MODUL PRAKTIKUM

ALAT BANTU DAN

STATISTIKA

STATISTIK DESKRIPTIF, UJI HIPOTESIS, ANOVA

LINEAR & MULTIPLE REGRESSION

REPEATABILITY & REPRODUCIBILITY

ACCEPTANCE SAMPLING

PETA KENDALI

CAPABILITY PROCESS

DESIGN FOR RELIABILITY

RELIABILITY TESTING

LABORATORIUM
TEKNIK MUTU DAN KEHANDALAN
JURUSAN TEKNIK MESIN DAN INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
YOGYAKARTA

© 2015
 2

MODUL 1

STATISTIK DESKRIPTIF, UJI HIPOTESIS, ANOVA

A. Tujuan
1. Praktikan memahami konsep mean, median, modus, variance, standard deviation,
range, percentile dalam organisasi data.
2. Praktikan memahami cara menyajikan data dalam bentuk grafik.
3. Praktikan dapat membaca data yang disajikan dalam bentuk grafik.
4. Praktikan memahami cara menguji hipotesis untuk single sample dan two sample.
5. Praktikan memahami cara melakukan pengujian ANOVA.
6. Praktikan mampu membaca hasil dari pengolahan data yang ditampilkan.

B. Daftar Rujukan
1. Montgomery, D.C., Runger, G.C., 2003, Applied Statistics and Probability for
Engineers, 3rd Edition, John Wiley & Sons, Inc.
2. Montgomery, D.C., Statistical Quality Control, Fifth ed., 2005

C. Dasar Teori
1. Pengertian Statistik
Statistik merupakan bagian dari matematika yang mempelajari tentang cara
mengumpulkan, mengklasifikasikan, meringkas, menyajikan, menginterpretasikan, dan
menganalisa data untuk mendukung pengambilann kesimpulan yang valid. Statistik
terbagi menjadi dua jenis, yaitu statistik deskriptif dan statistik induktif.

1.1 Statistik Deskriptif

Statistik deskriptif adalah bidang ilmu statistika yang mempelajari cara-cara
mengumpulkan, menyusun, dan menyajikan data dari suatu observasi. Beberapa
istilah yang terkait dengan statistika deskriptif adalah :
 Populasi merupakan data kuantitatif yang menjadi objek telah
 Parameter merupakan ukuran yang mencerminkan karakterisasi populasi
 Sampel merupakan bagian dari populasi
 3

Beberapa data yang digunakan dalam statistik deskriptif adalah :

a. Mean
Mean atau rata rata adalah nilai rata rata dari keseluruhan dari hasil
observasi. Jika n observasi dari sample didonasikan dengan x1,
x2,…xn, maka rata rata sample adalah:

b. Modus
Modus adalah nilai yang paling sering muncul atau data dengan
frekuensi tertinggi
c. Median
Median adalah nilai tengah dari keseluruhan data yang sudah diurutkan
dari rendah ke tinggi
d. Varian

e. Standar Deviasi
Standar deviasi menunjukan penyebaran rata rata dari sampel.

f. Range
r = max (xi) – min (xi)
g. Percentile
Percentile menampilkan data data secara berkelompok menjadi
sebuah persentase.
 4

Untuk mempermudah pembacaan data yang ada, maka data dapat

ditampilkan dalam bentuk grafik. Beberapa grafik yang dapat dipakai adalah:
a. Histogram

b. Scatter Diagram
 5

c. Box Plot

d. Digidot Plot

1.2. Statistik Induktif

Statistik induktif merupakan proses pengambilan kesimpulan mengenai
parameter populasi berdasarkan informasi yang diperoleh dari sampel. Karena
pengambilan kesimpulan dengan cara ini tidaklah mutlak kepastiannya, maka
kata “probabilitas” sering digunakan dalam menyatakan kesimpulannya, yang
dinyatakan dalam confidence level.
 6

Metode yang digunakan dalam statistik induktif adalah:

a. Estimasi
Sampel digunakan untuk mengestimasi suatu parameter dan dibuatlah suatu
confidence interval tentang estimasi tersebut.
b. Uji hipotesis
Untuk menentukan apakah data yang tersedia mempunyai alasan yang kuat
untuk ditolak atau diterima.

2. Uji Hipotesis
Pengujian hipotesis dapat dilakukan melalui Z-Test atau T-Test. Beberapa
kriteria yang digunakan dalam memilih jenis uji statistika yang tepat adalah:
 Jika n>30 atau variasi populasi diketahui maka digunakan Z-Test
 Jika n<30 dan variasi populasi tidak diketahui maka digunakan T-Test
Hipotesis yang diuji dapat berbentuk:
1) H0 : µ = µ0 vs H1 : µ ≠ µ0
2) H0 : µ ≤ µ0 vs H1 : µ > µ0
3) H0 : µ ≥ µ0 vs H1 : µ < µ0
Kesalahan dalam pengambilan keputusan digolongkan menjadi dua, seperti yang
ditunjukkan pada tabel berikut.

a. Hypothesis Test of Mean

Dalam hypothesis test of mean, pengujian hipotesis yang dilakukan adalah:

biasa disebut two-sided test

biasa disebut one-sided test

 7

Dua jenis uji statistik yang dapat dilakukan adalah Z-Test dan T-test.
o Z-test untuk single sample

o Z-test untuk two sample

o T-test untuk single sample

o T-test untuk two sample

Untuk melakukan pengujian data dengan sampel lebih dari 1 maka,
rumus yang digunakan adalah:
 8

Tahapan yang perlu dilakukan dalam melakukan uji hipotesis adalah:

1. Tentukan parameter yang digunakan.
Contoh: Parameter = µ
2. Tentukan hipotesa null (Ho) dari permasalahan.
Contoh: Ho : µ = 50
3. Tentukan hipotesa kontradiksi (H1).
Contoh: H1 : µ ≠ 50
4. Tentukan tingkat confidence level
Contoh: α = 0.05
5. Masukkan data yang dimiliki
Contoh: 𝑥 = 51.3 σ=2 n = 25
6. Tentukan kondisi untuk menolak hipotesa null.
Contoh: Reject Ho if Zo>Zα
7. Perhitungan uji hipotesis

Tabel statistik yang digunakan dalam Z-Test adalah Tabel Z. Kesimpulan

yang dapat diambil adalah Reject Ho jika Zo > Zα.

b. P-Value in Hypotesis Testing

P-value adalah tingkat signifikan terkecil yang mengakibatkan

penolakan pada null hipotesis Ho pada data yang diberikan. Kesimpulan
yang diambil dengan menggunakan P-value adalah Reject Ho jika P ≤ α
dan sebaliknya.
 9

3. Anova (Analysis of Variance)

Anova adalah suatu analisis statistikaa untuk menguji secara serentak apakah k
populasi mempunyai rataan yang sama. ANOVA dibagi menjadi dua jenis, yaitu:
a. Anova one way : data yang ada hanya mempunyai satu faktor yang diuji
b. Anova two way : data yang ada mempunyai dua faktor yang akan diuji.

Keterangan:
a = jumlah treatment
n = jumlah observasi
N = jumlah total observasi = a x n
Berdasarkan tabel di atas jika Fo > Fα,a-1,a(n-1) maka kita akan menolak H0.

D. Alat dan Bahan

1. Data hasil pengukuran pada praktikum alat bantu
2. Software spreadsheet dan Minitab

E. Prosedur Praktikum
STATISTIK DESKRIPTIF
MS. EXCEL

1. Buka software Ms. Excel

2. Masukkan data-data yang didapat dari hasil pengukuran pada
praktikum sebelumnya
3. Hitunglah mean, median, modus, variane, standar deviasi, range, percentile
4. Sajikan data yang diperoleh dalam bentuk grafik
 10

MINITAB
1. Buka software minitab
2. Masukan data di dalam worksheet
3. Pilih menu statistic (Stat)
4. Pilih basic statistics, pilih display descriptive statistics

5. Pilih Graph untuk menampilkan grafik

6. Klik OK

Untuk membuat grafik, langkah langkahnya adalah

1. Pilih menu graph
2. Pilih grafik yang ingin digunakan, contoh : histogram of data

3. Klik OK
 11

4. Pilih kolom yang akan dijadikan grafik, pilih select

5. Klik OK
 12

UJI HIPOTESIS
MS EXCEL

1. Pilih menu data, dan pilih data analysis

2. Pilih t-test: two sample assuming unequal variances

3. Klik OK
4. Pada bagian variable 1 range, pilih dengan drag data pengukuran
5. Pada bagain varaibel 2 range, pilih parameter
6. Output option, pilih output range lalu klik salah satu kotak di lembar kerja
excel untuk meletakkan hasil

7. OK
8. Beri kesimpulan
9. Lakukan langkah yang sama untuk t-Test: two sample assuming equal variance
 13

MINITAB
1. Pilih menu stat-basic statistics
2. Pilih 1-sample t
3. Pilih kotak samples in columns untuk memunculkan kolom sample, kolom
sampel tersebut akan ditampilkan pada kotak sebelah kiri

