.033709868 0.218257 0.015997
13 96 9 0.09375 0.11713 0.032820268 0.215588 0.018666
14 70 6 0.085714 0.11713 0.038435163 0.232433 0.001822

2012 66
Kelompok 16
15 92 9 0.097826 0.11713 0.033526161 0.217706 0.016549

16 79 12 0.151899 0.11713 0.036179636 0.225666 0.008588
17 102 8 0.078431 0.11713 0.031840337 0.212648 0.021606
18 96 12 0.125 0.11713 0.032820268 0.215588 0.018666
19 87 11 0.126437 0.11713 0.034476099 0.220555 0.013699

0.25
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
Gambar 4.40 Peta p-chart plat belakang besar iterasi 2

2012 67
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.41 Output SPSS Plat Belakang Besar Iterasi 0
Iterasi 1
Gambar 4.42 Output SPSS Plat Belakang Besar iterasi 1

2012 68
Kelompok 16
Iterasi 2
Gambar 4.43 Output SPSS Plat Belakang Besar 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
Gambar 4.44 Output Minitab Plat Belakang Besar iterasi 0

2012 69
Kelompok 16
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
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
2. Plat Belakang Kecil

p-chart
P1 = = = 0,12766

2012 70
Kelompok 16
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
Plat belakang kecil

No N. Of N. Of pi Pbar UCL LCL
1 94 12 0.12766 0.136187 0.035376386 0.242316 0.030058
2 98 8 0.081633 0.136187 0.034646897 0.240127 0.032246
3 83 23 0.277108 0.136187 0.037647691 0.24913 0.023244
4 92 14 0.152174 0.136187 0.035758844 0.243463 0.02891
5 89 9 0.101124 0.136187 0.036356526 0.245256 0.027117
6 78 10 0.128205 0.136187 0.038835606 0.252694 0.01968
7 100 11 0.11 0.136187 0.034298678 0.239083 0.033291
8 94 8 0.085106 0.136187 0.035376386 0.242316 0.030058
9 85 21 0.247059 0.136187 0.03720214 0.247793 0.02458
10 99 9 0.090909 0.136187 0.034471469 0.239601 0.032772
11 106 11 0.103774 0.136187 0.033313821 0.236128 0.036245
12 76 24 0.315789 0.136187 0.039343282 0.254217 0.018157
13 86 9 0.104651 0.136187 0.036985216 0.247142 0.025231
14 78 9 0.115385 0.136187 0.038835606 0.252694 0.01968
15 87 8 0.091954 0.136187 0.036772043 0.246503 0.025871
16 103 20 0.194175 0.136187 0.033795492 0.237573 0.0348
17 80 10 0.125 0.136187 0.038347088 0.251228 0.021146
18 84 8 0.095238 0.136187 0.037422926 0.248456 0.023918
19 90 11 0.122222 0.136187 0.036153981 0.244649 0.027725
20 97 10 0.103093 0.136187 0.034825032 0.240662 0.031712

2012 71
Kelompok 16
p-chart plat belakang kecil iterasi 0

0.35
0.3
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
Gambar 4.47 Peta kendali p Plat Belakang Kecil Iterasi 0
Data yang keluar adalah data ke 3 dan 12.
- Iterasi 1
Plat belakang kecil

No N. Of N. Of pi Pbar UCL LCL
1 94 12 0.12766 0.120732 0.033605275 0.221548 0.019916
2 98 8 0.081633 0.120732 0.032912308 0.219469 0.021995
4 92 14 0.152174 0.120732 0.033968586 0.222637 0.018826
5 89 9 0.101124 0.120732 0.034536345 0.224341 0.017123
6 78 10 0.128205 0.120732 0.03689131 0.231406 0.010058
7 100 11 0.11 0.120732 0.032581523 0.218476 0.022987
8 94 8 0.085106 0.120732 0.033605275 0.221548 0.019916
9 85 21 0.247059 0.120732 0.035339623 0.226751 0.014713
10 99 9 0.090909 0.120732 0.032745662 0.218969 0.022495
11 106 11 0.103774 0.120732 0.031645972 0.21567 0.025794
13 86 9 0.104651 0.120732 0.035133559 0.226132 0.015331
14 78 9 0.115385 0.120732 0.03689131 0.231406 0.010058
15 87 8 0.091954 0.120732 0.034931059 0.225525 0.015939
16 103 20 0.194175 0.120732 0.032103528 0.217042 0.024421
17 80 10 0.125 0.120732 0.03642725 0.230013 0.01145

2012 72
Kelompok 16
18 84 8 0.095238 0.120732 0.035549356 0.22738 0.014084

19 90 11 0.122222 0.120732 0.03434394 0.223764 0.0177
20 97 10 0.103093 0.120732 0.033081524 0.219976 0.021487

0.3
0.25
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
Data yang keluar adalah data ke 9
-Iterasi 2
Plat belakang kecil

No N. Of N. Of Pi Pbar UCL LCL
1 94 12 0.12766 0.113826 0.032757966 0.2121 0.015552
2 98 8 0.081633 0.113826 0.032082471 0.210074 0.017579
4 92 14 0.152174 0.113826 0.033112116 0.213163 0.01449
5 89 9 0.101124 0.113826 0.03366556 0.214823 0.01283
6 78 10 0.128205 0.113826 0.035961148 0.22171 0.005943
7 100 11 0.11 0.113826 0.031760026 0.209106 0.018546
8 94 8 0.085106 0.113826 0.032757966 0.2121 0.015552
10 99 9 0.090909 0.113826 0.031920027 0.209586 0.018066
11 106 11 0.103774 0.113826 0.030848064 0.206371 0.021282
13 86 9 0.104651 0.113826 0.034247717 0.21657 0.011083

2012 73
Kelompok 16
14 78 9 0.115385 0.113826 0.035961148 0.22171 0.005943

15 87 8 0.091954 0.113826 0.034050322 0.215977 0.011675
16 103 20 0.194175 0.113826 0.031294083 0.207709 0.019944
17 80 10 0.125 0.113826 0.035508788 0.220353 0.0073
18 84 8 0.095238 0.113826 0.034653029 0.217785 0.009867
19 90 11 0.122222 0.113826 0.033478007 0.21426 0.013392
20 97 10 0.103093 0.113826 0.032247421 0.210569 0.017084

0.25
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

2012 74
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.50 Output SPSS Plat Belakang Kecil Iterasi 0
Iterasi 1

2012 75
Kelompok 16
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
Gambar 4.53 Output Minitab Plat Belakang Kecil Iterasi 0

2012 76
Kelompok 16
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
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

2012 77
Kelompok 16
3. Plat Depan
-p-chart
P1 = = = 0,114583
P rata-rata standar = 0,1
UCL = √ = √
= 0,191856
LCL = √ = √
= 0,008144
Iterasi 0
Tabel 4.15 Pengolahan Data Raw Material Plat Depan 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

2012 78
Kelompok 16
p-chart plat depan iterasi 0

0.35
0.3
0.25
Nonconformities
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
Gambar 4.56 Peta Kendali p Plat Depan Iterasi 0
-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

2012 79
Kelompok 16
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
p-chart plat depan iterasi 1

0.25
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
Gambar 4.57 Peta Kendali p Plat Depan Iterasi 1
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
Gambar 4.58 Output Minitab Plat Depan Iterasi 0

2012 80
Kelompok 16
Iterasi 1
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
Gambar 4.59 Output Minitab Plat Depan Iterasi 1
4. Penutup Plat Depan

p-chart
P1 = = = 0,134146
P rata-rata = = 0,1
UCL = √ = √
= 0,191856
LCL = √ = √
= 0,008144

2012 81
Kelompok 16
-Iterasi 0
Tabel 4.17 Pengolahan Data Raw Material Penutup Plat Depan Iterasi 0
Penutup Plat Depan

No Pi UCL LCL
N. of Inspection N . of Nonconformities
1 82 11 0,134146 0,154344 0,274034 0,034655
2 94 12 0,12766 0,154344 0,266133 0,042555
3 90 11 0,122222 0,154344 0,268591 0,040098
4 84 11 0,130952 0,154344 0,2726 0,036088
5 73 23 0,315068 0,154344 0,281198 0,027491
6 84 13 0,154762 0,154344 0,2726 0,036088
7 101 16 0,158416 0,154344 0,26219 0,046499
8 92 11 0,119565 0,154344 0,267342 0,041347
9 112 17 0,151786 0,154344 0,256757 0,051931
10 90 11 0,122222 0,154344 0,268591 0,040098
11 89 12 0,134831 0,154344 0,269231 0,039458
12 101 10 0,09901 0,154344 0,26219 0,046499
13 108 11 0,101852 0,154344 0,258636 0,050052
14 82 10 0,121951 0,154344 0,274034 0,034655
15 96 14 0,145833 0,154344 0,264963 0,043726
16 91 13 0,142857 0,154344 0,267961 0,040727
17 92 26 0,282609 0,154344 0,267342 0,041347
18 90 10 0,111111 0,154344 0,268591 0,040098
19 111 30 0,27027 0,154344 0,257217 0,051471
20 91 14 0,153846 0,154344 0,267961 0,040727

2012 82
Kelompok 16
p-chart penutup plat depan iterasi 0

0.35
0.3
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 19 20 21
Nomor Sampel
Gambar 4.60 Peta Kendali p Penutup Plat Depan Iterasi 0
Data yang keluar yaitu data ke-5, 17, dan 19.
-Iterasi 1
Penutup Plat Depan

pi CL UCL LCL
no N. of Inspection N . of Nonconformities
1 82 11 0,134146 0.13126 0,243136 0,019388
2 94 12 0,12766 0.13126 0,235751 0,026773
3 90 11 0,122222 0.13126 0,238048 0,024476
4 84 11 0,130952 0.13126 0,241796 0,020728
5 84 13 0,154762 0.13126 0,241796 0,020728
6 101 16 0,158416 0.13126 0,232065 0,030459
7 92 11 0,119565 0.13126 0,236881 0,025643
8 112 17 0,151786 0.13126 0,226987 0,035537
9 90 11 0,122222 0.13126 0,238048 0,024476
10 89 12 0,134831 0.13126 0,238646 0,023878
11 101 10 0,09901 0.13126 0,232065 0,030459
12 108 11 0,101852 0.13126 0,228744 0,03378
13 82 10 0,121951 0.13126 0,243136 0,019388
14 96 14 0,145833 0.13126 0,234657 0,027867
15 91 13 0,142857 0.13126 0,237459 0,025064

2012 83
Kelompok 16
16 90 10 0,111111 0.13126 0,238048 0,024476

17 91 14 0,153846 0.13126 0,237459 0,025064
p-chart penutup plat depan iterasi 1

0.3
probabilitas nonconformities
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
Gambar 4.61 Peta Kendali p Penutup Plat Depan Iterasi 1
b. Output Software
-SPSS
Iterasi 0
Gambar 4.62 Output SPSS Penutup Plat Depan Iterasi 0

2012 84
Kelompok 16
Iterasi 1
Gambar 4.63 Output SPSS Penutup Plat Depan Iterasi 1
-Minitab
Iterasi 0
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
Gambar 4.64 Output Minitab Penutup Plat Depan Iterasi 0

2012 85
Kelompok 16
Iterasi 1
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
Gambar 4.65 Output Minitab Penutup Plat Depan Iterasi 1
5. Pengunci Baterai
np-chart
p= = = 0,11833
np = == = 10,65
UCL = n √ = 10,65 √ = 19,84281
LCL = n √ = 10,65 √ = 1,4571903
-Iterasi 0
Tabel 4.19 Pengolahan Data Raw Material Pengunci Baterai 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

2012 86
Kelompok 16
3 90 7 10,65 19,84281 1,4571903

4 90 12 10,65 19,84281 1,4571903
5 90 9 10,65 19,84281 1,4571903
6 90 10 10,65 19,84281 1,4571903
7 90 7 10,65 19,84281 1,4571903
8 90 8 10,65 19,84281 1,4571903
9 90 21 10,65 19,84281 1,4571903
10 90 8 10,65 19,84281 1,4571903
11 90 10 10,65 19,84281 1,4571903
12 90 6 10,65 19,84281 1,4571903
13 90 10 10,65 19,84281 1,4571903
14 90 12 10,65 19,84281 1,4571903
15 90 11 10,65 19,84281 1,4571903
16 90 10 10,65 19,84281 1,4571903
17 90 8 10,65 19,84281 1,4571903
18 90 11 10,65 19,84281 1,4571903
19 90 10 10,65 19,84281 1,4571903
20 90 10 10,65 19,84281 1,4571903
np- chart pengunci baterai iterasi 0

25
jumlah nonconformities
20
15 N. of Nonconformities
10 CL
UCL
5
LCL
0
1 3 5 7 9 11 13 15 17 19
nomor sampel
Gambar 4.66 Peta Kendali np Pengunci Baterai Iterasi 0
Data yang keluar yaitu data ke-2 dan ke-9.

