BAB III

TINJAUAN PUSTAKA

3.1 Pendahuluan
Berdasarkan uraian yang dikemukakan pada Bab I bahwa permasalahan yang
teridentifikasi adalah PT. Indocement Tunggal Prakarsa Tbk. belum memiliki cara
untuk mengatur proses stabilitasi pada limestone yang mengakibatkan sulit untuk
mengetahui dan mengurangi keabnormalan yang ada pada limestone. Limestone
sendiri adalah salah satu bahan utama pembuatan semen yang kualitasnya harus
tetap dijaga dan ditingkatkan agar dapat memuaskan konsumen, oleh karena itu
penulis mencoba menganalisis pengendalian proses limestone yang ada pada PT.
Indocement Tunggal Prakarsa Tbk dan menerapkan suatu metode terstruktur yang
telah terbukti keefektifannya. Montgomery (2009) menjelaskan bahwa ada
beberapa buah metode yang sampai saat ini banyak digunakan oleh perusahaan
dalam pengendalian kualitas, yaitu Total Quality Management(TQM), Statistical
Process Control (SPC) dan Six Sigma. Jumlah variabel yang ada pada laporan kali
ini ada sebanyak 8 variabel yaitu silikon dioksida(X1), aluminium oksida(X2),
besi (III) oksida/ ferri oksida(X3), kalsium oksida(X4), magnesium oksida (X5),
sulfur trioksida(X6), kalium oksida(X7) dan natrium oksida(X8) yang memiliki
keterkaitan satu sama lain berarti data yang dimiliki adalah data multivariat.
Statistical Process Control sendiri menurut Montgomery(2009) terdapat tujuh
alat dalam pengendalian proses. Ketujuh alat tersebut antara lain lembar
pemeriksaan (check sheet), histogram, diagram pareto (pareto chart), diagram
fishbone (cause-and-effect diagram), stratifikasi (stratification), diagram pencar
(scatter diagram) dan diagram kendali (control chart). SPC sendiri dapat
dilakukan pada data multivariat sehingga terjadi perubahan nama menjadi
Multivariate Statistical Process Control. Montgomery (2009) menyatakan bahwa
prosedur yang paling umum dan familiar untuk Multivariate SPC dengan data
variabel adalah diagram kontrol T2 Hotelling untuk melihat vektor rata-rata dari
proses kontrol dengan asumsi normal multivariat. Berdasarkan penjelasan yang
telah dituliskan sebelumnya maka untuk penelitian kali ini digunakan metode
MSPC dengan diagram kontrol T2 Hotelling.

13
3.2 Pengertian Kualitas
Ada dua segi umum tentang kualitas yaitu kualitas rancangan dan kualitas
kecocokan. Berbagai barang maupun jasa dihasilkan dalam berbagai tingkat
kualitas. Variasi dalam tingkatan merancang ini memang disengaja, maka dari itu
istilah teknik yang sesuai adalah kualitas rancangan. Kualitas kecocokan adalah
seberapa baik produk itu sesuai dengan spesifikasi dan kelonggaran yang
disyaratkan oleh rancangan itu. Kualitas kecocokan dipengaruhi oleh beberapa
atau bahkan banyak faktor,termasuk proses pembuatan, latihan dan pengawasan
para pekerja, jenis sistem jaminan kualitas (kontrol proses, uji aktivitas
pemeriksaan dan sebagainya) yang digunakan, seberapa jauh prosedur jaminan
kualitas ini diikuti, motivasi angkatan kerja untuk mencapai kualitas.
(Montgomery, 2009) Prof. David Garvin memberikan pemikirannya mengenai
mutu darisuatu produk yang dapat dipahami dengan mudah yang disebut sebagai
Delapan Dimensi Kualitas Garvin. (Garvin, 1979) Delapan dimensi kualitas
Garvin yaitu:
a. Performance (performa)
Fungsi dan kegunaan dari suatu produk itu sendiri jelas adalah karakteristik utama
dari produk tersebut terutama dari para konsumen untuk membeli produk tersebut
b. Features (fitur)
Hal ini berkaitan dengan aspek performa tambahan yang dapat mendukung fungsi
utamanya.
c. Reliability (keandalan)
Hal ini berkaitan dengan probabilitas suatu produk dapat bekerja dengan
memuaskan atau tidak dalam jangka waktu tertentu dan kondisi tertentu pula.
d. Conformance to Standard (kesesuaian dengan standar)
Hal ini berkaitan dengan kesesuaian dengan spesifikasi tang ditentukan
berdasarkan keinginan pelanggan.
e. Durability (ketahanan)
Hal ini berkaitan dengan daya tahan atau masa pakai suatu produk.
f. Serviceability
Hal ini berkaitan dengan kemudahan, kompetensi, kecepatan, dan akurasi dalam
memberikan perbaikan.