4. Pilih kolom sampel disebelah kiri untuk aktifkan button select

5. Klik select
6. Check list pada kotak dialog perform hypothesis test
7. Isi nilai hipotesis (parameter)

8. Klik option
9. Masukan nilai confidence level (1-a)
 14

10. Pada bagian alternative, pilih jenis sisi yang akan digunakan sesuai

hipotesis
11. Pilih OK
12. Beri kesimpulan
13. Lakukan langkah yang sama untuk uji hipotesis two samples dengan memilih
2- Sample t

14. Pilih option, masukan nilai confidence level (1-α)

15. Masukan nilai test difference (µ1-µ2)
16. Pilih OK
17. Beri kesimpulan
 15

ANOVA
Sebuah pabrik pembuat paper ingin meningkatkan tensile strength dari
produknya. Perusahaan berfikir bahwa untuk meningkatkan tensile strength-nya maka
konsentrasi dari kekerasan kayu juga diperhatikan. Oleh sebab itu, perusahan
melakukan percobaan dengan mencoba ke empat jenis konsentrasi kekerasan kayu
yang digunakan dan didapatkan hasil sebagai berikut:

Kekerasan Observasi Observasi Observasi Observasi

kayu 1 2 3 4
5% 7 8 15 11
10% 12 17 13 18
15% 14 18 19 17
20% 19 25 22 23

MS. EXCEL
1. Masukan data yang ada pada excel
2. Lakukan perhitungan dengan cara manual (dengan rumus yang telah
disediakan sebelumnya) yaitu mencari nilai dari total, average, dan nilai fo
3. Selanjutnya lakukan perhitungan Anova dengan menggunakan data analysis
4. Pilih data, data analysis
5. Pilih ANOVA: single factor

6. Masukan data yang akan dianalisis

7. Pilih grouped by rows untuk menganalisis data berdasarkan treatment
8. Pilih output range, lalu pilih OK
9. Bandingkan data antara perhitungan manual dengan hasil data analysis
 16

MINITAB
1. Buka minitab
2. Masukan data pada worksheet
3. Pilih Stat dan pilih Anova

4. Akan muncul kotak dialog

5. Masukan response dari data dan masukkan factor yang akan diuji
6. Masukan confidence level dari data (1-α)
7. Klik OK
8. Buat Kesimpulan dari data yang ditampilkan oleh minitab
 17

MODUL II
LINIER & MULTIPLE
REGRESSION

A. TUJUAN
1. Praktikan memahami konsep regresi untuk membangun model empiris.
2. Praktikan memahami aplikasi dari analisis regresi pada bidang industri.

B. DAFTAR RUJUKAN

Montgomery, D. C., Applied startistics and probability for engineers, Fifth Ed., 2011 (chapter
11, 12)

C. DASAR TEORI

Regresi linier adalah metode statistika yang digunakan untuk menyelidiki hubungan
antara dependen varaiabel dan independen variabel (Montgomery, 2011). Dependen variabel
sering disebut juga variabel resepon dan sering dilambangkan dengan Y sedangkan
Independen variabel sering disebut sebagai regressor / prediktor variabel dan sering
dilambangkan dengan X.
Regresi linier ini sendiri dalam keilmuan teknik industri dapat digunakan untuk
melakukan peramalan dan analisis kelayakan industri. Sedangkan dalam dunia industri, untuk
mendiskripsikan fenomena yang ada, mencari tahu akar penyebab masalah, melakukan
control pada sistem produksi yang ada, dan masih banyak yang lainnya.
Dalam suatu model regresi linier kita akan menemukan koefisien-koefisien. Koefisien
pada model regresi ini merupakan parameter didalam model regresi yang menggambarkan
keadaaan sebenarnya. Koefisien regresi sendiri dapat dibedakan menjadi 2 macam, yaitu:
1. Intersep (intercept)
Intersep merupakan titik perpotongan antara suatu garis dengan sumbu Y pada
diagram/sumbu kartesius. Intersep akan terlihat jelas ketika nilai X = 0.
2. Slope
Slope merupakan ukuran kemiringan dari suatu garis. Slope ini merupakan koefisien
regresi untuk variabel X (independen variabel). Dengan demikian dapat dikatakan
 18

bahwa slope akan memberikan gambaran besar kontribusi yang diberikan variabel x
terhadap variabel y.
Berikut diberikan contoh model regresi sederhana untuk memudahkan pemahaman
mengenai intersep dan slope
Y = 11 + 2.3*X + e
 Angka 11 merupakan intersep
 Angka 2.3 merupakan slope,
 e merupakan error
error adalah semua hal yang mungkin mempengaruhi variabel terikat Y, yang tidak
diamati oleh peneliti
Secara umum, terdapat 2 jenis regresi, yaitu regresi linier sederhana (simple linear
regression) dan regresi linear berganda (multiple linear regression).

Regresi Linier Sederhana / Simple Linear Regression

Regresi linear sederhana merupakan model regresi dimana model yang ada hanya
memiliki satu variabel independen (X) dan tentu saja satu variabel dependen (Y). Bentuk
umum dari persamaan linier regresi adalah sebagai berikut :

Dimana Masing masing Koefisien parameter diperoleh dari Persamaan berikut :

 19

Rumus Korelasi

Keterangan:
1. Jika r = 0 atau mendekati 0 maka hubungan antar kedua variabel lemah
2. Jika r = (-1) maka hubungan antar kedua variabel sangat kuat dan bersifat tidak
searah / berkebalikan
3. Jika r = (+1) maka hubungan antar kedua variabel sangat kuat dan bersifat searah

Regresi Linier Berganda / Multiple Linier Regresion

Regresi linier berganda merupakan salah satu bentuk model regresi dimana terdapat
lebih dari 1 variabel dependen dan 1 variabel dependen didalamnya. Bentuk umum
persamaan ii adalah sebagai berikut :

Dimana untuk mencari masing masing koefisien parameter dapat diperleh

mengunakan persamaan matematis sebagai berikut :

Pengujian Model Regresi

Dalam aplikasinya untuk melakukan analisis regresi terhadap suatu data perlu
dilakukan beberapa pengujian-pengujian untuk lebih meyakinkan bahwa model regresi yang
dibangun sudah cukup memenuhi standar. Beberapa pengujian tersebut antara lain:
 20

1. Uji Normalitas
Uji Normalitas digunakan untuk mengetahui apakah data yang ada memiliki
sebaran nilai error secara normal dengan rata-rata nol dan suatu ragam (variance)
tertentu. Statistik uji yang paling sering digunakan untuk menguji asumsi
kenormalan error dengan menggunakan Kolmogorov-Smirnov normality test
terhadap data residual yang muncul. Kolmogorov-Smirnov test bekerja dengan
cara membandingkan 2 buah distribusi/sebaran, yaitu distribusi yang
dihipotesiskan dan distribusi yang teramati. Apabila distribusi yang teramati mirip
dengan distribusi yang dihipotesiskan (distribusi normal), maka kita bisa
menyimpulkan bahwa data yang kita amati memiliki distribusi/sebaran normal.
2. Uji homoscedastic
Error yang muncul dalam uji regresi umumnya sangat sulit atau bahkan tidak
mungkin untuk diketahui nilainya secara pasti. Oleh karena itu, diperlukan suatu
penduga dari data error. Data penduga yang paling tepat adalah data residual.
Setiap nilai dari data residual diharapkan memiliki nilai ragam yang mirip. Apabila
error memiliki ragam yang homogen, demikian juga seharusnya dengan
residualnya. Tujuan Uji Homoscedastic adalah untuk mengetahui apakah error
(yang diwakili nilai residual) memiliki nilai ragam yang sama antara error ke-i dan
error ke-j. Secara matematis ditulis:

3. Uji Multikolinearitas
Uji ini hanya digunakan untuk kasus regresi linier berganda. Multikolinieritas
berarti terjadi korelasi linier yang erat antar variabel bebas. Statistik uji yang tepat
adalah dengan menggunakan uji korelasi dan pengujian Variance Inflation Factor
(VIF). Pengujian Korelasi dapat meghasilkan nilai korelasi yang berkisar anatar -1
dan +1. Sedangkan untuk uji VIF, jika nilai VIF lebih besar dari 10
mengindikasikan adanya multikolinieritas yang serius.