2012 87
Kelompok 16
-Iterasi 1
Tabel 4.20 Pengolahan Data Raw Material Pengunci Baterai 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
np-chart pengunci baterai iterasi 1

20
probabilitas nonconformities
15
N. of Nonconformities
10
pi
5 UCL
0 LCL
1 3 5 7 9 11 13 15 17
nomor sampel
Gambar 4.67 Peta Kendali np Pengunci Baterai Iterasi

2012 88
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.68 Output SPSS Pengunci Baterai Iterasi 0
Iterasi 1
Gambar 4.69 Output SPSS Pengunci Baterai Iterasi 1

2012 89
Kelompok 16
-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
Gambar 4.70 Output Minitab Pengunci Baterai Iterasi 0
Iterasi 1
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
Gambar 4.71 Output Minitab Pengunci Baterai Iterasi 1

2012 90
Kelompok 16
6. Dinamo
np-chart
p= = = 0,11222
np = == = 10,1
UCL = n √ = 10,1 √ = 19,08326
LCL = n √ = 10,1 √ = 1,116738
-Iterasi 0
Tabel 4.21 Pengolahan Data Raw Material Dinamo Iterasi 0

Dinamo
N. of N. of
No Inspection Nonconformities NP UCL LCL
1 90 10 10,1 19,08326 1,116738
2 90 8 10,1 19,08326 1,116738
3 90 10 10,1 19,08326 1,116738
4 90 8 10,1 19,08326 1,116738
5 90 3 10,1 19,08326 1,116738
6 90 11 10,1 19,08326 1,116738
7 90 6 10,1 19,08326 1,116738
8 90 8 10,1 19,08326 1,116738
9 90 22 10,1 19,08326 1,116738
10 90 10 10,1 19,08326 1,116738
11 90 10 10,1 19,08326 1,116738
12 90 9 10,1 19,08326 1,116738
13 90 10 10,1 19,08326 1,116738
14 90 9 10,1 19,08326 1,116738
15 90 8 10,1 19,08326 1,116738
16 90 12 10,1 19,08326 1,116738
17 90 10 10,1 19,08326 1,116738
18 90 8 10,1 19,08326 1,116738
19 90 19 10,1 19,08326 1,116738
20 90 11 10,1 19,08326 1,116738

2012 91
Kelompok 16
Peta Kendali np Dinamo Iterasi 0

25
20
N.of conformities
10 NP
UCL
5
LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
Gambar 4.72 Grafik Peta Kendali np Dinamo Iterasi 0
Data yang keluar adalah data ke 8 dan data ke 9
-Iterasi 1

Dinamo
N. of N. of
1 90 10 9.473684 18.20799 0.739379
2 90 8 9.473684 18.20799 0.739379
3 90 10 9.473684 18.20799 0.739379
4 90 8 9.473684 18.20799 0.739379
5 90 3 9.473684 18.20799 0.739379
6 90 11 9.473684 18.20799 0.739379
7 90 6 9.473684 18.20799 0.739379
8 90 8 9.473684 18.20799 0.739379
10 90 10 9.473684 18.20799 0.739379
11 90 10 9.473684 18.20799 0.739379
12 90 9 9.473684 18.20799 0.739379
13 90 10 9.473684 18.20799 0.739379
14 90 9 9.473684 18.20799 0.739379
15 90 8 9.473684 18.20799 0.739379

2012 92
Kelompok 16
16 90 12 9.473684 18.20799 0.739379

17 90 10 9.473684 18.20799 0.739379
18 90 8 9.473684 18.20799 0.739379
19 90 19 9.473684 18.20799 0.739379
20 90 11 9.473684 18.20799 0.739379

Gambar 4. Grafik Peta Kendali np Dinamo Iterasi 2
20
18
16
N.of conformities
14
10
8 NP
6 UCL
4
LCL
2
0
1 3 5 7 9 11 13 15 17 19
Sample number
-Iterasi 2

Dinamo
N. of N. of
1 90 10 8.944444 17.45912 0.429769
2 90 8 8.944444 17.45912 0.429769
3 90 10 8.944444 17.45912 0.429769
4 90 8 8.944444 17.45912 0.429769
5 90 3 8.944444 17.45912 0.429769
6 90 11 8.944444 17.45912 0.429769

2012 93
Kelompok 16
7 90 6 8.944444 17.45912 0.429769

8 90 8 8.944444 17.45912 0.429769
10 90 10 8.944444 17.45912 0.429769
11 90 10 8.944444 17.45912 0.429769
12 90 9 8.944444 17.45912 0.4297]69
13 90 10 8.944444 17.45912 0.429769
14 90 9 8.944444 17.45912 0.429769
15 90 8 8.944444 17.45912 0.429769
16 90 12 8.944444 17.45912 0.429769
17 90 10 8.944444 17.45912 0.429769
18 90 8 8.944444 17.45912 0.429769
20 90 11 8.944444 17.45912 0.429769

20
18
16
N.of conformities
14
10
8 NP
6 UCL
4
LCL
2
0
1 2 3 4 5 6 7 8 9 101112131415161718
Sample number

2012 94
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.75 Output SPSS Peta Kendali np Dinamo Iterasi 0
Iterasi 1

2012 95
Kelompok 16
Iterasi 2
-Minitab
Iterasi 0
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
Gambar 4.78 Output Minitab Peta Kendali np Dinamo Iterasi 0

2012 96
Kelompok 16
Iterasi 1
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
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

2012 97
Kelompok 16
7. Gear Besar
c-chart
c=
UCL = c + √ = 110 + 3 √ = 141.4643
LCL = c - √ = 110 - 3 √ = 78.5357
-Iterasi 0
Tabel 4.24 Pengolahan Data Raw Material Gear Besar Iterasi 0

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
15 90 120 110 141.4643 78.5357
16 90 90 110 141.4643 78.5357
17 90 119 110 141.4643 78.5357
18 90 146 110 141.4643 78.5357
19 90 120 110 141.4643 78.5357
20 90 148 110 141.4643 78.5357

2012 98
Kelompok 16
Peta Kendali c Gear Besar Iterasi 0

160
N.of conformities 140
120
100
80
CL
60
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
Gambar 4.81 Grafik Peta Kendali c Gear Besar Iterasi 0
Data yang keluar adalah data ke 18 dan ke 20
-Iterasi 2
Tabel 4.25 Pengolahan Data Raw Material Gear Besar Iterasi 1
Gear Besar
N. of N. of
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

2012 99
Kelompok 16
15 90 120 110 141.4643 78.5357

16 90 90 110 141.4643 78.5357
17 90 119 110 141.4643 78.5357
19 90 120 110 141.4643 78.5357
Peta Kontrol Atribut c Gear Besar

Iterasi 1
160
140
N.of conformities
120
80
60 CL
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17
Sample number
Gambar 4.82 Grafik Peta Kendali c Gear Besar Iterasi 1

2012 100
Kelompok 16
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
Gambar 4.83 Output Minitab Gear Besar Iterasi 0
Iterasi 1
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
Gambar 4.84 Output Minitab Gear Besar Iterasi 1

2012 101
Kelompok 16
8. Gear Kecil
c-chart
c=
UCL = c + √ = 110 + 3 √ = 141.4643
LCL = c - √ = 110 - 3 √ = 78.5357
-Iterasi 0
Tabel 4.26 Pengolahan Data Raw Material Gear Kecil Iterasi 0
Gear Kecil
N. of N. of
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

2012 102
Kelompok 16
Peta Kendali c Gear Kecil Iterasi 0

160
140
120
N.of conformities
100
80
CL
60
UCL
40
20 LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
Gambar 4.85 Grafik Peta kendali c Gear Kecil Iterasi 0
Data yang keluar adalah data ke 8 dan data ke 11.
-Iterasi 1
Tabel 4.27 Pengolahan Data Raw Material Gear Kecil Iterasi 1

Gear Kecil
N. of N. of
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
9 90 107 110 141.4643 78.5357
10 90 108 110 141.4643 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

2012 103
Kelompok 16
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
Peta Kendali c Gear Kecil Iterasi 1

160
140
N.of conformities
120
100
80
CL
60
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17
Sample number
Gambar 4.86 Grafik Peta kendali c Gear Kecil Iterasi 1

2012 104
Kelompok 16
b. Output Software
-Minitab
Iterasi 0
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
Gambar 4.87 Output Minitab Gear Kecil Iterasi 0
Iterasi 1
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
Gambar 4.88 Output Minitab Gear Kecil Iterasi 1

2012 105
Kelompok 16
9. Roller Besar
c-chart
c= = = 100,05
UCL = c + √ = 100,05 + 3 √ = 130,0575
LCL = c - √ = 100,05 - 3 √ = 70,0425
-Iterasi 0
Tabel 4.28 Pengolahan Data Raw Material Roller Besar 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

2012 106
Kelompok 16
c-chart roller besar Iterasi 0

140
120
N.of conformities
100
60 CL
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
Gambar 4.89 Peta Kendali c Roller Besar Iterasi 0
Sampel yang keluar yaitu sampel ke-13 dan 15.
-Iterasi 1
Tabel 4.29 Pengolahan Data Raw Material Roller Besar Iterasi 1
Roller Besar
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

2012 107
Kelompok 16
15 90 82 96,66667 126,1624 67,1709

16 90 111 96,66667 126,1624 67,1709
17 90 92 96,66667 126,1624 67,1709
18 90 93 96,66667 126,1624 67,1709
c-chart roller besar Iterasi 1

140
120
N.of conformities
100
60 CL
40 UCL
20
LCL
0
1 3 5 7 9 11 13 15 17
Sample number
Gambar 4.90 Peta Kendali c Roller Besar Iterasi 1

2012 108
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.91 Output SPSS Roller Besar Iterasi 0
Iterasi 1
Gambar 4.92 Output SPSS Roller Besar Iterasi 1

2012 109
Kelompok 16
-Minitab
Iterasi 0
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
Gambar 4.93 Output Minitab Roller Besar Iterasi 0
Iterasi 1
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
Gambar 4.94 Output Minitab Roller Besar Iterasi 1

2012 110
Kelompok 16
10. Rumah Dinamo

c-chart
c= = = 103,9
UCL = c + √ = 103,9+ 3 √ = 134,4794

LCL = c - √ = 103,9 - 3 √ = 73,3206
-Iterasi 0
Tabel 4.30 Pengolahan Data Raw Material Rumah Dinamo Iterasi 0
Rumah Dinamo
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

2012 111
Kelompok 16
c-chart rumah dinamo Iterasi 0

160
N. of nonconformities 140
120
100
80
CL
60
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17 19
sample number
Gambar 4.95 Peta Kendali c Rumah Dinamo Iterasi 0
Sampel yang keluar yaitu sampel ke-15.
-Iterasi 1
rumah dynamo
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