14
 g. Aesthetics (estetik)
Hal ini berkaitan dengan tampilan, bau, rasa, dan bunyi dari suatu produk.
h. Perceived Quality
Hal ini berkaitan dengan mutu atau kualitas yang dirasa oleh konsumen seperti
jaminan merk dan ratings yang diberikan oleh suatu majalah.
Pengendalian mutu statistika (statistical quality control) baru dikembangkan
secara besar-besaran pada abad ke-20. Walter A. Shewhart dari Bell Telephone
Laboratories adalah orang yang pertama kali menggunakan pengendalian mutu
statistika. Alat yang sangat terkenal dalam pengendalian mutu adalah seven tools
of quality control, yakni suatu grafik dan alat statistika yang banyak digunakan
dalam penyelesaian masalah pengendalian mutu (Quality Control). Nama lain dari
alat ini adalah The Magnificent Seven.

3.3 Statistical Process Control

Statistical process control atau yang sering disebut dengan statistik
pengendalian kualitas merupakan aplikasi dari teknik statistik yang mengontrol
suatu proses. Diagram kontrol (control chart) merupakan awal dari SPC. metode
pengendalian kualitas pertama yang dipakai dibidang industri modern
(Montgomery, 2009).
Pada SPC terdapat beberapa alat yang digunakan untuk menganalisis stabilitas
proses. Terdapat tujuh alat utama yang masing-masing dari ketujuh alat tersebut
telah digunakan secara terpisah sebelumtahun 1960. Pada awal tahun 1960,
beberapa ilmuwan Jepang yang dipimpin oleh Kaoru Ishikawa menggabungkan
alat tersebut sehingga menghasilkan alat pengendalian mutu yang efektif dan
mudah untuk digunakan. Ketujuh alat tersebut antara lain lembar pemeriksaan
(checksheet), histogram, diagram pareto (pareto chart), diagram fishbone
(causeand-effect diagram), stratifikasi (stratification), diagram pencar
(scatterdiagram) dan diagram kendali (control chart) ( Montgomery, 2009).
Dalam teori statistic process control, kondisi diluar control biasanya
disebabkan oleh sebab-sebab yang telah diketahui dengan pasti, atau bisa juga
dikarenakan oleh sebab-sebab khusus, seperti misalnya perubahan dari bahan

15
baku, degradasi atau penyalahgunaan mesin, pergantian operator/user dari suatu
mesin, dan lain-lain. Jika kondisi diluar kontrol ini terjadi, maka biasanya proses
produksi akan dihentikan untuk mencegah adanya produksi yang tidak sesuai
dengan kualitas yang seharusnya, kemudian pihak dari perusahaan yang akan
melakukan penyelidikan untuk mencari tahu apa penyebab dari kondisi tersebut
terjadi, serta menghilangkan penyebab tersebut. Sehingga dengan demikian maka
kualitas dari produk yang dihasilkan akan tetap terjaga (Montgomery, 2009).
Pada kasus univariate, dimana hanya ada satu varibabel yang perlu dimonitor
dan dikontrol, ada banyak sekali diagram kontrol yang tersedia. Untuk data l
atribut, peta kontrol yang populer mencakup fraction defectivechart (p chart) dan
count chart (c chart). Untuk data yang kontinu,diagram kontrol yang populer
antara lain “X-bar chart dan R charts”, dan“X-bar dan S charts”. Akan tetapi pada
pembahasan selanjutnya univariat tidak akan dibahas lebih jauh karena metode
yang dipakai merupakan bagian dari multivariat ( Montgomery, 2009).
Di dunia industri, variabel yang harus dikontrol dalam proses kebanyakan
merupakan multivariat. Sebagai contoh pada perusahaan perakitan mobil. Dimensi
dari bagian-bagian yang harus diproses merupakan multivariat dan mempunyai
hubungan yang erat. Didalam industri kimia, banyak sekali variabel proses,
seperti temperatur, tekanan, dan konsentrasi.
Namun yang disayangkan adalah pada dunia industri dalam mengatasi data
multivariat dan hubungan yang erat ini biasanya menggunakan satu peta kontrol
univariat untuk setiap variabelnya. Pendekatan ini menjadikan ada banyak sekali
peta kontrol dan dapat membingungkan pengguna/pihak perusahaan sehingga
dapat menyebabkan kesalahan keputusan. Oleh sebab itulah perlu dipakainya
metode yang bisa mendeteksi kasus multivariat, seperti T2 Hotelling, EWMA
multivariat control chart, principal component, PLS dan lain-lain.