D. ALAT DAN BAHAN

1. Data worksheet
2. Software Spreadsheet, Minitab, dan SPSS
 21

E. PROSEDUR PRAKTIKUM
Soal :
CEO Sebuah Perusahaan Garment tertarik untuk menyelidiki kecelakaan kerja
yang terjadi pada bagian shop flornya. Ia menghire konsultan untuk melakukan
analisis apakah penyebab dari kecelakaan kerja yang ada. Konsultan tersebut
meminjam buku dokumentasi bagian K3 perusahaan yang merekap masalah
kesehatan dan keselamatan kerja pekerja perusahaan. Konsultan tersebut mendapat
data mulai dari tahun 2001 sampai 2014 , dan berikut data yang didapatkan oleh
konsultan tersebut.
Jumlah Jumlah
Jumlah
Tahun Kecelakaan Rotasi
Pekerja
Kerja Shift Kerja

2001 33 1000 100

2002 35 1035 96

2003 32 1050 104

2004 30 950 105

2005 31 1025 104

2006 28 1100 115

2007 27 1115 114

2008 25 1150 120

2009 25 1140 117

2010 33 1155 110

2011 35 1200 103

2012 25 1220 110

2013 21 1205 120

 22

2014 21 1300 125

a. Spreadsheet
1. Membuka software Microsoft Excel
I. Regresi Linier Sederhana
1. Pada bagian ini, gunakan data jumlah kecelakaan kerja dan jumlah rotasi
shift kerja
2. Membuat tabel bantuan pada worksheet dengan pola sebagai berikut

Y- X-
X Y X^2 Y^2 XY BAR BAR

3. Menghitung nilai B0 dan B1 menggunakan rumus regresi linier yang telah

II. Regresi Linier Berganda
1. Pada bagian ini, gunakan data jumlah kecelakaan kerja, jumlah rotasi shift,
dan jumlah perkerja.
2. Membuat tabel bantuan pada worksheet dengan pola sebagai berikut

Y
ERROR ERROR^2
PRED

B0

B1

B2

SSE

3. Gunakan Solver
4. Selesaikan dengan menggunakan Tool data analysis juga.
b. Minitab
 23

1. Buka software MiniTab

2. Masukkan data pada worksheet

3. Pilih menu Stat>Regression>Regression

4. Pada kotak dialog untuk respon, pilih variable dependen, sedangkan pada
predictor pilih variable independen.
 24

5. Klik Ok.
6. Pada kotak session akan muncul hasil perhitungan dari regresi.
7. Buat grafik regresi.
 25

c. SPSS
1. Buka software SPSS
2. Atur Penamaan Data

3. Input data yang tersedia dalam table 1 ke dalam worksheet SPSS

4. pilih menu Analyze > Regression > Linear >

 26

5. Masukan nilai variable bebas sebagai “independent” dan variable terikat sebagai
“dependent”. Tentukan juga Confidence Level yang diingingkan (95%)
 27

6. Pilih menu statistics kemudian check bagian estimates, Model fit, convidence
interval dan descriptive untuk memunculkan informasi apa saja yang akan di
tampilkan.

7. Klik continue
8. Klik OK
 28

MODUL III

REPEATABILITY & REPRODUCIBILITY

A. Tujuan:

1. Praktikan memahami Repeatability dan Reproducibility

B. Daftar Rujukan

1. Montgomery, D. C. and Runger, G.C., Applied Statistic and Probability for Engineers,
Third edition, (Chapter 9, page 189)

C. Landasan Teori

Measurement System Analysis (MSA) adalah analisis dari sebuah sistem pengukuran sehingga
didapatkan hasil pengukuran dengan minimal error, akurat, presisi dan dapat dipertanggung-
jawabkan. MSA dapat diklasifikasikan menjadi Precision & Accuracy :

1. Precision / Presisi adalah variasi part saat diukur beberapa kali dengan alat ukur yang
sama.
2. Accuracy / Akurasi adalah perbedaan antara hasil pengukuran part dengan nilai
sebenarnya dari part tersebut.

Accuracy

Akurasi mempunyai 3 komponen :

a. Stability : pengukuran harus mempunyai nilai yang sama baik di “masa lalu” maupun di
”masa datang” (time base).
 29

b. Linearity : pengukuran memberikan pembacaan yang tepat pada rentang ukuran tertentu
(scale base).
c. Bias : perbedaan nilai rata-rata pengukuran dengan nilai sebenarnya / true value.

Precision

Presisi terbagi menjadi 2 komponen :

a. Repeatability: variasi pengukuran yang terjadi ketika operator yang sama mengukur part
sama dengan alat ukur yang sama di waktu yang berbeda atau berulang kali (Equipment
Variation).
b. Reproducibility: variasi pengukuran oleh operator yang berbeda, mengukur part yang
sama dengan alat ukur yang sama pula (Appraiser Variation).

Kriteria penerimaan sistem pengukuran dilakukan dengan melakukan analisa Gauge R & R
(Repeatability & Reproducibility) sehingga dapat dilihat kepresisian sistem pengukuran, yaitu:

1. Dengan melihat persentase studi variasi yang ditinjau dari variasi repeatability & variasi
reproducibility.
2. Dengan melihat Discrimination / Number of Distinct Categories dapat dilihat apakah
sistem pengukuran mampu membedakan berbagai part ukur yang berbeda ukurannya.
3. Dengan melihat P-value, dapat dilihat apakah ada kecenderungan interaksi antara
operator dengan part yang diukur (missal : Part dengan bentuk, jenis, ukuran tertentu).

Dasar evaluasi nilai R & R biasanya bernilai:

a. 0-10% Baik sekali (excellent)

b. < 20% Baik - memenuhi syarat
c. < 30% Cukup – dapat diterima
d. 30% Tidak diterima
 30

Gambar 1. Pembagian Total Variation

D. Alat dan Bahan

1. Data hasil pengukuran pada praktikum alat bantu

2. Software spreadsheet dan minitab

E. Prosedur Praktikum

Prosedur Input Data

MS.EXCEL

1. Buka software Ms. Excel

2. Masukkan data hasil pengukuran individu pada praktikum alat bantu.
 31

Tabel 1. Contoh Template Pengerjaan di Excel

part trial observer 1 observer 2 observer n range average

2
a
3

2
b
3

2
n
3

- Rumus
Terdapat beberapa metode dalam mengukur R & R, salah satunya adalah Range and
Avergae Methode. Metode ini menghitung total variabilitas sistem pengukuran dan bisa
dipisahkan menjadi repeatability, reproducibility, dan variasi part.

(1)

Dimana → R adalah rata-rata range untuk semua observer dan part

→ d2 dengan Z = jumlah part dikali jumlah observer

→ W = trial

(2)
 32

Dimana → adalah rata-rata perbedaan dalam pengukuran rata-rata antara observer

dengan pengukuran rata-rata tertinggi, dan observer dengan pengukuran rata-rata

terendah, untuk semua penilai dan bagian,

d2 diperoleh dari tabel dengan Z = 1 dan W = operator,

n adalah jumlah part, dan

r adalah jumlah percobaan.

Sehingga,

(3)

- Part Variability
(4)

Dimana → Rp adalah perbedaan antara rata-rata terbesar dan terkecil pengukuran part,

dimana rata-rata diambil untuk semua observer dan semua percobaan, dan

d2 diperoleh dari tabel dengan Z = 1 dan W = jumlah part.

- Total Variability
(5)

Membuat Gage R&R Study Worksheet

MINITAB

1. Pilih Menu Stat  Quality Tools  Gage Study  Create Gage R&R Study Worksheet
2. Pada Dialog Box ada beberapa item yang harus diisi:
 33

Gambar 2. Dialog Box Create Gage R&R Study Worksheet

- Number of parts: Berapa banyak komponen yang akan diukur.

- Part Name: Isikan nama tiap komponen untuk mengidentifikasi masing-masing
komponen.
- Number of operators: Berapa banyak operator yang akan mengukur komponen
- Operator Name: Isikan nama tiap operator untuk mengidentifikasi masing-masing
operator.
- Number of replicates: Berapa kali setiap komponen akan diukur.
Gage R&R Study (Crossed)

MINITAB

1. Pada Worksheet tambahkan kolom Measurements di C4. Isi kolom Measurements dengan
hasil pengukuran yang telah dilakukan.
 34

Gambar 3. Tampilan Lembar Minitab

2. Pilih Stat  Quality Tools  Gage Study  Gage R&R Study (Crossed)
3. Pada Dialog Box ada beberapa item yang harus diisi:

Gambar 4. Dialog Box Gage R&R Study (Crossed)

- Part numbers: Masukkan kolom yang memuat nama atau nomor komponen dengan cara
memilih nama kolom kemudian klik Select.
- Operators: Masukkan kolom yang memuat nama atau nomor operator dengan cara
memilih nama kolom kemudian klik Select.
- Measurement data: Masukkan kolom yang memuat hasil pengukuran dengan cara
memilih nama kolom kemudian klik Select.
- Method of Analysis
 35

a. ANOVA: Pilih untuk menggunakan metode ANOVA

b. Xbar and R: Pilih untuk menggunakan metode metode Xbar and R.

Gambar 5. Tampilan Gage R&R for Measurements

INTERPRETASI HASIL

Session Window Output

- Lihat p-value pada interaksi Operator*Part di tabel ANOVA. Ketika p-value untuk
operator oleh komponen > 0.25, Minitab akan menyesuaikan model tanpa interaksi dan
menggunakan model yang diturunkan untuk mendefinisikan statistik Gage R&R.
- Lihat kolom %Contribution pada tabel Gage R&R. Jika persentase kontribusi dari Total
Gage R&R lebih besar dibandingkan Part-To-Part berarti sebagian besar variasi muncul
diakibatkan oleh sistem pengukuran. Sebaliknya, jika persentase kontribusi dari Part-To-
Part lebih besar dibandingkan Total Gage R&R berarti variasi yang muncul disebabkan
oleh perbedaan antar komponen.
 36

- Lihat kolom %Study Var dan periksa apakah dapat diterima atau tidak berdasarkan
Sistem Pengukuran AIAG (Automobile Industry Action Group).
- Perhatikan number of distinct categories. Sesuaikan dengan Sistem Pengukuran AIAG
apakah memadai atau tidak.