2012 112
Kelompok 16
17 90 133 102,2105 132,5403 71,88076

18 90 97 102,2105 132,5403 71,88076
19 90 106 102,2105 132,5403 71,88076

140
120
N. of nonconformities
100
60 CL
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
Sampel yang keluar yaitu sampel ke-17.
-Iterasi 2
rumah dynamo
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

2012 113
Kelompok 16
12 90 91 100,5 130,5749 70,42509

13 90 98 100,5 130,5749 70,42509
14 90 112 100,5 130,5749 70,42509
15 90 112 100,5 130,5749 70,42509
16 90 106 100,5 130,5749 70,42509
17 90 97 100,5 130,5749 70,42509
18 90 106 100,5 130,5749 70,42509

140
120
100
60 CL
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17
sample number

2012 114
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.98 Output SPSS Rumah Dinamo Iterasi 0
Iterasi 1

2012 115
Kelompok 16
Iterasi 2
-Minitab
Iterasi 0
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
Gambar 4.101 Output Minitab Rumah Dinamo Iterasi 0

2012 116
Kelompok 16
Iterasi 1
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
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

2012 117
Kelompok 16
11. Roda Assy

c-chart
c= = = 104,25
UCL = c + √ = 104,25+ 3 √ = 134,8809
LCL = c - √ = 104,25- 3 √ = 73,61913
-Iterasi 0
Tabel 4.33 Pengolahan Data Raw Material Roda Assy Iterasi 0
Roda Assy
N. of N. of
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

2012 118
Kelompok 16
Peta Kendali c Roda Assy Iterasi 0

160
140
N.of conformities 120
100
80
CL
60
UCL
40
20 LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
Gambar 4.104 Grafik Peta Kendali c Roda Assy Iterasi 0
-Iterasi 1

Roda Assy
N. of N. of
1 90 89 102.6316 133.0238 72.23941
2 90 109 102.6316 133.0238 72.23941
3 90 93 102.6316 133.0238 72.23941
4 90 91 102.6316 133.0238 72.23941
5 90 110 102.6316 133.0238 72.23941
6 90 96 102.6316 133.0238 72.23941
7 90 104 102.6316 133.0238 72.23941
8 90 99 102.6316 133.0238 72.23941
9 90 100 102.6316 133.0238 72.23941
10 90 101 102.6316 133.0238 72.23941
11 90 112 102.6316 133.0238 72.23941
12 90 134 102.6316 133.0238 72.23941
14 90 105 102.6316 133.0238 72.23941

2012 119
Kelompok 16
15 90 108 102.6316 133.0238 72.23941

16 90 93 102.6316 133.0238 72.23941
17 90 111 102.6316 133.0238 72.23941
18 90 100 102.6316 133.0238 72.23941
19 90 100 102.6316 133.0238 72.23941
20 90 95 102.6316 133.0238 72.23941

160
140
N.of conformities
120
100
80
CL
60
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17 19
Sample number
Data yang keluar adalah adalah data ke 12.
-Iterasi 2

Roda Assy
N. of N. of
1 90 89 100,8889 131,0219 70,75585
2 90 109 100,8889 131,0219 70,75585
3 90 93 100,8889 131,0219 70,75585
4 90 91 100,8889 131,0219 70,75585
5 90 110 100,8889 131,0219 70,75585
6 90 96 100,8889 131,0219 70,75585

2012 120
Kelompok 16
7 90 104 100,8889 131,0219 70,75585

8 90 99 100,8889 131,0219 70,75585
9 90 100 100,8889 131,0219 70,75585
10 90 101 100,8889 131,0219 70,75585
11 90 112 100,8889 131,0219 70,75585
14 90 105 100,8889 131,0219 70,75585
15 90 108 100,8889 131,0219 70,75585
16 90 93 100,8889 131,0219 70,75585
17 90 111 100,8889 131,0219 70,75585
18 90 100 100,8889 131,0219 70,75585
19 90 100 100,8889 131,0219 70,75585
20 90 95 100,8889 131,0219 70,75585

140
120
N.of conformities
100
60 CL
40 UCL
20 LCL
0
1 3 5 7 9 11 13 15 17
Sample number

2012 121
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.107 Output SPSS Roda Assy Iterasi 0
Iterasi 2

2012 122
Kelompok 16
Iterasi 2
-Minitab
Iterasi 0
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
Gambar 4.110 Output Minitab Roda Assy Iterasi 0

2012 123
Kelompok 16
Iterasi 1
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
Gambar 4. 111 Output Minitab Roda Assy Iterasi 1
Iterasi 2
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
Gambar 4.112 Output Minitab Roda Assy Iterasi 2

2012 124
Kelompok 16
12. Bumper Belakang

u-chart

u
 N _ of _ Nonconformities
n
 3268
u  1,80154
1814
N _ of _ Nonconformities
ui 
n
170
ui   1,868132
91

CL  u  1,80154

u 
UCL  u  3
n
1,80154
UCL  1,80154  3  2,223651
91

u 
LCL  u  3
n
1,80154
LCL  1,80154  3  1,868132
91
-Iterasi 0
Tabel 4.36 Pengolahan Data Raw Material Bumper Belakang 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

2012 125
Kelompok 16
6 87 153 1.801544 2.233246 1.369842 1.758621

9 85 154 1.801544 2.238295 1.364792 1.811765
8 108 160 1.801544 2.189008 1.414079 1.481481
9 83 162 1.801544 2.243526 1.359562 1.951807
10 80 182 1.801544 2.251736 1.351351 2.275
11 102 186 1.801544 2.200241 1.402846 1.823529
12 92 159 1.801544 2.221351 1.381737 1.728261
13 100 177 1.801544 2.204208 1.398879 1.77
14 109 163 1.801544 2.187226 1.415861 1.495413
15 90 172 1.801544 2.225989 1.377098 1.911111
16 93 167 1.801544 2.219087 1.384 1.795699
17 79 152 1.801544 2.254577 1.34851 1.924051
18 94 151 1.801544 2.216861 1.386227 1.606383
19 80 156 1.801544 2.251736 1.351351 1.95
20 92 172 1.801544 2.221351 1.381737 1.869565
Peta Kendali u Bumper Belakang

Iterasi 0
2.5
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
Gambar 4.113 Grafik Peta Kendali u Bumper Belakang Iterasi 0

2012 126
Kelompok 16
-Iterasi 1
Tabel 4.37 Pengolahan Data Raw Material Bumper Belakang Iterasi 1

Bumper Belakang
N. of N. of
1 91 170 1.7797 2.199241 1.36016 1.868132
2 78 153 1.7797 2.232856 1.326544 1.961538
3 103 174 1.7797 2.174045 1.385355 1.68932
4 96 165 1.7797 2.188169 1.371231 1.71875
5 72 140 1.7797 2.251359 1.308041 1.944444
6 87 153 1.7797 2.208777 1.350623 1.758621
7 85 154 1.7797 2.213796 1.345605 1.811765
8 108 160 1.7797 2.164808 1.394592 1.481481
9 83 162 1.7797 2.218994 1.340406 1.951807
11 102 186 1.7797 2.175973 1.383427 1.823529
12 92 159 1.7797 2.196954 1.362446 1.728261
13 100 177 1.7797 2.179916 1.379484 1.77
14 109 163 1.7797 2.163038 1.396363 1.495413
15 90 172 1.7797 2.201565 1.357835 1.911111
16 93 167 1.7797 2.194705 1.364695 1.795699
17 79 152 1.7797 2.229979 1.329422 1.924051
18 94 151 1.7797 2.192492 1.366909 1.606383
19 80 156 1.7797 2.227155 1.332245 1.95
20 92 172 1.7797 2.196954 1.362446 1.869565

2012 127
Kelompok 16
Peta Kontrol Atribut u Bumper

Belakang Iterasi 1
2.5
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
Gambar 4.114 Grafik Peta Kendali u Bumper Belakang Iterasi 1
b. Output Software
-SPSS
Iterasi 0
Gambar 4.115 Output SPSS Bumper Belakang Iterasi 0

2012 128
Kelompok 16
Iterasi 1
Gambar 4.116 Output SPSS Bumper Belakang 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
Gambar 4.117 Output Minitab Bumper Belakang Iterasi 0

2012 129
Kelompok 16
Iterasi 1
2.2 UCL=2.197

2.0
_
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
Gambar 4.118 Output Minitab Bumper Belakang Iterasi 1
13. Pengunci Body

u-chart
  N _ of _ Nonconformities
u
n
 1867
u   1,048287
1781
ui 
n
83
ui   1,05063
79

CL  u  1,048287

 u
UCL  u  3
n
1,048287
UCL  1,048287  3  1,39387
79

2012 130
Kelompok 16

 u
LCL  u  3
n
1,048287
LCL  1,048287  3  0,70271
79
-Iterasi 0
Tabel 4.38 Pengolahan Data Raw Material Pengunci Body Iterasi 0
Pengunci Body
N. of N. of
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

2012 131
Kelompok 16
Peta Kendali u Pengunci Body Iterasi 0

1.8
1.6
1.4
N.of conformities
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
Gambar 4.119 Grafik Peta Kendali u Pengunci Body Iterasi 0
Data yang keluar adalah data ke 8 dan data ke 9
-Iterasi 1
Tabel 4.39 Pengolahan Data Raw Material Pengunci Body Iterasi 1
Pengunci Body
N. of N. of
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

2012 132
Kelompok 16
14 94 88 1.008584 1.319335 0.697832 0.93617

15 82 104 1.008584 1.341297 0.67587 1.268293
16 85 93 1.008584 1.335373 0.681794 1.094118
17 106 86 1.008584 1.301217 0.71595 0.811321
18 93 99 1.008584 1.321001 0.696166 1.064516
20 90 90 1.008584 1.326166 0.691002 1
Peta Kendali u Pengunci Body Iterasi

1
1.6
1.4
N.of conformities
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
Gambar 4.120 Grafik Peta Kendali u Pengunci Body Iterasi 1

2012 133
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.121 Output SPSS Peta Kendali u Pengunci Body Iterasi 0
Iterasi 1
Gambar 4.122 Output SPSS Peta Kendali u Pengunci Body Iterasi 1

2012 134
Kelompok 16
-Minitab
Iterasi 0
1.6
1
1.5
1
1.4
UCL=1.3721
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
Gambar 4.123 Output Minitab Peta Kendali u Pengunci Body Iterasi 0
Iterasi 1
1.4
UCL=1.3262
1.3
1.2
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
Gambar 4.124 Output Minitab Peta Kendali u Pengunci Body Iterasi 1

2012 135
Kelompok 16
14. Tuas On-Off

u
n
 1871
u   1,02577
1824
ui 
n
78
ui   0,75728
103

CL  u  1,02577

 u
UCL  u  3
n
1,02577
UCL  1,02577  3  1,32515
103

 u
LCL  u  3
n
1,02577
LCL  1,02577  3  0,72639
103
-Iterasi 0
Tabel 4.40 Pengolahan data atribut tuas on-off
Tuas On-Off
N. of N. of
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

2012 136
Kelompok 16
9 87 103 1.025768 1.351519 0.700016 1.183908

10 92 97 1.025768 1.342543 0.708992 1.054348
11 104 83 1.025768 1.323708 0.727827 0.798077
12 85 112 1.025768 1.355329 0.696206 1.317647
13 93 90 1.025768 1.340836 0.7107 0.967742
14 86 99 1.025768 1.353407 0.698128 1.151163
15 109 80 1.025768 1.316794 0.734741 0.733945
16 106 93 1.025768 1.320884 0.730652 0.877358
17 89 105 1.025768 1.347838 0.703697 1.179775
18 91 90 1.025768 1.344279 0.707256 0.989011
19 84 87 1.025768 1.357285 0.69425 1.035714
20 78 88 1.025768 1.369799 0.681736 1.128205
Peta Kontrol Atribut u Tuas On-Off