3.4 Korelasi antar Peubah

Analisis data untuk pengendalian kualitas statistik dengan grafik pengendali
multivariat dilakukan dengan beberapa tahapan. Tahapan pertama melakukan uji
korelasi positif dan negatif antar peubah untuk mengetahui hubungan antar

16
variabel-variabel tersebut. Menurut Sarwono (2009) untuk pengujian signifikan
digunakan kriteria sebagai berikut.
a. Jika nilai signifikansi hasil riset < 0,05 , maka hubungan kedua variabel
signifikan.
b. Jika nilai signifikansi hasil riset > 0,05 , maka hubungan kedua variabel
tidak signifikan.

3.5 Distribusi Normal Multivariat

Menurut Johnson & Wichern ( 1998 ) hampir keseluruhan teknik analisis
dengan data multivariat terutama data variabel membutuhkan asumsi bahwa data
mendekati distribusi normal multivariat. Beberapa pengembangan fungsi densitas
normal untuk beberapa dimensi memainkan peran yang mendasar dalam analisis
multivariat. Meskipunpada kenyataanya data yang diperoleh sangat sulit atau
bahkan tidak pernah mutlak berdistribusi normal multivariat, namun fungsi
densitas
normal seringkali digunakan sebagai pendekatan distribusi populasi yang
sebenarnya. (Montgomery, 2009).

Variabel
x 1 ,x 2 ....x p sendiri dapat dikatakan berditribusi normal multivariate
2
dengan parameter μ dan σ jika mempunyai fungsi densitas:
1 −1

1 − ( x−μ )' σ 2 ( x−μ )

2
f (x )= e
(2 π )p/2|σ 2|p/2 untuk −∞< x<∞ ( 3.1 )
Fungsi densitas normal multivariat p = 1 , 2 , … . , q diperoleh dengan
mengganti persamaan jarak yang telah distandarisasi dengan jarak multivariat

1
dalam bentuk yang lebih umum dan mengganti konstanta σ √2 π untuk
membuat fungsi densitas multivariat bersatu untuk berapapun nilai p. Sehingga
fungsi densitas normal multivariat menjadi:
1 −1

1 − ( x−μ)' σ 2 (x −μ)
2
f (x )= e
(2 π ) p/2|σ 2|1 /2 ( 3.2 )

17
 Dimana −∞< x<∞ dan p = 1, 2, …,q. Densitas normal pdimensi maka
2
akan dinotasikan dengan N (μ , σ ) . (Montgomery, 2009)
Selain menggunakan Q-Q Plot perhitungan untuk melihat kenormalan data
dapat dilihat melalui nilai skewness dan kurtosis, untuk pengujian normal
multivariat sendiri dapat digunakan hipotesis dimana hipotesisnya yaitu:
H0 : β1,p = 0 (data berdistribusi normal multivariat)
H1 : β1,p ≠ 0
untuk statistik ujinya sendiri dapat dilihat dengan rumusan:
( p+1)(n+1 )(n+3)
z skew= b
6 [(( p+1)(n+1 )−6 ] 1, p ( 3.3 )
tolak hipotesis nol jika zskew ≥ χ21/6 p (p+1) (p+2)
atau tolak hipotesis nol jika nilai p-value ≤ α (0.05)
Untuk melihat nilai kurtosisnya dapat dilihat distribusi yang tidak terlalu
menanjak ataupun yang tidak terlalu kecil. Untuk hipotesisnya sendiri adalah:
H0 : β2,p = 0 (data berdistribusi normal multivariat)
H1 : β2,p ≠ 0
dimana statistik ujinya adalah:
b2, p − p ( p+2 )
z kurtosis=
√ 8 p( p+2)/n ( 3.4 )
tolak hipotesis nol jika jika β2,p lebih besar dari batas atas 2.5% dan lebih kecil dari
nilai batas bawah 25% dari distribusi z.
atau tolak hipotesis nol jika nilai p-value ≤ α (0.05)
Pengujian asumsi normal multivariat berfungsi untuk memastikan data
pengamatan mengikuti distribusi normal secara bersama-sama atau secara
multivariat. Salah satu cara untuk memeriksa apakah suatu himpunan data
mempunyai sebaran normal multivariat adalah dengan menggunakan q-q plot
yang didasarkan pada jarak kuadrat. Jarak kuadrat dari vektor mean populasi
berdistribusi khi-kuadrat dengan derajat bebas p (Johnson and Wichern, 2002). Uji
asumsi distribusi normalitas dengan hipotesis adalah :
H0: Data berdistribusi normal multivariat
H1: Data tidak berdistribusi normal multivariat.