Graph Window Output

- Pada grafik Components of Variation persentase kontribusi dari Total Gage R&R lebih
besar dibandingkan Part-To-Part berarti sebagian besar variasi muncul diakibatkan oleh
sistem pengukuran. Sebaliknya, jika persentase kontribusi dari Part-To-Part lebih besar
dibandingkan Total Gage R&R berarti variasi yang muncul disebabkan oleh perbedaan
antar komponen.
- Pada grafik By Part menunjukkan perbedaan antar komponen.
- Pada Xbar Chart by Operator mengindikasikan penyebab dari variasi pengukuran.
Apabila sebagian besar titik pengukuran pada grafik dan R berada di dalam batas kontrol
berarti variasi pengukuran disebabkan oleh sistem pengukuran.
- Pada grafik By Operator menunjukkan perbedaan antar operator.

Panduan untuk Penerimaan Sistem Pengukuran Berdasarkan AIAG

Jika persentase Total Gage R&R pada kolom %Study Var adalah:

- Lebih kecil dari 10% maka sistem pengukuran dapat diterima.

- Diantara 10% - 30% maka sistem pengukuran dapat diterima tergantung pada aplikasi,
biaya alat ukur, biaya perbaikan, dan faktor lainnya.
- Lebih besar dari 30% maka sistem pengukuran tidak dapat diterima dan harus
ditingkatkan.

Jika melihat kolom %Contribution standarnya adalah:

- Lebih kecil dari 1% maka sistem pengukuran dapat diterima.

 37

- Diantara 1% - 9% maka sistem pengukuran dapat diterima tergantung pada aplikasi,

biaya alat ukur, biaya perbaikan, dan faktor lainnya.
- Lebih besar dari 9% maka sistem pengukuran tidak dapat diterima dan harus
ditingkatkan.

Standar Untuk Number of Distinct Categories

- Minitab menghitung jumlah kategori yang berbeda dengan cara membagi standar deviasi
pada komponen dengan standar deviasi pada alat ukur kemudian mengalikannya dengan
1,4. Jumlah ini merupakan jumlah interval kepercayaan yang tidak tumpang tindih yang
akan merentangkan kisaran variasi produk. Dapat juga dianggap sebagai jumlah
kelompok dalam proses data dimana sistem pengukuran bisa membedakan.
- Automobile Industry Action Group (AIAG) menyarankan ketika jumlah kategori kurang
dari dua maka sistem pengukuran tidak mampu mengendalikan proses karena tidak dapat
membedakan satu komponen dengan komponen lainnya. Ketika jumlah kategori adalah
2, maka data dapat dibagi kedalam dua kelompok (high dan low). Ketika jumlah kategori
adalah 3, maka data dapat dibagi kedalam tiga kelompok (high, medium, dan low). Jika
nilainya mencapai 5 atau lebih maka sistem pengukuran bagus dan dapat diterima.
 38

MODUL 4

ACCEPTANCE SAMPLING

A. Tujuan
1. Praktikan memahami cara menentukan suatu lot of product diterima atau ditolak
menggunakan pendekatan statistika.

B. Daftar Rujukan
1. Montgomery, D. C., Statistical Quality Control, Fifth Ed., 2005(Chapter 15, page 688-
709)
2. Montgomery, D. C., Introduction to Statistical Quality Control, Sixth Ed., 2009 (Chapter
15 & 16)

C. Dasar Teori
Acceptance sampling adalah suatu ilmu dalam aplikasi pengendalian kualitas produk
(SQC) dengan cara menguji random sampel “lots” atau batches dari produk akhir dan
membandingkannya dengan standar yang telah ditentukan sebelumnya. Acceptance
sampling biasa dilakukan pada:
- Bahan baku datang (Arrival Material) : untuk pengujian terhadap bahan baku, komponen,
bahan-bahan yang akan dirakit dalam berbagai tingkatan proses.
- Pengujian terhadap produk jadi.
Acceptance Sampling dapat dilakukan oleh produsen maupun konsumen, hal ini
dilakukan guna meyakinkan bahwa produk yang akan diterimanya telah dilakukan
pemeriksaan, selain itu juga bermafaat sebagai cross check antara produsen dan konsumen.
Pengertian sampling itu sendiri memiliki arti bahwa pengujian atau pengecekan kualitas
dilakukan hanya terhadap sampel yang dipilih secara random dari lots of N units (populasi).
 39

Sebuah lot atau batch sampel tersebut dapat diinspeksi menggunakan beberapa cara, yaitu
single sampling, double sampling atau sequential sampling.

Dalam pengaplikasian dari Acceptance Sampling tentunya memiliki beberapa

kelebihan, yaitu:

a. Lebih murah dan cepat.

b. Resiko kerusakan part berkurang.
c. Manpower lebih sedikit.
d. Mengurangi kesalahan pemeriksaan.
e. Memberikan motivasi ke supplier untuk perbaikan proses secara menyeluruh.

Selain kelebihan, Acceptance Sampling memiliki beberapa kekurangan, yaitu:

a. Beresiko dapat menerima lot yang tidak baik (Consumer’s risk) dan menolak lot
yang baik (Producer’s risk).

Gambar 1. Resiko Acceptance Sampling

b. Informasi dari part / proses yang didapat lebih sedikit.
c. Memerlukan perencanaan dan dokumentasi tentang prosedur sampling
penerimaan yang akan dijalankan.

Terdapat tiga pendekatan dalam memutuskan lot :

1. Menerima lot tanpa pemeriksaan

Digunakan ketika proses produksi supplier sangat baik, produk cacat hampir tidak
dapat ditemukan.
2. Pemeriksaan 100 %
Digunakan ketika proses produksi supplier tidak cukup memenuhi spesifikasi atau
merupakan “Critical Part” dan apabila meloloskannya akan mengakibatkan biaya
 40

yang sangat besar atas kompensasi meloloskan part atau benda yang di luar
spesifikasi tersebut.
3. Acceptance Sampling
Digunakan apabila :
a. Pengujian bersifat merusak.
b. Biaya dan waktu pemeriksaan 100 % sangat tinggi.
c. Adanya keperluan untuk pemantauan kualitas supplier.

Acceptance Sampling terbagi menjadi dua,yaitu:

1. Attributes
Pengujian atau pengamatan yang tidak dapat diukur dengan angka (go – no go
inspection). Biasa dilihat dari defects-number of defects per unit dan range acceptability
produk defektif.
Contoh: Mengamati cacat pada suatu benda seperti goresan pada benda

2. Variables
Pengujian atau pengamatan yang dapat diukur dengan angka, biasanya menggunakan
mean dan standar deviasi (continuous measurement).
Contoh: Mengamati cacat pada benda dimana dilihat dari ukuran suatu bagian benda
tersebut.

D. Alat dan Bahan

1. Ms. Excel
2. Software minitab, metode Acceptance Sampling by Variable

E. Prosedur Praktikum
Ms. Excel

1. Masukkan data
2. Hitung Nilai UCL CL dan LCL
 41

UCL = μ + 3 σ (1)

CL = μ (2)

LCL = μ - 3 σ (3)

dimana μ = rata – rata data dan σ = standar deviasi data

3. Buat Grafik UCL CL dan LCL dari data

Minitab

1. Buka software minitab

2. Pilih menu stat > Quality tools > Acceptance sampling by variable >
Create/Compare, jika ingin meng-create sampling plan by variable.

Gambar 2. Tahapan Acceptance Sampling by Variable pada Minitab

3. Maka akan muncul kotak dialog sebagai berikut

 42

Gambar 3. Kotak dialog Acceptance Sampling by Variable

4. Pilih create sampling plan

5. Pada Units for quality levels, pilih Percent Defective.
6. Pada Acceptable Quality Level (AQL), masukkan 5. Pada Rejectable Quality Level
(RQL or LTPD), masukkan 10
AQL : Tingkat seberapa jumlah defective maksimal yang masih dapat diterima dilihat
dari segi produsen
RQL : Tingkat seberapa jumlah defective maksimal yang masih dapat diterima dilihat
dari segi konsumen
7. Pada Producer's risk (Alpha), masukkan 0.05. Pada Consumer's risk (Beta), masukkan
0.10.
8. Pada Lower spec, masukkan nilai LCL data excel
9. Pada Historical standard deviation, masukkan nilai standard deviation data excel
10. Pada Lot size, masukkan 100. Klik OK.
 43

Hasil akan ditampilkan pada kotak dialog session. Dari kotak dialog tersebut diperoleh nilai k
(critical distance). Nilai k disini dapat digunakan sebagai acuan untuk memutuskan apakah suatu
lot diterima atau ditolak.

Accept/Reject Lot

1. Buka Minitab
2. Choose Stat > Quality Tools > Acceptance Sampling by Variables > Accept / Reject.
3. Pada Measurement data, pilih data yang akan diuji.
4. Pada Critical distance (k value), masukkan nilai k yang diperoleh dari hasil create
plan sampling by variable.
5. Pada lower spec masukkan nilai LCL data excel
6. Pada Historical standard deviation, masukkan nilai standard deviasi data excel. Klik
OK.
7. Pada session minitab akan didapatkan nilai Z.LSL
Z.LSL = (mean - lower spec)/standard deviation
Accept lot if Z.LSL >= k; otherwise reject.
 44

MODUL V
PETA KENDALI

A. Tujuan:
1. Praktikan memahami tentang peta kendali dan hubungannya dengan kualitas
2. Praktikan memahami perbedaan macam-macam peta kendali dan aplikasinya pada
kasus
3. Praktikan dapat membuat peta kendali dan menginterpretasikan hasilnya.