Iterasi 0
1.6
1.4
N.of conformities
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
Gambar 4.125 Peta control atribut u tuas on-off iterasi 0
Sesuai dengan grafik di atas dapat kita lihat bahwa sampel yang dibuang yaitu
sampel nomor 6.
-Iterasi 1
Tabel 4.41 Pengolahan data atribut tuas on-off 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

2012 137
Kelompok 16
3 79 99 0.997148 1.334192 0.660103 1.253165

4 78 87 0.997148 1.336346 0.657949 1.115385
5 102 85 0.997148 1.293768 0.700527 0.833333
7 107 83 0.997148 1.286755 0.707541 0.775701
8 82 107 0.997148 1.32797 0.666326 1.304878
9 87 103 0.997148 1.318322 0.675973 1.183908
10 92 97 0.997148 1.309473 0.684822 1.054348
11 104 83 0.997148 1.290902 0.703393 0.798077
12 85 112 0.997148 1.322079 0.672216 1.317647
13 93 90 0.997148 1.307789 0.686506 0.967742
14 86 99 0.997148 1.320184 0.674111 1.151163
15 109 80 0.997148 1.284086 0.71021 0.733945
16 106 93 0.997148 1.288118 0.706178 0.877358
17 89 105 0.997148 1.314693 0.679602 1.179775
18 91 90 0.997148 1.311184 0.683111 0.989011
19 84 87 0.997148 1.324007 0.670288 1.035714
20 78 88 0.997148 1.336346 0.657949 1.128205
Peta Kontrol Atribut u Tuas On-Off

Iterasi 1
1.6
1.4
N.of conformities
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
Gambar 4.126 Peta control atribut u tuas on-off iterasi 1

2012 138
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.127 Output SPSS Peta Kendali u Tuas On-Off Iterasi 0
Iterasi 1
Gambar 4.128 Output SPSS Peta Kendali u Tuas On-Off Iterasi 1

2012 139
Kelompok 16
-Minitab
Iterasi 0
U Chart of Nonconformities
1.8 1
Sample Count Per Unit 1.6
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
Gambar 4.129 Output Minitab Peta Kendali u Tuas On-Off Iterasi 0
Iterasi 1
1.4
UCL=1.3363
1.3
1.2
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
Gambar 4. 130 Output Minitab Peta Kendali u Tuas On-Off Iterasi 1

2012 140
Kelompok 16
15. Gear Dinamo

u
n
 2125
u   1,15239
1844
ui 
n
120
ui   1,54762
84

CL  u  1,15239

 u
UCL  u  3
n
1,15239
UCL  1,15239  3  1,50377
84

 u
LCL  u  3
n
1,15239
LCL  1,15239  3  0,801
84
-Iterasi 0
Tabel 4.42 Pengolahan data atribut gear dinamo
Gear Dinamo
N. of N. of
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

2012 141
Kelompok 16
11 104 130 1.152386 1.46818 0.836592 1.25

12 93 91 1.152386 1.486334 0.818438 0.978495
13 84 95 1.152386 1.503769 0.801003 1.130952
14 88 109 1.152386 1.49569 0.809082 1.238636
15 109 98 1.152386 1.460852 0.84392 0.899083
16 98 92 1.152386 1.477703 0.827069 0.938776
17 99 130 1.152386 1.476056 0.828716 1.313131
18 90 99 1.152386 1.491854 0.812918 1.1
19 99 111 1.152386 1.476056 0.828716 1.121212
20 111 98 1.152386 1.45806 0.846712 0.882883
Peta Kontrol Atribut u Gear Dinamo

Iterasi 0
1.6
1.4
N.of conformities
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
Gambar 4.131 Peta control atribut u gear dinamo iterasi 0
sampel nomor 1 dan sampel nomor 7.
-Iterasi 1
Tabel 4.43 Pengolahan data atribut gear dynamo Iterasi 1

Gear Dinamo
N. of N. of
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

2012 142
Kelompok 16
6 103 102 1.152386 1.469709 0.835063 0.990291

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
11 104 130 1.152386 1.46818 0.836592 1.25
12 93 91 1.152386 1.486334 0.818438 0.978495
13 84 95 1.152386 1.503769 0.801003 1.130952
14 88 109 1.152386 1.49569 0.809082 1.238636
15 109 98 1.152386 1.460852 0.84392 0.899083
16 98 92 1.152386 1.477703 0.827069 0.938776
17 99 130 1.152386 1.476056 0.828716 1.313131
18 90 99 1.152386 1.491854 0.812918 1.1
19 99 111 1.152386 1.476056 0.828716 1.121212
20 111 98 1.152386 1.45806 0.846712 0.882883
Peta Kontrol Atribut u Gear Dinamo

Iterasi 1
1.5
N.of conformities
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
Gambar 4.132 Peta control atribut u gear dinamo iterasi 1

2012 143
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.133 Output SPSS Peta Kendali u Gear Dinamo Iterasi 0
Iterasi 1
Gambar 4. 134 Output SPSS Peta Kendali u Gear Dinamo Iterasi 1

2012 144
Kelompok 16
-Minitab
Iterasi 0
1.6 1
1
1.5
UCL=1.4581
1.4
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
Gambar 4.135 Output Minitab Peta Kendali u Gear Dinamo Iterasi 0
Iterasi 1
1.5
1.4 UCL=1.4139
1.3
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
Gambar 4.136 Output Minitab Peta Kendali u Gear Dinamo Iterasi 1

2012 145
Kelompok 16
16. Pengunci Dinamo

u-chart
u
n
 1860
u   1,040268
1788
ui 
n
115
ui   1,00877
114

CL  u  1,040268

 u
UCL  u  3
n
1,040268
UCL  1,040268  3  1,32685
114

 u
LCL  u  3
n
1,040268
LCL  1,040268  3  0,75369
114
Tabel 4.44 Pengolahan data atribut pengunci dinamo

Pengunci Dinamo
N. of N. of
1 114 115 1.040268 1.326846 0.753691 1.008772
2 108 97 1.040268 1.334698 0.745838 0.898148
3 103 80 1.040268 1.34176 0.738777 0.776699
4 102 104 1.040268 1.343234 0.737302 1.019608
5 69 101 1.040268 1.408626 0.671911 1.463768
6 87 96 1.040268 1.368314 0.712223 1.103448
7 88 80 1.040268 1.366445 0.714092 0.909091
8 93 91 1.040268 1.357556 0.722981 0.978495
9 89 88 1.040268 1.364607 0.71593 0.988764
10 86 97 1.040268 1.370216 0.710321 1.127907

2012 146
Kelompok 16
11 90 79 1.040268 1.3628 0.717737 0.877778

12 74 80 1.040268 1.395964 0.684573 1.081081
13 76 82 1.040268 1.391252 0.689285 1.078947
14 96 93 1.040268 1.352559 0.727978 0.96875
15 85 97 1.040268 1.372151 0.708386 1.141176
16 87 91 1.040268 1.368314 0.712223 1.045977
17 74 104 1.040268 1.395964 0.684573 1.405405
18 92 93 1.040268 1.359275 0.721262 1.01087
19 95 88 1.040268 1.354198 0.726339 0.926316
20 80 104 1.040268 1.382365 0.698172 1.3
Peta Kontrol Atribut u Pengunci

Dinamo Iterasi 0
2
N.of conformities
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
Gambar 4.137 Peta control atribut u pengunci dinamo iterasi 0
sampel nomor 5 dan sampel nomor 17.
 Iterasi 1
Tabel 4.45 Pengolahan data atribut pengunci dynamo iterasi 1

Pengunci Dinamo
N. of N. of
1 114 115 1.040268 1.326846 0.753691 1.008772
2 108 97 1.040268 1.334698 0.745838 0.898148
3 103 80 1.040268 1.34176 0.738777 0.776699
4 102 104 1.040268 1.343234 0.737302 1.019608
6 87 96 1.040268 1.368314 0.712223 1.103448
7 88 80 1.040268 1.366445 0.714092 0.909091
8 93 91 1.040268 1.357556 0.722981 0.978495
2012 147
Kelompok 16
9 89 88 1.040268 1.364607 0.71593 0.988764

10 86 97 1.040268 1.370216 0.710321 1.127907
11 90 79 1.040268 1.3628 0.717737 0.877778
12 74 80 1.040268 1.395964 0.684573 1.081081
13 76 82 1.040268 1.391252 0.689285 1.078947
14 96 93 1.040268 1.352559 0.727978 0.96875
15 85 97 1.040268 1.372151 0.708386 1.141176
16 87 91 1.040268 1.368314 0.712223 1.045977
18 92 93 1.040268 1.359275 0.721262 1.01087
19 95 88 1.040268 1.354198 0.726339 0.926316
20 80 104 1.040268 1.382365 0.698172 1.3
Peta Kontrol Atribut u Pengunci

Dinamo Iterasi 1
1.5
N.of conformities
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
Gambar 4.138 Peta control atribut u pengunci dinamo iterasi 1

2012 148
Kelompok 16
b. Output Software
-SPSS
Iterasi 0
Gambar 4.139 Output SPSS Peta Kendali u Pengunci Dinamo Iterasi 0
Iterasi 1
Gambar 4.140 Output SPSS Peta Kendali u Pengunci Dinamo Iterasi 1

2012 149
Kelompok 16
-Minitab
Iterasi 0
1.5 1
1
1.4
UCL=1.3522
1.3
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
Gambar 4.141 Output Minitab Peta Kendali u Pengunci Dinamo Iterasi 0
Iterasi 1
1.4
UCL=1.3425
1.3
1.2
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
Gambar 4.142 Output Minitab Peta Kendali u Pengunci Dinamo Iterasi 1

2012 150
Kelompok 16
17. Body
U-chart
∑
u1 = =
∑
u2 = =
∑
u3 = =
√ =√ = 2,598987
UCL = ̅ = + (3 x 2,598987) = 29,05085

LCL = ̅ = (3 x 2,598987) = 13,45693
Tabel 4.46 Pengolahan Data Raw Material Body

BODY
N. of N. of Nonconformoties
NO
inspection Scratch String Camber
(1) (10) (50) D U U bar UCL LCL
1 90 160 66 22 1920 21,33333 21,25389 29,05085 13,45693
2 90 162 75 21 1962 21,8 21,25389 29,05085 13,45693
3 90 167 76 20 1927 21,41111 21,25389 29,05085 13,45693
4 90 150 75 18 1800 20 21,25389 29,05085 13,45693
5 90 176 91 18 1986 22,06667 21,25389 29,05085 13,45693
6 90 182 86 17 1892 21,02222 21,25389 29,05085 13,45693
7 90 171 80 19 1921 21,34444 21,25389 29,05085 13,45693
8 90 148 95 17 1948 21,64444 21,25389 29,05085 13,45693
9 90 204 83 18 1934 21,48889 21,25389 29,05085 13,45693
10 90 183 79 20 1973 21,92222 21,25389 29,05085 13,45693
11 90 161 75 21 1961 21,78889 21,25389 29,05085 13,45693
12 90 170 85 14 1720 19,11111 21,25389 29,05085 13,45693

2012 151
Kelompok 16
13 90 171 66 17 1681 18,67778 21,25389 29,05085 13,45693

14 90 171 89 17 1911 21,23333 21,25389 29,05085 13,45693
15 90 160 89 24 2250 25 21,25389 29,05085 13,45693
16 90 162 77 23 2082 23,13333 21,25389 29,05085 13,45693
17 90 156 85 16 1806 20,06667 21,25389 29,05085 13,45693
18 90 171 98 16 1951 21,67778 21,25389 29,05085 13,45693
19 90 165 82 16 1785 19,83333 21,25389 29,05085 13,45693
20 90 177 82 17 1847 20,52222 21,25389 29,05085 13,45693
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
Gambar 4.143 Peta Kendali U Body
18. Chasis
U-chart
∑
u1 = =
∑
u2 = =
∑
u3 = =