18
Pemeriksaan distribusi normal multivariat dapat dilakukan pada setiap populasi
dengan cara membuat q-q plot atau scatter-plot dari nilai
T
( X i −X ) ( 3.5)
−1
d 2 =( X i− X ) S
i
dimana:
d2
i adalah dengan mencari nilai jarak kuadrat untuk setiap pengamatan ke - i
X i adalah pengamatan yang ke – i, dengan i = 1, 2, ..., n’

X adalah rata-rata variabel

−1
S adalah kebalikan (inverse) matriks varians- kovarians S

3.6 Diagram Kontrol Multivariat T2 Hotelling

Akhir-akhir ini, proses produksi modern telah berubah menjadi kompleks dan
terintegrasi. Dengan demikian, monitoring karakteristik kualitas proses perlu
dilakukan secara terpisah, dengan mengabaikan interaksi yang mungkin terjadi
antara karakteristik kualitas proses, namun hal itu belumlah cukup untuk
mencerminkan situasi proses secara utuh. Oleh karena itu, perlu dilakukan
beberapa pengembangan dan perbaikan. Salah satu yang paling sering dibahas
adalah Diagram Kontrol multivariat T2 Hotelling. Menurut Montgomery (2009)
diagram kontrol T2 Hotelling merupakan salah satu diagram kontrol multivariate
yang mengontrol vektor rata-rata suatu proses dan memiliki analogi dengan
diagram kontrol univariat Shewhart. Berdasarkan hasil pengamatannya, diagram
kontrol T2 Hotelling dibagi menjadi dua yaitu diagram kontrol T2 Hotelling untuk
pengamatan Subgrup dandiagram kontrol T2 Hotelling untuk pengamatan
individual. Selain itu untuk menggunakan rumusan T2 Hotelling pada data
multivariate variabel dibutuhkan asumsi normal multivariat (Montgomery, 2009).
Nilai yang dimaksud adalah nilai T2 Hotelling yang rumusannya adalah:
T −1
T 2=( X i −X ) S ( X i− X )
i
dengan I = 1,….,n ( 3.6 )

dengan X adalah sampel vektor rata-rata dan S matrix kovarians (Montgomery,

2009).

19
 Sedangkan jika data tidak berdistribusi normal multivariat ketika pengujian di
tahap sebelumnya, maka alat yang akan digunakan adalah diagram kendali T2
Hotelling bebas distribusi (Mason & Young, 2002).
Untuk batas kendalinya sendiri adalah:
p(m+1)(m−1 )
UCL= F
mn−m− p+1 ( α , p , mn−m− p+1)
LCL = 0 ( 3.7)
dimana m adalah jumlah sampel dan p adalah jumlah variabel. Ketika terdapat
jumlah sampel yang cukup besar, m>100, maka rumusannya dapat disesuaikan
menjadi:
p(m−1 )
UCL= F
m− p ( α , p , m− p) ( 3.8)
atau bisa juga
UCL= χ (2α , p ) ( 3.9 )
Untuk nilai batas χ2 m>100 pada rumus (3.9) tepat digunakan jika nilai
matriks kovarians diketahui, namun batas yang paling digunakan untuk
penaksiran adalah batas pada rumus tersebut (Montgomery, 2009).
Kesulitan yang signifikan dalam kasus observasi individu yaitu menaksir
matrix kovarians sehingga penaksir diperoleh dengan cara menggabungkan semua
estimator yang rumusannya adalah:
1
S=
m−1
∑ ( x i−x )( x i −x )T
( 3.10 )

20