B. Daftar Rujukan
1. Montgomery, D. C., Introduction to Statistical Quality Control, Fifth Ed., 2005
2. Montgomery, D. C., Applied Statistics and Probability for Engineers, Third Ed.,
2004

C. Dasar Teori
Dalam sebuah proses produksi, produk maupun servis yang dihasilkan diproyeksikan
mempunyai variasi yang sedikit sehingga semua produk sesuai dengan standar
spesifikasi. Namun, untuk menghasilkan sejenis output yang sama merupakan hal yang
tidak mudah. Variasi dari produk akan selalu terjadi meskipun proses sudah dirancang
atau dirawat baik-baik. Proses produksi dikatakan in statistical control saat variasi yang
muncul disebabkan oleh chance/common cause. Sedangkan variasi yang terjadi pada
waktu tertentu disebabkan oleh assignable causes. Hal yang dilakukan oleh seorang
engineer adalah menentukan apakah variasi tersebut terjadi secara signifikan dan
melakukan control terhadap variasi tersebut dan melakukan upaya perbaikan untuk proses
maupun produk. Salah satu tool untuk melakukan control terhadap variasi adalah peta
kendali (control chart).
Peta kendali dapat digunakan untuk melakukan estimasi parameter proses produksi
dan informasi ini dapat digunakan untuk menentukan apakah kapabilitas proses sesuai
 45

dengan spesifikasi, stabil dan repeatable. Peta kendali ini akan menentukan batas dari
variasi yang dapat dikualifikasikan berkualitas. Ada dua jenis peta kendali :

a. Peta kendali variabel

- Peta Kendali R
Peta kendali R melakukan plotting terhadap range (jarak) suatu proses dalam
waktu tertentu untuk variabel yang berupa data yang telah dikelompokkan. Peta
kendali ini sering digunakan untuk menganalisa stabilitas dari sebuah proses dalam
industry. Contohnya, kita bisa menggunakan peta kendali R untuk menganalisa
variasi proses dalam pengelompokan sebuah part dari mesin. Peta kendali R
digunakan untuk pengelompokkan dengan nominal kurang dari sama dengan 8.

Menghitung batas-bata pada peta kendali R

UCL = d2 (ni) σ + kd3 (ni) σ atau D4
CL =
LCL = d2 (ni) σ + kd3 (ni) σ atau D3

dengan
d2 = konstanta untuk mengestimasi standar deviasi (tabel)
d3 = konstanta untuk mengestimasi UCL dan LCL (tabel)
n = jumlah data
σ = standar deviasi
D3 dan D4= variasi sample size dari tabel
= rata rata sample

- Peta Kendali Xbar

Peta kendali Xbar hampir sama dengan peta kendali R. Hal yang membedakan
adalah peta kendali Xbar menghitung rata-rata terhadap sebuah proses dalam waktu
tertentu. Untuk menggunakan peta kendali Xbar, terlebih dahulu kita harus
menggunakan peta kendali R untuk melihat apakah data yang kita pakai cukup valid
 46

untuk dikendalikan. Lalu, setelah menggunakan peta kendali R, maka kita dapat
menggunakan peta kendali Xbar.

Cara menentukan batas peta kendali Xbar

UCL = + A2R

CL =

LCL = - A2R
Dengan
R = rata-rata jarak
= rata-rata dari hasil rata-rata pengukuran
A2 = jumlah sample size dalam tabel
- S Chart
Peta kendali S melakukan plotting terhadap standar deviasi suatu proses dalam waktu
tertentu. Peta kendali ini sering digunakan untuk menganalisa stabilitas dari sebuah
proses dalam industry. Peta Kendali S digunakan bersama dengan peta kendali .S
Chart relatif lebih mudah digunakan pada kasus yang memiliki ukuran sampel yang
bervariasi.

b. Peta kendali atribut

- P Chart.
P chart digunakan untuk mengukur proporsi ketidaksesuaian dari item-item dalam
kelompok yang sedang diinspeksi. Selain itu, p chart juga berfungsi untuk
mengendalikan proporsi produk cacat yang dihasilkan dalam suatu proses. Proporsi
yang tidak memenuhi syarat merupakan rasio banyaknya item yang tidak memenuhi
syarat dalam suatu kelompok terhadap total banyaknya item dalam kelompok
 47

tersebut. Jika item tersebut tidak standar pada satu atau lebih karakteristik yang
diperiksa maka item itu digolongkan tidak memenuhi syarat.

Cara menghitung batas-batas P chart yakni dengan

dengan = jumlah unit cacat rata-rata per ukuran subgroup

- C Chart.
Suatu item yang tidak memenuhi syarat atau yang cacat dalam proses
pengendalian kualitas didefinisikan sebagai tidak memenuhi satu atau lebih
spesifikasi standar untuk item tersebut. Penggolongan produk cacat berdasarkan
kriteria di atas kadang-kadang untuk jenis produk tertentu dianggap kurang
representatif, karena mungkin saja suatu produk masih dapat berfungsi dengan baik
walaupun satu atau lebih titik spesifikasi yang tidak memenuhi spesifikasi. Contohnya
adalah dalam proses perakitan computer dimana produk masih dapat berfungsi
dengan baik apabila ada satu titik spesifikasi yang tidak memenuhi standar
spesifikasi. Jika terdapat banyak titik lemahnya, maka tentu saja produk tersebut perlu
dikategorikan sebagai produk cacat atau tidak memenuhi syarat. Hal ini berarti bahwa
perusahaan memberikan toleransi atas kelemahan pada satu atau beberapa titik
spesifikasi yang tidak memenuhi syarat sepanjang tidak mempengaruhi fungsi dari
 48

produk tersebut. Oleh karenanya diagram kontrol yang sesuai adalah diagram kontrol
C atau C chart yang didasarkan pada banyaknya titik spesifik yang tidak memenuhi
syarat dalam suatu item.
 49

Cara menghitung batas-batas C chart yakni dengan

UCL = c + 3 c

LCL =c– 3 c , dengan c =

c
k

- U chart.
Diagram kontrol U mengukur banyaknya ketidaksesuaian (titik spesifik) per unit
laporan inspeksi dalam periode, yang mungkin memiliki ukuran contoh (banyaknya
item yang diperiksa). Mirip dengan diagram kontrol C, kecuali pada banyaknya
ukuran sampel yang digunakan. Pada diagram kontrol C memilki ukuran sampel pada
setiap kali pengamatan sebanyak satu buah, sedangkan pada diagram kontrol U
ukuran sampel dapat bervariasi pada setiap kali pengamatan. Sehingga dapat
dikatakan bahwa diagram kontrol U dapat digunakan apabila ukuran contoh lebih dari
satu unit atau mungkin bervariasi dari waktu ke waktu.

Cara menghitung batas-batas pada U chart

Dengan =
c
n

D. Alat dan Bahan

1. Data hasil pengukuran pada praktikum alat bantu
2. Software spreadsheet dan minitab
50
 51

E. Prosedur Praktikum

Prosedur Input Data

MS.EXCEL

1. Buka software Ms. Excel

2. Masukkan data hasil pengukuran individu.
3. Simpan data Dropbox dengan nama file: nomor komputer
4. Satukan data dari praktikan lain didalam Ms. Excel
5. Simpan file dengan nama “Latihan 5”

Membuat Peta Kendali Xbar-R

MINITAB
1. Pilih Menu Stat  Control Chart  Variable Chart for Subgroups  Xbar-R
2. Pada Dialog Box ada beberapa item yang harus diisi:

Pilih menu “All observations for a chart are in one column”. Lalu masukkan
kolom yang akan dibuat peta kendalinya. Subgroup Size adalah jumlah
pengelompokan data.
3. Klik OK.
Hal yang sama dilakukan untuk Peta Kendali P, C, dan U.
 52

F. INTERPRETASI DATA
Sesuai dengan judulnya, peta kendali akan menghasilkan output berupa grafik
dengan batas-batas pengendalian, yakni UCL (Upper Control Limit) dan LCL (Lower
Control Limit). Dari grafik tersebut, dapat dilihat nantinya data mana yang tidak dapat
dikendalikan dan data yang masih dalam proses kontrol.

Dari data diatas, dapat diperbarui juga sebuah control limit yang baru dengan tidak
memperhitungkan data-data yang tidak digunakan.
 53

MODUL VI
CAPABILITY PROCESS

A. Tujuan
1. Memahami konsep Capability Process
2. Memahami aplikasi Capability Process

B. Daftar Rujukan
1. Kocherlakota, Subrahmaniam, 1992, Process Capability Index: Developments,
Sankhyā: The Indian Journal of Statistics, Series B (1960-2002), Vol. 54, No. 3
(Dec.,1992), pp. 352-369
2. Alwan, Layth C, 2000, Statistical Process Control, Singapura, McGraw-Hills
3. Montgomery, D.C., 1996, Introduction to Statistical Quality Control, 3rd Edition,
John Wiley & Sons
4. Montgomery, D.C., Runger, G.C., 2003, Applied Statistics and Probability for
Engineers, 3rd Edition, John Wiley & Sons, Inc.