2012 152
Kelompok 16
√ =√ = 2,523543
UCL = ̅ = + (3 x 2,523543) = 28,06692

LCL = ̅ = (3 x 2,523543) = 12,94752
Tabel 4.47 Pengolahan Data Raw Material Chasis

CHASIS
N. of N. of Nonconformoties
NO inspectio Scratch String Camber
n (1) (10) (50) D U U bar UCL LCL
1 90 175 80 16 177 19,722222 20,5072 28,0669 12,9475
2 90 173 81 17 5183 22
20,366666 20,50722 2
28,0669 2
12,9475
3 90 153 89 3
12 164 67
18,255555 20,50722 2
28,0669 2
12,9475
4 90 150 92 17 192 3 56
21,333333 20,50722 2
28,0669 2
12,9475
5 90 165 67 22 193 0 33
21,5 20,50722 2
28,0669 2
12,9475
6 90 160 98 15 189 5 21 20,50722 2
28,0669 2
12,9475
7 90 175 79 19 191 0 21,277777 20,50722 2
28,0669 2
12,9475
8 90 175 72 21 194 5 78
21,611111 20,50722 2
28,0669 2
12,9475
9 90 190 80 16 179 5 11
19,888888 20,50722 2
28,0669 2
12,9475
10 90 174 79 19 191 0 89
21,266666 20,50722 2
28,0669 2
12,9475
11 90 174 78 13 160 4 67
17,822222 20,50722 2
28,0669 2
12,9475
12 90 168 81 19 192 4 22
21,422222 20,50722 2
28,0669 2
12,9475
13 90 181 73 18 181 8 22
20,122222 20,50722 2
28,0669 2
12,9475
14 90 162 84 11 155 1 22
17,244444 20,50722 2
28,0669 2
12,9475
15 90 170 83 19 195 2 44
21,666666 20,50722 2
28,0669 2
12,9475
16 90 159 85 18 190 0 67
21,211111 20,50722 2
28,0669 2
12,9475
17 90 177 86 18 193 9 11
21,522222 20,50722 2
28,0669 2
12,9475
18 90 161 76 17 177 7 22
19,677777 20,50722 2
28,0669 2
12,9475
19 90 178 91 28 248 1 78
27,644444 20,50722 2
28,0669 2
12,9475
20 90 163 74 10 140 8 44
15,588888 20,50722 2
28,0669 2
12,9475
3 89 2 2 2

2012 153
Kelompok 16
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
Gambar 4.144 Peta Kendali U Chasis
Tabel 4.48 Rekap Peta Kendali Atribut

No. Komponen Jenis Peta Iterasi Data Keluar
1. Panjang As Roda X-MR -Iterasi 0 - Data ke 14, 19, 23,
dan 24
-Iterasi 1
2. Diameter As Roda X-MR -Iterasi 0 - Data ke 2
-Iterasi 1
3. Panjang Gardan X-MR -Iterasi 0 - Data ke 12,13
-Iterasi 1
4. Diameter Gardan X-MR -Iterasi 0
5. Diameter Besi Dinamo X-MR -Iterasi 0
6. Plat belakang besar p-chart -Iterasi 0 - Data ke 3
-Iterasi 1
7. Plat belakang kecil p-chart -Iterasi 0 - Data ke 3,12
-Iterasi 1 - Data ke 9
-Iterasi 2
8. Plat depan p-chart -Iterasi 0 - Data ke 10, 12

2012 154
Kelompok 16
-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 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 2
16. Roda assy c-chart -Iterasi 0 - Data ke 13
-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

2012 155
Kelompok 16
22. Body U-chart -Iterasi 0

23. Chasis U-chart -Iterasi 0
4.3 Finish Product

4.3.1. Data Kualitas Finished Product
Tabel 4.49 Data kualitas finish product
roda depan dan belakang
tuas on off logger dinamo tidak menyala tidak berputar
N. of N. of N. of N. of N. of N. of
Inspecti nonconf Inspect nonconformi Inspectio nonconformi
no date on ormities ion ties n ties
1 5-Sep-2011 90 1 90 3 90 8
2 6-Sep-2011 90 5 90 4 90 8
3 7-Sep-2011 90 5 90 3 90 9
4 8-Sep-2011 90 3 90 2 90 5
5 9-Sep-2011 90 1 90 3 90 5
6 12-Sep-2011 90 2 90 1 90 3
7 13-Sep-2011 90 3 90 2 90 4
8 14-Sep-2011 90 4 90 3 90 7
9 15-Sep-2011 90 4 90 5 90 6
10 16-Sep-2011 90 3 90 3 90 3
11 19-Sep-2011 90 1 90 2 90 6
12 20-Sep-2011 90 2 90 2 90 3
13 21-Sep-2011 90 1 90 3 90 3
14 22-Sep-2011 90 6 90 3 90 7
15 23-Sep-2011 90 4 90 4 90 4
16 26-Sep-2011 90 2 90 2 90 8
17 27-Sep-2011 90 4 90 3 90 3
18 28-Sep-2011 90 2 90 4 90 2
19 29-Sep-2011 90 2 90 2 90 13
20 30-Sep-2011 90 3 90 4 90 14
58 58 121
No. Date bumper tidak terpasang Pengunci body

dengan baik Roller tidak berputar longgar
N. of N. of N. of N. of N. of N. of
Inspectio nonconfor Inspectio nonconfor Inspecti nonconf
n mities n mities on ormities
1 5-Sep-2011 90 5 90 3 90 4

2012 156
Kelompok 16
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
No. Date Plat depan macet

N. of Inspection N. of nonconformities
1 5-Sep-2011 90 1
2 6-Sep-2011 90 2
3 7-Sep-2011 90 1
4 8-Sep-2011 90 2
5 9-Sep-2011 90 2
6 12-Sep-2011 90 2
7 13-Sep-2011 90 2
8 14-Sep-2011 90 3
9 15-Sep-2011 90 2
10 16-Sep-2011 90 2
11 19-Sep-2011 90 2
12 20-Sep-2011 90 1
13 21-Sep-2011 90 2
14 22-Sep-2011 90 3
15 23-Sep-2011 90 1
16 26-Sep-2011 90 2
17 27-Sep-2011 90 3
18 28-Sep-2011 90 1

2012 157
Kelompok 16
19 29-Sep-2011 90 1
20 30-Sep-2011 90 1
36
4.3.2. Diagram Pareto (Manual-excel, SPSS, Minitab)

Tabel 4.50 Pengolahan variabel nonconformities
Total jumlah Persentase Kumulatif
Variabel Nonconformities
nonconformities %
Roda Depan dan Belakang Tidak Berputar 121 27% 27%
Roller Tidak Berputar 62 14% 40%
Pengunci Bodi Longgar 65 14% 54%
Tuas On-Off Longgar 58 13% 67%
Dinamo tidak Menyala 58 13% 80%
Plat Depan Macet 36 8% 88%
Bumper Tidak Terpasang dengan Baik 56 12% 100%
Total 456
Diagram pareto finish product

550 120%
500
450 100%
400
Persentase
350 80%
300 60%
250
200 40%
150
100 20%
50
0 0% variabel
cumulative %
Variabel
Gambar 4.145 Diagram Pareto finish product output Ms. Excel

2012 158
Kelompok 16
Gambar 4.146 Diagram Pareto finish product output SPSS
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
Gambar 4.147 Diagram Pareto finish product output Minitab

2012 159
Kelompok 16
4.3.3 Peta Kontrol np (Manual-excel, SPSS, Minitab)

- Roda depan dan belakang tidak berputar
-Manual
pi = N. of nonconformities (1) / N. of Inspection (1) = 8/90 = 0.089
np = ∑ = 121/20 = 6.05
̅=∑ = 121/1800 = 0.067
√ =√ ̅ =√ = 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

2012 160
Kelompok 16
20 30-Sep-2011 90 14 0.156 6.05 0.067 2.376 13.177 -1.077
np-chart roda depan dan belakang tidak

berputar(0)
15
10
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

2012 161
Kelompok 16
14 22-Sep-2011 90 7 0.078 5.63 0.063 2.298 12.525 -1.261

15 23-Sep-2011 90 4 0.044 5.63 0.063 2.298 12.525 -1.261
16 26-Sep-2011 90 8 0.089 5.63 0.063 2.298 12.525 -1.261
17 27-Sep-2011 90 3 0.033 5.63 0.063 2.298 12.525 -1.261
18 28-Sep-2011 90 2 0.022 5.63 0.063 2.298 12.525 -1.261
19 29-Sep-2011 90 13 0.144 5.63 0.063 2.298 12.525 -1.261

berputar(1)
14
12
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
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

2012 162
Kelompok 16
10 16-Sep-2011 90 3 0.033 5.22 0.058 2.218 11.876 -1.432

11 19-Sep-2011 90 6 0.067 5.22 0.058 2.218 11.876 -1.432
12 20-Sep-2011 90 3 0.033 5.22 0.058 2.218 11.876 -1.432
13 21-Sep-2011 90 3 0.033 5.22 0.058 2.218 11.876 -1.432
14 22-Sep-2011 90 7 0.078 5.22 0.058 2.218 11.876 -1.432
15 23-Sep-2011 90 4 0.044 5.22 0.058 2.218 11.876 -1.432
16 26-Sep-2011 90 8 0.089 5.22 0.058 2.218 11.876 -1.432
17 27-Sep-2011 90 3 0.033 5.22 0.058 2.218 11.876 -1.432
18 28-Sep-2011 90 2 0.022 5.22 0.058 2.218 11.876 -1.432

berputar(2)
14
12
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

2012 163
Kelompok 16
-Software SPSS
Iterasi 0
Gambar 4.151 Peta kendali np roda depan dan belakang tidak berputar iterasi 0 output SPSS
Iterasi 1

2012 164
Kelompok 16
Iterasi 2
-Software Minitab
Iterasi 0
np-chart roda depan dan belakang tidak berputar

1
14
UCL=13.18
12
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

2012 165
Kelompok 16
Iterasi 1
np-chart roda depan dan belakang tidak berputar(1)

14
1
UCL=12.52
12
10
Sample Count
__
6
NP=5.63
0 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
Iterasi 2
np-chart roda depan dan belakang tidak berputar(2)

12 UCL=11.88
10
8
Sample Count
6 __
NP=5.22
4
0 LCL=0
1 3 5 7 9 11 13 15 17
Sample

2012 166
Kelompok 16
4.3.4. Diagram Fishbone

Berdasarkan hasil diagram pareto, dapat kita ketahui bahwa permasalahan finish
produk yang terbesar terletak pada kasus roda depan dan belakang tidak berputar.
Terdapat empat proses utama yang di dalam masing-masing proses tersebut
terdapat beberapa faktor yang menjadi penyebab kasus roda depan dan belakang
tidak berputar, yaitu 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. Terdapat
beberapa macam hal yang menjadi penyebab roda depan dan belakang finish
product tidak berputar, yaitu diantaranya kekurang telitian petugas peneliti dalam
melakukan inspeksi , peneliti kurang terampil dalam melakukan proses inspeksi,
kesalahan pada alat ukur yang digunakan seperti salah kalibrasi dan sebagainya.
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. Faktor raw material yang terlalu lama berada di tempat penyimpanan juga
dapat mengakibatkan raw material tersebut menjadi cacat ataupun berkurang
kualitasnya. Kemudian faktor ruang/tempat penyimpanan yang tidak kondusif
seperti suhu ekstrim, berdebu dan lembab juga dapat menyebabkan raw material
menjadi cacat/rusak. Pada proses perakitan, diantara beberapa factor penyebabnya
adalah pemasangan pengunci dinamo yang kurang pas sehingga meyebabkannya
menjadi longgar, pemasangan baterai yang terbalik, pemasangan gear dinamo tidak
tepat, penutup plat depan yang longgar, inspeksi kurang sempurna serta
pemasangan gear depan yang terbalik. Sedangkan pada proses
pengepakan/handling sumber masalahnya yaitu buruknya proses pengepakan yang
mengakibatkan produk menjadi rusak/cacat. Kemudian buruknya prosedur
pendistribusian juga bisa menjadi salah satu faktor penyebab masalahnya

2012 167
Kelompok 16
Tempat penyimpanan
tidak kondusif
Prosedur pengemasan
Durasi penyimpanan Prosedur pendistribusian
yang buruk
terlalu lama Prosedur saat yang buruk
penyimpanan buruk
Pcngepakan/ Roda depan dan belakang tidak

Inspeksi Penyimpanan Perakitan
handling berputar
Kekurang telitian tim
Pengunci dinamo longgar
peneiti Pemasangan baterai
Pemasangan gear dinamo terbalik
Peneliti kurang terampil tidak tepat Penutup plat depan
Kesalahan pada
alat ukur Inspeksi kurang sempurna longgar
Pemasangan gear depan
terbalik
Gambar 4.157 Diagram fishbone
4.4 Penentuan Biaya Kualitas

Data Biaya Kualitas
a. Biaya Penilaian:
 Administrasi pengendalian kualitas
 Alat tulis kantor : dalam 1 bulan membutuhkan kertas, bolpoin,
tinta printer, dan tipe-X untuk inspeksi.
 Pengadaan checksheet : dalam 1 hari dibutuhkan biaya untuk prin dan
fotokopi checksheet sebanyak 25 lembar.
 Pengendalian Pengukuran
 Jangka sorong : dengan kebutuhan jangka sorong dengan lama
pemakaian selama 3 bulan. Menggunakan 2 jenis jangka
sorong dengan ketelitian 0,05 mm dan ketelitian 0,02 mm.
 Penggunaan material untuk penilaian
 Baterai, dengan penggunaan 6 baterai sekali inspeksi. Kabel
digunakan untuk mengecek dinamo.
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.

2012 168
Kelompok 16
c. Biaya Kegagalan Internal:

 Pekerjaan Ulang (rework) = 10 % x Biaya Produk Tamiya
 Downgrading = 15 % x Biaya Produk Tamiya
 Scrap (5%) dari biaya produk tamiya.
d. Biaya Kegagalan Eksternal:

 Warranty : 3% x total biaya material
Tabel 4.54 Data Biaya Kualitas untuk Perakitan Tamiya
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)

2012 169
Kelompok 16
• Biaya Penggantian Dalam Masa Jaminan (3% total Rp 145.142.975 3

Biaya Total Dalam Kegagalan Eksternal (Total External
material) Rp 145.142.975
Biaya
FailureTotal
Cost)Kualitas (Total Quality Costs) Rp 1.607.495.729
Sumber : Ariani, Dorothea Wahyu, Manajemen Kualitas Pendekatan Sisi

Ghalia Indonesia, Jakarta, 2003, hal. 31
http://indonetwork.co.id/kit_equipment/2041237/jual-jangka-sorong.htm
http://www.kaskus.us/showthread.php?t=8083889
Asumsi Harga total material 3 tamiya selama setahun Rp. 4.838.099.184,00.
Sehingga total biaya kualitas yang dikeluarkan oleh PT. Indonesia Tamiya Motor yaitu
sebesar Rp. 1.607.495.729,00/tahun.

2012 170
Kelompok 16
BAB V
ANALISIS
5.1 Analisis Acceptance Sampling
Tabel 5.1 Rekap Acceptance Sampling

No. Part Nilai p Zu+p Zl Nilai M Keterangan
1. Diameter As Roda 0 1.29 Diterima
2. Panjang As Roda 33.51 1.29 Ditolak
3. Diameter Gardan 7.40 0.846 Ditolak
4. Panjang Gardan 21.803 0.846 Ditolak
5. Besi Dinamo 100 0.846 Ditolak
Acceptance sampling digunakan untuk mengendalikan kualitas produk baik dari

kualitas bahan baku, kualitas produk pada saat proses berlangsung maupun kualitas pada
produk akhir. Sedangkan peta kendali digunakan untuk menentukan apakah setiap proses
dalam keadaan terkendali atau tidak. Jika terdapat proses yang berada diluar pengendalian,
maka dilakukan perbaikan. Data variable hanya terdaat pada pengukuran raw material
pada diameter dan panjang as roda, panjang dan diameter gardan, serta diameter besi
dinamo.
 Analisis Raw Material (Pengukuran)

1. As Roda
 Diameter As Roda
Acceptance Sampling
Dari tabel rekap di atas terlihat acceptance sampling pada diameter as
roda diterima, nilai perhitungan lebih kecil dari nilai pada tabel (0 < 1.29).
Yang dimaksud dengan diterima disini adalah kondisi dimana seluruh sampel
yang diambil dapat memenuhi spesifikasi yang diinginkan perusahaan. Untuk
spesifikasi diameter as roda sendiri sebesar (1.8 mm  0.2 mm).

2012 171
Kelompok 16
Peta Kendali Xbar-MR

Perhitungan peta kendali pada komponen diameter as roda ini dilakukan
dengan perhitungan manual dan dengan menggunakan software SPSS dan
minitab.
Pada grafik peta kendali MR dan Xbar antara perhitungan manual,
software SPSS dan minitab terlihat mempunyai hasil yang sama. Mungkin
jika ada perbedaan hanya perbedaan tingkat pembulatan angka untuk masing-
masing software, sehingga tidak terjadi perbedaan yang signifikan. Pada
iterasi terakhir dari perhitungan manual MR, output SPSS maupun minitab
diperoleh nilai rata-rata MR sebesar 0.015, nilai UCL MR yaitu 0,048, dan
LCL yaitu 0. Untuk Xbarnya memiliki nilai rata-rata sebesar 1,838, nilai UCL
Xbar 2,00, dan LCL Xbar adalah 1,60.
Terdapat 1 data yang keluar dari batas kendali yaitu data sample kedua,
sehingga harus dibuang dan dilakukan perhitungan lagi. Setelah dilakukan
perhitungan kembali tidak ada lagi data yang keluar dari batas kendali, hal ini
berarti bahwa proses telah terkendali dengan baik.
 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.

Pada grafik peta kendali Xbar-MR antara perhitungan manual, software
SPSS dan minitab terlihat mempunyai hasil yang sama. Mungkin jika ada
perbedaan hanya perbedaan tingkat pembulatan angka untuk masing-masing
software, sehingga tidak terjadi perbedaan yang signifikan. Dari perhitungan

2012 172
Kelompok 16
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.
Kesimpulan : Pada panjang as roda, hasil acceptance samplingnya ditolak

dan peta kendalinya diterima. Perusahaan perlu mengeluarkan kebijakan baru,
terkait dengan perbedaan hasil perhitungan sampling ini. Meskipun hasil
acceptance sampling pada diameter as roda diterima, tetap saja belum bisa
mewakili untuk menerima lot karena perhitungan acceptance sampling pada
panjang as roda ditolak.
Keputusan : Perusahaan perlu mengeluarkan kebijakan baru dengan

melonggarkan spesifikasi pada pengukuran panjang as roda agar perhitungan
penerimaan samplingnya diterima.
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).

2012 173
Kelompok 16

Perhitungan peta kendali pada komponen diameter gardan ini dilakukan
dengan perhitungan manual dan dengan menggunakan software SPSS dan
minitab.
Pada grafik peta kendali MR antara perhitungan manual, software SPSS
dan minitab terlihat mempunyai hasil yang sama. Mungkin jika ada
perbedaan hanya perbedaan tingkat pembulatan angka untuk masing-masing
software, sehingga tidak terjadi perbedaan yang signifikan. Dari data yang
diolah tidak ada data yang keluar dari batas kontrol. Pada perhitungan
manual, output SPSS dan minitab diperoleh nilai Average MR yang sama
yaitu 0,02, nilai UCL MR yaitu 0,06534 dan LCL MR yaitu 0. Sedangkan
untuk Xbar memiliki nilai tengah, UCL, dan LCL sebesar 1,485.
Pada grafik menunjukkan bahwa semua data dari sampel 1 sampai
dengan 20 masih berada didalam batas kontrol, sehingga dapat disimpulkan
bahwa proses telah terkendali dengan baik.
 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.

Melalui peta kendali kita bisa melihat apakah kualitas ukuran diameter
ban dapat diterima atau tidak, dalam hal ini digunakan peta kendali X bar –
MR untuk mengukur kualitas produk dari panjang gardan karena mengambil
sampel sebesar 20 sampel. Pada iterasi pertama terdapat data yang dibuang,
yaitu data sample ke 12 dan ke 13. Maka dari itu data tersebut harus dibuang

2012 174
Kelompok 16
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.
Kesimpulan : Pada panjang gardan, hasil acceptance samplingnya ditolak dan

peta kendalinya diterima. Perusahaan perlu mengeluarkan kebijakan baru,
terkait dengan perbedaan hasil perhitungan sampling ini. Hasil acceptance
sampling pada diameter gardan juga ditolak, sehingga terlihat bahwa lot
untuk gardan ditolak.

melonggarkan spesifikasi pada pengukuran gardan, baik pada pengukuran
diameter maupun panjangnya agar perhitungan penerimaan samplingnya
diterima.
3. Diameter Besi Dinamo

Acceptance Sampling
Dari tabel rekap di atas terlihat acceptance sampling pada diameter

besi dinamo ditolak, nilai perhitungannya lebih besar dari nilai pada tabel
(100 > 0.846). Yang dimaksud dengan ditolak di sini berarti sampel yang
diambil tidak dapat memenuhi spesifikasi yang diinginkan oleh perusahaan.
Untuk spesifikasi diameter besi dinamo sendiri sebesar (1.95 mm  0.15mm).

Dengan peta kendali Xbar-MR ini kita bisa melihat apakah kualitas
ukuran diameter besi dinamo diterima atau tidak. Peta kendali X bar – MR
2012 175
Kelompok 16
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.
Kesimpulan : Pada diameter besi dinamo, hasil acceptance sampling ditolak

dan peta kendalinya diterima. Perusahaan perlu mengeluarkan kebijakan baru
agar penerimaan samplingnya dapat diterima.

melonggarkan spesifikasi pada pengukuran besi dinamo agar perhitungan
penerimaan samplingnya diterima.
5.2 Analisis Kualitas Raw Material

a. Peta Kendali Atribut p (p-chart)
Peta kendali atribut p digunakan apabila nilai inspeksinya bervariasi dengan
nilai nonconformitiesnya lebih kecil. Berikut adalah komponen yang
menggunakan peta kendali atribut p untuk mengendalikan kualitasnya :
1. Plat Belakang Besar
Pada pengambilan data untuk plat belakang besar, data yang diambil
untuk sampel plat belakang besar sebanyak 20 kali pengamatan dengan
hari yang berbeda. Pada komponen plat belakang besar dilakukan
inspeksi mengenai bengkok atau tidaknya pada komponen tersebut.