C. Dasar Teori

I. Pendahuluan
Menurut Montgomery et al. (2003), kualitas sebuah produk ditentukan berdasarkan
interaksi antara quality of design dan quality of conformance. Quality of design
mencakup aspek-aspek seperti tingkat performa, kehandalan, kemampuan produk untuk
diperbaiki (serviceability), dan fungsi-fungsi lain yang telah dirancang oleh perusahaan.
Sedangkan quality of conformance mencakup usaha pengurangan variabilitas produk
secara sistematis dan eliminasi produk cacat. Untuk mencapai quality of conformance,
perbaikan akan terpusat pada proses manufaktur produk tersebut.
 54

Proses akan dikatakan capable apabila proses berhasil menghasilkan produk sesuai
dengan target level yang ingin dicapai atau batas toleransi. Dalam melakukan
pengendalian proses, hal pertama yang harus diperhatikan yaitu memastikan bahwa
proses telah statistical in control dan data yang digunakan mengikuti distribusi normal.
 55

II. Process Capability Studies

Process Capability Studies adalah studi untuk merencanakan desain untuk
menghasilkan informasi yang spesifik mengenai performa suatu proses dibawah kondisi
operasional tertentu. Proses kapabilitas studi dibagi menjadi dua berdasarkan jenis data
yang dimiliki, yaitu data atribut dan data variabel.

a. Attribute process capability studies adalah performa proses yang diukur dari proporsi
defective item yang diproduksi oleh proses tersebut. Attribute process capability
studies secara natural terhubung dengan informasi dari atribut control chart seperti
P, NP, C, atau U-chart.
b. Variable process capability studies merupakan hal yang penting untuk desainer
produk dan teknisi. Dalam variable process capability studies terdapat 3 komponen
inti yaitu spesifikasi desain, centering of process, dan range dari natural variation.
Desain spesifik biasanya merupakan target ideal dengan batasan yang spesifik.
Batasan ini biasanya tipe dua sisi yang keduanya merupakan USL (Upper
Specification Limit) dan LSL (Lower Specification Limit). Jika asumsi yang
digunakan dalam dalam pengukuran adalah normal, maka batasannya menjadi:
UNTL (Upper Natural Tolerance Limit) = µ + 3σ (1)

LNTL (Lower Natural Tolerance Limit) = µ - 3σ (2)

Gambar Natural Tolerance limit vs Specification limit

 56

Umumnya kapabilitas proses dapat dinilai dengan melihat grafik kapabilitas. Grafik
kapabilitas digambarkan dalam histogram dan ploting kapabilitasnya. Grafik kapabilitas
dapat menunjukkan distribusi data yang dimiliki dan seberapa besar proses tersebut
berada pada spesifikasi yang diinginkan.

III. Process Capability Indices

Kapabilitas proses dapat diukur dari capability process indices yang pada intinya
merupakan penilaian antara hubungan natural variability dengan spesifikasi desainnya.
Menurut Alwan (2000) ada lima capability process indices yang umumnya sering
digunakan dan didukung penggunaannya oleh Minitab yaitu Cp, Cpl, Cpu, Cpk,dan Cpm.

1. Potential Capability Index (Cp)

Potential Capability Index merupakan indeks yang menunjukkan kapabilitas yang
mungkin dicapai oleh proses. Menurut Kocherlakota (1992), Cp dirumuskan dengan :
 57

(3)

= (4)

= (5)

Menggunakan 6σ karena dalam Quality Control natural tolerance adalah 6σ.

Gambar diatas menunjukkan tiga skenario yang berbeda dari performa suatu proses.
Masing-masing skenario merefleksikan target dari suatu proses. Gambar yang paling atas
menunjukkan proses yang paling capable karena persebaran dari spesifikasi yang ditentukan
lebih lebar dibandingkan dengan natural tolerance. Hal ini akan berakibat pada nilai Cp > 1.

Gambar kedua atau yang berada di tengah terjadi jika nilai Cp = 1,atau range natural
variability sama dengan persebaran spesifikasi yang telah ditentukan. Atau dengan kata lain
allowable tolerance sama dengan natural tolerance. Gambar terakhir terjadi jika Cp < 1,
terlihat dari range natural tolerance yang lebih besar dibandingkan persebaran
spesifikasinya.

Sehingga dapat disimpulkan bahwa semakin tinggi nilai Cp, maka proses dinilai
capable menghasilkan produk dengan variabilitas rendah dan sesuai target. Montgomery
(1996) merekomendasikan nilai minimal Cp adalah 1,33 untuk proses yang sedang berjalan
 58

dan 1,50 untuk proses yang baru berjalan. Sedangkan untuk tujuan keamanan nilai Cp 1,50
untuk proses yang sedang berjalan,dan 1,67 untuk proses baru. Nilai Cp = 1,33 banyak
digunakan di industri automotif.

2. One sided Capability Indices (Cpu dan Cpl)

Index Cp dibangun dari dasar dua batasan spesifikasi. Jika di dalam proses hanya
terdapat satu batasan spesifikasi, maka akan mengikuti persamaan di bawah ini :

Cpu = (12)

Cpl = (13)

3. Performance Capability Index (Cpk)

Ketika rata-rata (mean) proses tidak berada di tengah (off center) maka perhatian tidak
lagi hanya pada spesifikasi limitnya, tetapi akan tertuju pada spesifikasi mean dari proses
tersebut. Oleh karena itu dikembangkanlah Cpk yang memperhitungkan variasi proses dan
centring. Cpk dapat menunjukkan kapabilitas proses yang sebenarnya terjadi (actual
performing). Cpk dirumuskan sebagai nilai minimum dari dua index batasan atau jika
dinotasikan sebagai berikut:

Cpk = min (Cpu, Cpl) (14)

Cpk dapat digunakan apabila hanya terdapat satu batasan spesifikasi, sedangkan Cp tidak.
Hubungan antara Cpk dan Cp dapat dijelaskan dalam beberapa point dibawah ini :

a. Cpk < Cp ketika proses mean tidak berada tepat di tengah-tengah interval spesifikasi
b. Cpk = Cp ketika proses mean tepat berada di tengah-tengah interval spesifikasi.
c. Cpk = 0 ketika proses center berada pada LSL atau USL dari spesifikasi
d. Cpk < 0 ketika proses center berada dibawah LSL atau diatas USL spesifikasi.
 59

4. Target Focus Capability Index (Cpm)

Hampir seluruh capability index mengukur apakah proses memenuhi spesifikasi dan
target yang diinginkan. Cpm membandingkan persebaran spesifikasi dengan persebaran data
yang dimiliki. Perbedaan yang besar antara target yang diinginkan dengan data yang
dihasilkan akan mengakibatkan nilai dari Cpm kecil.

IV. Reporting Nonconformance Rate dalam Part per Million Units

Dalam melaporkan rate nonconformance (NCR) dalam jumlah kecil, lebih baik jika
laporan dalam unit ppm (Part per million). Sebagai contoh rate NCR sebesar 0,0027 dapat
dilaporkan sebagai 2700 ppm. Hal ini juga dikarenakan Minitab melaporkan NCR dalam units
ppm.
 60

Dengan asumsi sample terdistribusi normal,dapat ditentukan seberapa besar NCR rate. Dari
persamaan (5) diperoleh :

USL – LSL = 6σ Cp (6)

Dan diketahui bahwa

µ = (7)

dari persamaan (6) diperoleh

USL = 6σ Cp + L (8)

Dari persamaan (7) diperoleh

µ= (9)

µ = 3σ Cp + LSL (10)

µ - LSL = 3σ Cp (11)

Maka diperoleh rate NCR sebagai berikut :

NCR = P (X < LSL) + P ( X > USL)

= P (Z < )+P(Z> )

= P (Z < )+P(Z> )

= P ( Z < -3Cp) + P ( Z > )

= P (Z < -3Cp) + P (Z > )

= P (Z<-3Cp) + P (Z>3Cp)
 61

= 2 P (Z < -3Cp )

Sebagai contoh,jika kita memasukkan nilai Cp =1,33 maka akan diperoleh

NCR = 2 P(Z< -3.1,33)

= 2 P(Z < -3,99)

Dan jika dilihat di tabel distribusi normal,maka akan diperoleh

NCR = 2 x 0,00003304

= 0,0000661

Atau 66,1 ppm

Aplikasi Capability Process

Capability Process digunakan untuk menganalisis sebuah proses yang dihasilkan apakah
telah memenuhi spesifikasi yang telah ditetapkan.