2012 176
Kelompok 16
Setelah dilakukan perhitungan peta kendali atribut p pada iterasi 0

didapatkan bahwa terdapat satu data yang keluar dari batas control yaitu
pada tanggal 7 September 2011. Data yang keluar dapat dikarenakan
pada tanggal tersebut pengiriman materialnya mengalami gangguan atau
material handling yang tidak sempurna, sehingga perlu dilakukan
perbaikan pada pengendalian kualitas komponennya agar tidak muncul
raw material cacat yang masuk ke dalam proses lantai produksi di
perusahaan.
2. Plat Belakang Kecil
Pada pengambilan data untuk plat belakang kecil, data yang diambil
untuk sampel plat belakang kecil sebanyak 20 kali pengamatan dengan
hari yang berbeda. Pada komponen plat belakang kecil dilakukan
inspeksi mengenai bengkok atau tidaknya pada komponen tersebut.
Setelah dilakukan perhitungan peta kendali atribut p pada iterasi 0
didapatkan bahwa terdapat 2 data yang keluar dari batas kontrol yaitu
pada tanggal 7 September 2011 dan 20 September 2011. Kemudian pada
iterasi 1 didapatkan juga data yang melewati batas control sebanyak satu
data yaitu pada tanggal 15 September 2011. Data yang keluar dapat
dikarenakan pada tanggal tersebut peletakan posisi plat belakang kecil
yang diletakkan terlalu saling tumpuk menumpuk, sehingga mungkin
sekali jika terjadi kebengkokan pada beberapa sampel yang akan
digunakan pada tanggal-tanggal tertentu. Untuk itu perlu dilakukan
perbaikan pada peletakan posisi plat belakang kecil agar tidak menumpuk
dan tidak memunculkan cacat di lantai produksi.
3. Plat Depan
Pada pengambilan data untuk plat depan, data yang diambil untuk sampel
plat depan sebanyak 20 kali dengan hari yang berbeda. Pada komponen
plat depan dilakukan inspeksi mengenai bengkok atau tidaknya pada
komponen tersebut. Setelah dilakukan perhitungan peta kendali atribut p.
Batas kendali pada plat depan memiliki standar dari perusahaan sebesar
0.1. Pada iterasi 0 didapatkan bahwa terdapat dua data yang keluar dari

2012 177
Kelompok 16
batas kontrol yaitu pada tanggal 16 September 2011 dan tanggal 20

September 2011. Data yang keluar dapat dikarenakan pada tanggal
tersebut peletakan posisi plat depan yang diletakkan terlalu banyak
menumpuk, sehingga mungkin sekali jika terjadi kebengkokan pada
beberapa sampel plat depan yang akan digunakan pada tanggal-tanggal
tertentu. Untuk itu perlu dilakukan perbaikan pada peletakan posisi plat
depan agar tidak menumpuk dan tidak memunculkan cacat untuk
digunakan di lantai produksi.
4. Penutup Plat Depan
Gambar 4.60 menunjukkan data yang diambil untuk penutup plat depan
sebanyak 20 kali pengamatan pada hari yang berbeda. Komponen ini
menggunakan peta kendali atribut p karena nilai dari inspeksinya
bervariasi dengan nilai nonconfomities yang lebih kecil. Batas kendali
yang dipakai dalam peta kendali ini didapat melalui perhitungan. Setelah
dilakukan perhitungan peta kendali atribut p pada iterasi 0 didapatkan 3
data yang berada diluar dari batas kontrol. data tersebut berada pada
nomor ke-5, ke-17, dan ke-19. Data yang keluar dari batas kontrol
menandakan sampel tersebut cacat atau tidak sesuai dengan standard
yang telah ditentukan. Hal tersebut disebabkan adanya human error
seperti: perpindahan komponen yang terburu-buru sehingga terdapat
goresan-goresan pada komponen. Oleh karena itu, dilakukan iterasi
dengan membuang data yang cacat tersebut agar dapat terkendali secara
statistik. Data yang dibuang disini maksudnya adalah sampel tersebut
disimpan oleh pihak kualitas untuk dijadikan evaluasi.
b. Peta Kendali Atribut np (np-chart)

Peta kendali atribut np digunakan apabila nilai inspeksinya konstan dengan
nilai nonconformitiesnya lebih kecil. Berikut adalah komponen yang
menggunakan peta kendali atribut np untuk mengendalikan kualitasnya :

2012 178
Kelompok 16
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.

2012 179
Kelompok 16
c. Peta Kendali Atribut c (c-Chart)

Peta kendali atribut c digunakan apabila sampel yang diambil memiliki
jumlah yang sama pada setiap pengambilan dan nilai nonconformitiesnya
lebih besar dari jumlah sampel yang diambil.
Berikut adalah komponen yang menggunakan peta kendali atribut c untuk
mengendalikan kualitasnya :
1. Gear Besar
Pada pengambilan data untuk gear besar, data yang diambil untuk sampel
gear besar depan sebanyak 20 kali dengan hari yang berbeda. Pada
komponen gear besar dilakukan inspeksi mengenai ada goresan atau
tidaknya pada komponen tersebut. Setelah dilakukan perhitungan peta
kendali atribut c. Batas kendali yang digunakan pada perhitungan gear
besar ini menggunakan standar dari perusahaan sebesar 110. Pada iterasi
0 didapatkan bahwa 2 data yang berada diluar batas kontrol yaitu pada
data sample ke 18 dan ke 20. Apabila tidak ada data yang keluar dari
batas kontrol berarti telah ada pengendalian kualitas yang baik atau tidak
adanya gangguan-gangguan yang dapat memunculkan cacat dan
berakibat buruk pada hasil produksi.
2. Gear Kecil
Pada pengambilan data untuk gear kecil, data yang diambil untuk sampel
gear kecil sebanyak 20 kali dengan hari yang berbeda. Pada komponen
gear kecil dilakukan inspeksi mengenai ada goresan atau tidaknya pada
komponen tersebut. Setelah dilakukan perhitungan peta kendali atribut c.
Batas kendali yang digunakan pada perhitungan gear besar ini
menggunakan standar dari perusahaan sebesar 110. Pada iterasi 0
didapatkan bahwa terdapat 2 data yang keluar dari batas control yaitu
pada data sampel ke 8 dan 11. Data yang keluar dapat dikarenakan pada
tanggal tersebut terjadi ketidaksempurnaan material handling, sehingga
mungkin sekali jika muncul beberapa goresan pada beberapa sampel gear
kecil yang akan digunakan pada tanggal-tanggal tertentu. Untuk itu perlu
dilakukan perbaikan pada material handling dan pengendalian kualitas

2012 180
Kelompok 16
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

2012 181
Kelompok 16
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.
d. Peta Kendali Atribut u (u-Chart)

Peta kendali atribut u digunakan apabila sampel yang diambil memiliki nilai
yang bervariasi pada setiap pengambilan sampel dan nilai conformitiesnya
lebih besar dari jumlah sampel yang diambil. Berikut adalah komponen yang
menggunakan peta kendali atribut u untuk mengendalikan kualitasnya :
1. Bumper Belakang
Pada pengambilan data untuk plat belakang besar, data yang diambil
untuk sampel bumper belakang sebanyak 20 kali pengamatan dengan hari
yang berbeda. Pada komponen bumper belakang dilakukan inspeksi
mengenai perserabutan atau tidaknya pada komponen tersebut. Setelah
dilakukan perhitungan peta kendali atribut u pada iterasi 0 didapatkan
bahwa terdapat satu data yang keluar dari batas kontrol yaitu pada data
sample ke 10 . Data yang keluar dapat dikarenakan pada tanggal tersebut
peletakan posisi bumper belakang yang diletakkan terlalu asal dan tidak
hati-hati, sehingga mungkin sekali jika muncul perserabutan pada
beberapa sampel bumper belakang. Untuk itu perlu dilakukan
pengendalian kualitas yang lebih baik dan lebih berhati-hati ketika
meletakkan posisi part-part agar tidak memunculkan part cacat yang
masuk ke perusahaan.

2012 182
Kelompok 16
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

2012 183
Kelompok 16
sebanyak 20 kali pengamatan dengan hari yang berbeda dengan batas

kendali yang diperoleh melalui perhitungan. Setelah dilakukan
perhitungan peta kendali atribut u pada iterasi 0 didapatkan bahwa
terdapat 1 data yang keluar dari batas kontrol yaitu pada sampel ke-6.
Data yang keluar dapat dikarenakan terjadi ketidaksempurnaan pada
material handling dan peletakan posisi tuas on off yang terlalu terburu-
buru sehingga tidak tepat dan menyebabkan sampel tuas on off yang
rusak. Untuk itu perlu dilakukan perbaikan pada material handling dan
lebih berhati-hati ketika meletakkan posisi tuas on off agar tidak
memunculkan part cacat yang masuk ke perusahaan.
e. Peta Kendali Atribut U (U-chart)

Peta kendali atribut U digunakan apabila sampel dari cacat adalah konstan
dan setiap kecacatan terdapat bobotnya.. Berikut adalah komponen yang
menggunakan peta kendali atribut u untuk mengendalikan kualitasnya :
1. Body
Gambar 4.143 menunjukkan pengambilan sampel body 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. Setlah dilakukan pembobotan, maka
dilakukan perhitungan untuk mendapatkan batas kendali. Pada komponen
body dilakukan inspeksi mengenai ada atau tidaknya cacat pada
komponen tersebut. Setelah dilakukan perhitungan peta kendali atribut U
pada iterasi 0 didapatkan bahwa seluruh data nya masuk ke dalam batas
kontrol.
Hal ini menandakan pengendalian kualitas yang baik atau tidak adanya
gangguan-gangguan yang dapat memunculkan cacat.

2012 184
Kelompok 16
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.
5.3 Analisis Kualitas Finish Product

Dari hasil tampilan diagram pareto pada gambar 4.125, kita dapat melihat bahwa
grafik tertinggi dimiliki oleh kasus roda depan dan belakang tidak berputar yaitu dengan
nilai total defect sebesar 121 unit dari 1800 unit yang diinspeksi. Persentasenya adalah
sebesar 26,5 % dari semua permasalahan lainnya (6 masalah), di mana masalah
pengunci body longgar sebesar 14,3 %, roller tidak berputar 13,6 %, dinamo tidak
menyala 12,7 %, tuas on-off longgar 12,7 %, bumper tidak terpasang dengan baik 12,3
%, serta plat depan macet sebesar 7,9 % yang sekaligus merupakan persentase terkecil
dari semuanya. Hasil bahwa roda depan dan belakang tidak berputar merupakan
masalah terbesar ini juga ditunjukkan oleh output software SPSS dan Minitab.
Jadi, diagram pareto sebagaimana fungsinya sebagai pendekatan logic dari tahap
awal pada proses perbaikan suatu situasi dapat kita ambil kesimpulan bahwa kasus roda
depan dan belakang tidak berputar merupakan permasalahan yang paling
prioritas/penting yang harus ditangani terlebih dahulu dibandingkan dengan masalah-

2012 185
Kelompok 16
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

2012 186
Kelompok 16
dapat dikurangi dengan memperbaiki serta mengevaluasi prosedur penyimpanan secara

berkala. Faktor raw material yang terlalu lama berada di tempat penyimpanan dapat
ditangani dengan rekonstruksi jadwal penyimpanan raw material dengan
mempertimbangkan juga sifat serta umur pakai raw material yang disimpan tersebut.
Kemudian masalah tempat penyimpanan yang kurang kondusif seperti temperatur yang
tidak stabil atau ekstrim, terlalu banyak debu dan lembab dapat ditangani dengan
pengadaan alat pengatur suhu ruangan dan dengan lebih mengintensifkan kegiatan 5R
pada tempat penyimpanan.
Kesalahan pada proses perakitan dapat diminimalisir dengan pemberian training
bagi karyawan serta memperbaiki sarana dan prasarana di tempat perakitan tersebut
berlangsung. Dengan demikian pekerja akan semakin nyaman bekerja dan dapat
melakukan pekerjaannya dengan baik dan benar.
Sedangkan pada proses pengepakan/handling sumber masalahnya yaitu buruknya
proses pengepakan dan pendistribusian yang mengakibatkan produk menjadi
rusak/cacat. Hal ini dapat ditangani dengan pembenahan kembali segala aspek yang
berhubungan dengan pengepakan dan dsitribusi sehingga proses pengepakan dan
pendistribusian bisa berjalan dengan tepat dan lancar.
5.4 Analisis Proses

 Prosedur Raw Material Data Variabel
Judul : Penerimaan Raw Material Data Variabel
1. Tujuan : Untuk menentukan apakah raw material yang datang sesuai dengan
spesifikasi yang telah ditentukan sebelumnya oleh perusahaan yang sekaligus
merupakan standar dari perusahaan.
2. Ruang Lingkup : Prosedur ini untuk mengetahui pemeriksaan pada 5 jenis
dimensi raw material yang dijadikan objek sampling pada data variabel ini,
yaitu panjang as roda, diameter as roda, panjang gardan, diameter gardan dan
diameter besi dinamo.
3. Tanggung Jawab :
Departemen Produksi

2012 187
Kelompok 16
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.

2012 188
Kelompok 16
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
Gambar 5.1. Diagram alir penerimaan raw material (variabel)
6. Dokumentasi : Semua kegiatan serta permasalahan yang terjadi pada

penerimaan raw material hasil pengukuran (variable)
disimpan/didokumentasikan dalam bentuk laporan.

2012 189
Kelompok 16
 Prosedur Raw Material Data Atribut

Judul : Penerimaan Raw Material Data Atribut
1. Tujuan : Untuk menentukan apakah raw material yang datang sesuai dengan
spesifikasi yang telah ditentukan perusahaan dengan spesifikasi tertentu.
2. Ruang Lingkup : Prosedur ini untuk mengetahui pemeriksaan pada 18 jenis
raw material yang diukur secara kualitas, bukan kuantitas. (tidak dapat
diukur).
3. Tanggung Jawab :
Departemen Produksi
bertanggung jawab atas seluruh proses inspeksi dari raw material samapi
barang siap dijual. Unit QC mengontrol dan mengawasi seluruh proses
4. Metode: Menggunakan peta kendali atribut (p chart, np chart, c chart, u-chart,
dan U chart) dengan perhitungan manual (software Ms. Excel 2010), SPSS,
dan Minitab. Untuk penggunaan peta kendali p diaplikasikan pada komponen
plat belakang besar, plat belakang kecil, plat depan, dan penutup plat depan.
Khusus untuk plat depan pada peta kendali p ini menggunakan batas standar
dari perusahaan sebesar 0.1. Kemudian penggunakan peta kendali np
digunakan untuk menghitung sampling komponen pengunci baterai dan
dinamo. Penggunaan peta kendali c digunakan untuk menghitung komponen
gear besar, gear kecil, roller besar, dan rumah dinamo. Perusahaan
menetapkan standar khusus untuk komponen gear besar dan gear kecil
sebesar 110 pada perhitungan peta kendali c ini. Selanjutnya adalah peta
kendali u, komponen yang dihitung menggunakan peta kendali u adalah
bumper belakang, pengunci body, pengunci dinamo, dan tuas on-off. Tidak
ada spesifikasi khusus untuk perhitungan peta kendali u. Kemudian yang

2012 190
Kelompok 16
terakhir adalah peta kendali U. Peta kendali U hanya digunakan untuk

menghitung 2 komponen saja, yaitu body dan chasis.
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
Gambar 5.2. Diagram alir penerimaan raw material atribut
6. Dokumentasi : Masalah yang ada pada penerimaan raw material atribut

disimpan dalam bentuk laporan.

2012 191
Kelompok 16
 Prosedur Finish Product

Judul : Penerimaan Finish Product
1. Tujuan : Untuk mengetahui apakah produk yang sudah jadi sesuai dengan
standard kualitas dan juga mengetahui masalah apa yang paling dominan atau
paling banyak terjadi pada finish product dan masalah tersebut akan menjadi
prioritas utama untuk diselesaikan dalam rangka peningkatan mutu/kualitas.
2. Ruang Lingkup : Masalah yang terjadi antara lain: roda depan dan belakang
tidak berputar, dinamo tidak menyala, bumper tidak terpasang dengan baik,
roller tidak berputar, pengunci body longgar, tuas on-off longgar dan plat
depan tidak terpasang dengan baik.
3. Tanggung Jawab :
Departemen Produksi
bertanggung jawab atas seluruh proses inspeksi dari raw material samapi
barang siap dijual. Unit QC mengontrol dan mengawasi seluruh proses
4. Metode: Menggunakan seven tools, yaitu diagram pareto yang digunakan
untuk menyeleksi masalah utama untuk peningkatan kualitas, diagram ini
juga menunjukkan seberapa besar frekuensi berbagai macam tipe
permasalahan yang terjadi. Kemudian Dalam inspeksi produk jadi tersebut
jumlah produk yang diinspeksi pada tiap pengambilan sampel adalah konstan
sebesar 90 produk. Inspeksi produk jadi ini memeriksa banyaknya produk
tidak sesuai atau cacat terhadap jumlah produk tiap sample, dimana hal ini
ditunjukkan dengan number of nonconformities yang lebih kecil dari number
of inspection serta data yang diinspeksi ini merupakan jenis data diskrit.
Berdasarkan karakteristik dari inseksi produk jadi tersebut, maka untuk
menguji kualitas produk jadi digunakan peta kendali np pada data hasil

2012 192
Kelompok 16
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
Gambar 5.3. Diagram alir penerimaan finish product
6. Dokumentasi : Segala macam bentuk permasalahan dan kejadian terkait finish

product akan didokumentasikan/didata dalam bentuk laporan.

2012 193
Kelompok 16
5.5 Analisis Biaya Kualitas

Biaya kualitas terdiri dari 4 faktor: biaya penilaian, biaya pencegahan, biaya
kegagalan internal, dan biaya kegagalan external. Biaya penilaian mencakup biaya-
biaya yang digunakan untuk inspeksi secara langsung seperti pengadaan checksheet, alat
tulis kantor, perawatan jangka sorong, baterai, dan kabel. Untuk checksheet dibutuhkan
Rp. 3.125/ hari untuk biaya print dan fotokopi, sehingga dalam satu tahun diperlukan
Rp. 750.000 (1 bulan adalah 20 hari kerja). Alat tulis kantor per bulannya membutuhkan
biaya sebesar Rp. 141.500 untuk membeli satu pack ballpoint, tipex, kertas, dan tinta
printer. Sehingga dalam satu tahun dibutuhkan biaya Rp. 1.698.000. Dalam
pengendalian pengukuran (pengukuran dimensi) dibutuhkan alat ukur berupa jangka
sorong sebanyak 2 jenis yang dapat digunakan selama 1 tahun dengan harga masing-
masing Rp. 100.000, sehingga dalam satu tahun dibutuhkan biaya Rp 1.200.000,00
untuk pembelian sebanyak 3 buah tiap 3 bulan sekali. untuk material penilaian seperti
baterai untuk menguji tamiya, per tahunnya masing-masing membutuhkan biaya Rp
1.320.000,- dan kabel 50m selama setahun seharga Rp 750.000,-. Berdasarkan data
tersebut maka biaya yang harus dikeluarkan untuk penilaian adalah sebesar Rp.
6.293.000,00.
Selain itu juga diperlukan biaya pencegahan untuk mencegah situasi-situasi yang
tidak diinginkan terjadi. Perusahaan mengalokasikan untuk biaya perawatan pada
mesin/alat ukur yang digunakan dan biaya pelatihan karyawan. Untuk biaya perawatan
terhadap asset yang dimiliki dialokasikan sebesar Rp. 1.020.000,00 selama setahun.
Sedangkan untuk biaya pelatihan karyawan yang diadakan setahun sekali dialokasikan
sebesar Rp. 3.600.000,00 sehingga untuk total biaya pencegahan sebesar Rp.
4.620.000,00.
Biaya selanjutnya adalah biaya kegagalan internal yang meliputi rework
(cacat yang masih dapat diproses ulang) dengan biaya 10% dari biaya total material,
yaitu sebesar Rp. 483.809.918,00; yang kedua adalah biaya downgrading (penjualan
produk dibawah harga produksi karena adanya sedikit cacat pada produk tersebut)
sebesar 15% dari biaya total material yaitu Rp. 725.714.877,00. Kemudaian yang ketiga
adalah biaya scrap, kebijakan biaya scrap dilakukan jika terdapat material yang

2012 194
Kelompok 16
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.

2012 195
Kelompok 16
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.

2012 196
Kelompok 16
DAFTAR PUSTAKA
Amitava Mitra, Fundamentals of Quality Qontrol and Improvement, Macmilan

Publishing Company, 1993.
Douglas C. Mongometry., Introduction to Statistical Quality Control”, John Willey ang
Sons Inc, 1985.
Besterfield, D. H., Quality Control 4th Edition, Prentince-Hall Inc., New Jersey, 1998.

2012 197

Modul 6

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul 6

Diunggah oleh

Hak Cipta:

Format Tersedia

Laporan Praktikum Perancangan Teknik Industri

Modul 6 Statistical Quality Control and Quality Cost Planning

Program Studi Teknik Industri

1.4 Pembatasan Masalah dan Asumsi

1.5 Sistematika Penulisan

BAB II TINJAUAN PUSTAKA

BAB III PENGUMPULAN DAN PENGOLAHAN DATA

Program Studi Teknik Industri

Program Studi Teknik Industri

2.1. 2 Definisi Khusus Kualitas

Program Studi Teknik Industri

Sedangkan pengendalian kualitas adalah aktivitas keteknikan dan manajemen

2.1. 3 Pengendalian Kualitas

Program Studi Teknik Industri

Program Studi Teknik Industri

5. Dengan peningkatan produktivitas maka dapat mengurangi waktu tempuh dari

2.1. 4 Keuntungan Pengendalian Kualitas

Program Studi Teknik Industri

(Amitava. 1995: 12)

Program Studi Teknik Industri

Gambar 2. 1 Check Sheet

Program Studi Teknik Industri

- untuk mencocokkan posisi pemasangan bagian barang produksi

Gambar 2. 2 Diagram Pareto

3. Diagram Sebab Akibat (Fishbone Diagram)

Program Studi Teknik Industri

- Untuk menemukan pemecahan yang tepat

Gambar 2. 3 Diagram Sebab Akibat

Beberapa pokok yang perlu diingat adalah sebagai berikut :

Program Studi Teknik Industri

3. Process Analysis (Berdasarkan proses yang dilalui)

5. Diagram Tebar (Scatter Diagram)

6. Grafik Pengendali (Control Chart)

Program Studi Teknik Industri

 Memprediksi perilaku proses

Langkah Pembuatan Peta X - R

Program Studi Teknik Industri

- Garis sentral (Central line) : CL = X

- Batas kendali atas (Upper Control Limit) : UCL = X + A2R

- Batas kendali bawah (Lower Control Limit) : UCL = X - A2R

b. Untuk peta R, hitung :

- Garis sentral (Central line) : CL = R

- Batas kendali atas (Upper Control Limit) : UCL = D4 R

- Batas kendali bawah (Lower Control Limit) : UCL = D3 R

Langkah pembuatan peta X - s

Langkah pembuatan peta X - s sama dengan langkah pembuatan peta X - R.

b. Untuk peta X , hitung

- Garis sentral (Central line) : CL = X

- Batas kendali atas (Upper Control Limit) : UCL = X + A3s

- Batas kendali bawah (Lower Control Limit) : UCL = X - A3s

- Garis sentral (Central line) : CL = s

- Batas kendali atas (Upper Control Limit) : UCL = B4 s

- Batas kendali bawah (Lower Control Limit) : UCL = B3 s

Program Studi Teknik Industri

3. Peta Kendali Variabel Khusus

b. Peta Kendali Moving Average – Moving Range

dengan peta X - R, perbedaannya terletak pada perhitungan nilai X dan

Nilai X diganti mean dari nilai Moving Average

Nilai R diganti mean dari nilai Moving Range.

Program Studi Teknik Industri

 Nilai nominal dari angka spesifikasi tersebut menjadi central line ( X o )

Program Studi Teknik Industri

Program Studi Teknik Industri