D. Asumsi dan Batasan

1. Proses dalam statistical control
2. Proses mengikuti distribusi normal

E. Alat dan Bahan

1. Data observasi
2. Software Minitab

F. Prosedur Praktikum
 62

Melakukan analisis Capability

MINITAB

1. Input data diameter dari hasil praktikum di Lab Prosesi di worksheet minitab
2. Pilih menu Stat > Quality Tools > Capability Analysis > Normal

3. Muncul kotak dialog sebagai berikut

- Data are arranged as digunakan untuk memasukkan data yang akan dianalisis
 Single column digunakan jika data hanya dalam satu kolom
 63

 Subgroup size digunakan untuk memasukkan size dari subgroup yang

dimiliki dari data yang kita punya.
 Subgroups accros rows of digunakan jika data lebih dari satu kolom
 Low spec digunakan untuk memasukkan batas bawah toleransi yang kita
tetapkan
 Upper spec digunakan untuk memasukkan batas atas toleransi yang kita
tetapkan
 Historical mean digunakan untuk memasukkan mean data masa lalu jika kita
memiliki historical data
 Historical standard deviation digunakan untuk memasukkan standard deviasi
data historical jika kita memiliki historical data
 Box-Cox digunakan untuk mentransformasikan nonnormal data untuk
mengikuti data yang terdistribusi normal

 Estimate digunakan untuk mengatur jumlah observasi yang digunakan dalam

estimasi standar deviasi
 64

 Options digunakan untuk menambahkan spesifikasi target proses,bagaimana

capability proses ditampilkan dan perhitungan statistika apa saja yang
dilakukan

 Storage : Pilih jika ingin menampilkan storage dari analisis capability proses
yang telah dipilih pada menu options.
 65

4. Masukkan data yang akan dianalisis pada data are arranged as

5. Masukkan batas spesifikasi
6. Pilih menu options,sesuaikan dengan kondisi yang diharapkan
7. Klik OK
8. Interpretasikan hasil.
 66

MODUL 7

DESIGN FOR RELIABILITY

B. Tujuan:
1. Praktikan memahami konsep kehandalan dari suatu produk
2. Praktikan memahami aplikasi desain untuk kehandalan

C. Daftar Rujukan
1. Crowe, D., and Fenberg, A., 2001, Design for Reliability, CRC Press LLC, Florida, USA

2. Enrick, N. L., 1972. Quality Control and Reliability. 6th ed. New York: Industrial Press Inc..

D. Dasar Teori

Kehandalan (reliability) adalah probabilitas dari sebuah produk atau peralatan akan
bekerja tanpa kegagalan (kerusakan) sesuai fungsi yang diharapkan pada durasi waktu tertentu
(Enrick, 1972). Sebagai contoh, sebuah komputer memiliki kehandalan sebesar 0.99 (atau 99%)
untuk 1000 jam. Artinya komputer tersebut memiliki kemungkinan sebesar 99% untuk bekerja
secara normal selama 1000 jam, dan sebaliknya mempunyai kemungkinan terjadinya kegagalan
sebanyak 1%.

Sebuah produk yang handal tidak membutuhkan waktu perawatan yang banyak atau
lama, jadi seringkali terdapat trade-off antara reliability dan maintainability. Kehandalan sangat
sensitif terhadap desain. Perubahan yang kecil pada desain sebuah komponen dapat
menyebabkan perubahan besar pada kehandalan komponen tersebut, itulah mengapa sangat
penting untuk membuat target spesifikasi reliability dan maintainability sebelum pekerjaan
desain dilakukan.
 67

Ada tiga jenis kegagalan yang dapat terjadi pada produk atau mesin (Enrick, 1972), yaitu:

1. Early Failures
Kegagalan tipe ini berasal dari kecacatan produksi. Biasanya, jenis ini akan muncul diawal
dari life-cycle sebuah produk. Ada beberapa teknik yang dapat dilakukan untuk
memperbaikinya yaitu dengan cara debugging (proses mengidentifikasi dan mengurangi
cacat), shaking-out (proses membersihkan komponen dari kotoran yang merusak), dan
burning-in (proses pemeriksaan sebuah komponen sebelum dikirimkan untuk proses
lainnya).
2. Chance Failures
Kegagalan tipe ini dapat terjadi beberapa kali dalam life-cycle sebuah produk. Cacat
“tersembunyi” yang tidak dapat dideteksi pada pemeriksaan early failure dapat
menyebabkan masalah di kemudian hari. Kata “chance” menunjukkan bahwa kegagalan-
kegagalan tertentu itu tidak dapat diprediksi.
3. Wear-out Failures
Kegagalan tipe ini adalah kegagalan yang tidak dapat terelakkan jika dibandingkan jenis
kegagalan lainnya. Faktor-faktor eksternal dan sifat dari material sendiri yang dapat
menyebabkan terjadinya kegagalan atau mengurangi performa sebuah komponen.

Fungsi-fungsi yang berkaitan dengan Kehandalan

1. Fungsi Kegagalan
Failure function adalah dasar dari pengukuran reliabilitas dan didefinisikan sebagai
probabilitas bahwa sebuah komponen akan gagal/rusak sebelum atau pada saat waktu
operasi T.
... (1.1)
Dimana T adalah waktu dimana komponen akan mengalami kegagalan dan t adalah waktu
operasi dari komponen tersebut.
 68

2. Cumulative Distribution Function

Fungsi yang menunjukkan bahwa waktu hidup sebuah komponen akan berakhir sebelum t
waktu.
... (1.2)

3. Probability Density Function (fungsi frekuensi)

... (1.3)

4. Mean Time to Failure (MTTF)

MTTF adalah rata-rata waktu yang diharapkan hingga produk mengalami kegagalan untuk
pertama kali.
... (1.4)

5. Failure Rate Function

Failure Rate Function atau h(t) adalah kecenderungan sebuah komponen akan mengalami
kegagalan selama interval waktu setelah melewati waktu t. Diketahui bahwa kondisi
komponen pada saat t dalam keadaan baik.

... (1.5)

Proses Design for Reliability

Salah satu prinsip dalam reliabilitas adalah prinsip Stress-Strength Interference. Prinsip ini
menyatakan bahwa sebuah produk akan gagal apabila tekanan (stress) yang dialami oleh produk
tersebut melebihi kekuatannya seperti yang ditunjukkan oleh Gambar 1. Untuk mengurangi
 69

kemungkinan terjadinya kegagalan (dengan demikian akan meningkatkan kehandalan), maka

percampuran antara stress dan strength harus diminimalkan.

Gambar 1. Ilustrasi dari Stress-Strength Interference (Sumber: www.reliasoft.com)

Failure Mode and Effect Analysis (FMEA)

Failure Mode and Effect Analysis (FMEA) adalah metode yang sistematis dan proaktif
untuk mengevaluasi sebuah proses untuk mengidentifikasi dimana dan bagaimana proses
tersebut dapat gagal dan untuk menilai dampak relatif dari kegagalan yang berbeda, dengan
tujuan untuk mengidentifikasi komponen mana dari suatu proses yang paling penting untuk
diubah.

FMEA termasuk juga review dari hal-hal berikut:

 70

- Langkah-langkah proses
- Failure modes (bagian apa yang dapat gagal?)
- Failure causes (mengapa kegagalan dapat terjadi?)
- Failure effects (apa yangmenjadi konsekuensi dari setiap kegagalan?)

Sebuah tim menggunakan FMEA untuk mengevaluasi proses-proses yang mempunyai

kemungkinan terjadinya kegagalan dan untuk menghindarinya dengan cara memperbaiki proses
tersebut secara proaktif dibandingkan dengan secara reaktif terhadap kejadian-kejadian setelah
kegagalan terjadi. FMEA secara khusus berguna untuk mengevaluasi proses baru sebelum proses
tersebut diimplementasikan dan menilai dampak dari perubahan suatu proses.

Langah-langkah Umum

Langkah-langkah untuk melakukan Failure Mode and Effect Analysis (FMEA) dapat dilihat
pada Gambar 2.
 71

Start

Determine the
Process

Team Recruiting

List all steps of the

No
process
Finish

List the Failure

Use RPN for
Modes and identify Verified? Yes
improvement
the Causes

Calculate Risk Evaluate and Verify

Priority Number the Result

Gambar 2. Flowchart Langkah-langkah melakukan FMEA

 72

1. Pilih sebuah proses yang ingin dievaluasi dengan FMEA

Evaluasi menggunakan FMEA akan bekerja dengan lebih baik pada proses-proses yang
tidak memiliki subproses yang terlalu banyak. Dibandingkan harus melakukan FMEA pada
proses yang besar dan kompleks, pilih subproses yang akan di analisis.
2. Rekrut tim yang multidisipliner
Pastikan untuk mengikutsertakan semua orang yang terlibat dalam setiap bagian dari proses
tersebut. Setiap orang mungkin tidak menjadi bagian tim dalam keseluruhan analisis, tetapi
mereka harus disertakan dalam diskusi dari bagian proses dimana mereka terlibat.
3. Buat daftar dari setiap langkah-langkah proses
Pada tahap ini, catat setiap langkah proses, dan buat spesifik mungkin. Flowchart dapat
berguna untuk membuat outline dari proses ini beserta dengan kompleksitasnya. Setelah
selesai, pastikan untuk melakukan konsensus dari grup tersebut terhadap daftar yang telah
dibuat.
4. Buat daftar moda-moda kegagalan dan penyebabnya
Untuk setiap langkah dalam proses, daftar semua “moda kegagalan”, yang adalah setiap
bagian yang punya kemungkinan gagal, termasuk masalah yang minor dan langka.
kemudian, untuk setiap kegagalan yang terdaftar, identifikasi semua penyebab yang
mungkin menyebabkannya.

Untuk setiap moda kegagalan, buat nilai numeric (Risk Priority Number) untuk
kecenderungan terjadinya, kecenderungan deteksi, dan severity (seberapa besar dampaknya).
Dengan memberikan Risk Priority Number (RPN), dapat membantu tim untuk memprioritaskan
area-area yang perlu difokuskan dan juga untuk membantu untuk menilai peluang untuk
perbaikan. Cara mendapatkan nilai RPN, dapat ditunjukkan dengan persamaan 1.1.

RPN = S x O x D .... (1.6)

Dimana,

S = Severity.

O = Occurance.
 73

D = Detectable.

a. Likelihood of occurrence: Occurence merupakan frekuansi dari penyebab kegagalan secara

spesifik dari suatu proyek tersebut terjadi dan menghasilkan bentuk kegagalan. Occurence
menggunakan bentuk penilaian dengan skala dari 1 (hampir tidak pernah) sampai dengan 10
(hampir sering).
Tabel 1. Kriteria Occurence
Degree Berdasarkan frekuensi Rating
kejadian
Remote 0,01 per 1000 item 1
0, 1 per 1000 item 2
Low
0,5 per 1000 item 3
1 per 1000 item 4
Moderate 2 per 1000 item 5
5 per 1000 item 6
10 per 1000 item 7
High
20 per 1000 item 8
Very 50 per 1000 item 9
high 100 per 1000 item 10
Sumber: Gasperz 2002
b. Likelihood of detection: Detection merupakan pengukuran terhadap kemampuan
mendeteksi atau mengontrol kegagalan yang dapat terjadi. Detection menggunakan penilaian
dengan skala dari 1 sampai 10.
Tabel 2. Kriteria Detection
Rating Kriteria Berdasarkan
frekuensi
kejadian
Metode pencegahan sangat efektif. Tidak 0,01 per 1000
1
ada kesempatan penyebab mungkin item
 74

muncul.
2 0, 1 per 1000 item
Kemungkinan penyebab terjadi
0,5 per 1000
3 sangat rendah
item
4 Kemungkinan penyebab terjadi bersifat 1 per 1000 item
5 moderat. Metode pencegahan kadang 2 per 1000 item
memungkinkan 5 per 1000 item
6
penyebab itu terjadi.
7 Kemungkinan penyebab terjadi masih 10 per 1000 item
tinggi. Metode pencegahan kurang efektif. 20 per 1000 item
8
Penyebab masih berulang kembali.
9 Kemungkinan penyebab terjadi masih 50 per 1000 item
sangat tinggi. Metode pencegahan tidak 100 per 1000 item
10 efektif. Penyebab masih berulang
kembali.

c. Severity: Severity merupakan penilaian seberapa buruk atau serius dari pengaruh bentuk
kegagalan yang ada. Severity menggunakan penilaian dari skala 1 sampai dengan 10.
Tabel 3. Kriteria Severity
Rating Kriteria
Negligible severity (Pengaruh buruk yang dapat diabaikan).
1 Kita tidak perlu memikirkan bahwa akibat ini akan
berdampak pada kualitas produk. Konsumen mungkin tidak
akan memperhatikan kecacatan ini.
2 Mild severity (Pengaruh buruk yang ringan). Akibat yang
ditimbulkan akan bersifat ringan, konsumen tidak akan
3
merasakan penurunan kualitas
4
Moderate severity (Pengaruh buruk yang moderate).
5 Konsumen akan merasakan penurunan kualitas, namun
6 masih dalam batas toleransi.

7 High severity (Pengaruh buruk yang tinggi). Konsumen

akan merasakan penurunan kualitas yang berada diluar batas
8
toleransi.
 75

9 Potential severity ( Pengaruh buruk yang sangat tinggi).

Akibat yang ditimbulkan sangat berpengaruh terhadap
10
kualitas lain, konsumken tidak akan menerimanya.
Sumber: Gasperz 2002
5. Evaluasi hasilnya
Untuk menghitung RPN pada setiap moda kegagalan, kalikan ketiga nilai yang diperoleh
(likelihood of occurrence, likelihood of detection, severity). Skor RPN yang dihasilkan
akan berkisar antara 1-1000. Identifikasi sepuluh moda kegagalan yang memiliki RPN
paling tinggi. Inilah yang harus diprioritaskan pertama sebagai peluang perbaikan. Untuk
menghitung RPN keseluruhan proses, jumlahkan seluruh RPN dari subproses untuk
setiap moda kegagalan.

6. Gunakan RPN untuk rencana usaha perbaikan

Moda kegagalan dengan RPN yang tinggi adalah bagian dari proses yang palong penting
dimana menjadi fokus untuk melakukan perbaikan. Moda kegagalan dengan RPN yang
sangat kecil cenderung tidak banyak mempengaruhi proses.
- Gunakan FMEA sebagai rencana untuk mengurangi bahaya dari moda kegagalan
- Gunakan FMEA untuk mengevaluasi dampak potensial dari perubahan proses yang
sedang dipertimbangkan
- Gunakan FMEA untuk memonitor dan mencari perbaikan.

Gambar 2. Contoh pengisian Tabel FMEA

 76

E. Alat dan Bahan

3. Data worksheet
4. Microsoft Excel

F. Prosedur Praktikum
1. Tentukan masalah yang ingin diteliti yang berada di sekitar kita.
2. Buat daftar dari langkah-langkah setiap proses
3. Buat tabel menggunakan Microsoft Excel untuk moda-moda kegagalan
4. Moda kegagalan diisi sesuai dengan jenis dan kategorinya
5. Evaluasi hasil
 77

MODUL VIII
RELIABILITY TESTING

A. Tujuan:
1. Praktikan memahami cara melakukan pengambilan data dan analisis data dalam
reliability testing.

B. Daftar Rujukan
1. Minitab Inc. 2003-2005. Reliability and Survival Analysis. Online accessed March 13,
2013. URL:
http://cms3.minitab.co.kr/board/minitab_data/8.%20ReliabilityandSurvivalAnalysisAllTo
pics.pdf
2. Minitab Inc. 2013. Distributions Models for Reliability Data. Online accessed March 13,
2013. URL:
http://www.minitab.com/support/documentation/Answers/Reliability_Distribution.pdf
3. Ryan, T.P., 2007, Modern Engineering Statistics, John Wiley & Sons, Inc.

C. Landasan Teori
Reliability adalah probabilitas sebuah produk mampu menjalankan fungsinya selama umur
hidup dari produk tersebut (Ryan, 2007).

Fungsi reliability R(t), atau dikenal dengan fungsi survival S(t), merepresentasikan
probabilitas sebuah benda/alat tidak mengalami kegagalan setelah waktu tertentu (t).

R(t) = 1 - F(t) dimana F(t) adalah CDF (cumulative distribution function) untuk distribusi
yang sesuai.
 78

I. Perencanaan Reliability Testing

Tahap perencanaan dalam pengujian reliabilitas dilakukan untuk menentukan ukuran
sampel dan waktu pengujian yang dibutuhkan dalam mengestimasi parameter model atau
untuk mendemonstrasikan bahwa persyaratan reliabilitas yang ditentukan telah dipenuhi.

Dalam Minitab Technical Support Document (2005), test plan meliputi:

 Jumlah unit yang dibutuhkan untuk pengujian
 Stopping rule - waktu yang diperlukan untuk menguji tiap sampel atau jumlah
kegagalan yang harus terjadi.
 Success criterion – jumlah kegagalan yang diizinkan selama pengujian
berlangsung.

Dalam minitab, terdapat tiga jenis test plans yang dapat digunakan: demonstration,
estimation, accelerated life. Pada modul ini test plans yang akan dipelajari lebih lanjut
adalah demonstration test plans.

Demonstration test plans digunakan untuk menentukan ukuran sampel atau waktu
pengujian yang harus dilakukan, dengan beberapa tingkat kepercayaan, yang
menunjukkan bahwa reliabilitas telah melampaui standard yang ditentukan. Terdapat dua
tipe demonstration plans:
a. Substantiation test memberikan bukti statistik bahwa sistem yang didesain ulang
mampu mengurangi penyebab terjadinya kegagalan secara signifikan.
H0: Sistem baru tidak menghasilkan perbedaan dengan sistem lama
H1: Sistem baru lebih baik dari pada sistem lama
b. Reliability test memberikan basis statistik bahwa spesifikasi kehandalan telah
dipenuhi.
H0: Sistem kehandalan kurang dari atau sama dengan nilai tujuan
H1: Sistem kehandalan lebih baik dari nilai tujuan
 79

II. Analisis Distribusi

Untuk memodelkan data kegagalan yang ada, digunakan pendekatan menggunakan
distribusi statistik. Analisis distribusi dilakukan untuk memahami karakteristik umur
hidup produk yang dijadikan objek penelitian. Tujuannya adalah memperoleh estimasi
distribusi failure-time dari produk tersebut. Hal ini dilakukan dengan mengestimasi
percentile, survival probabilities, cumulative failure probabilities, dan parameter
distribusi melalui penggambaran survival plots, cumulative failure plots, atau hazard
plots. Estimasi yang dilakukan dapat menggunakan pendekatan parametrik maupun
nonparametrik.
Dalam minitab, untuk melakukan analisis distribusi harus memperhatikan dua hal, yaitu:
1. Censoring. Proses censoring dilakukan ketika data tidak lengkap karena terdapat
beberapa unit yang mengalami kegagalan atau karena waktu pengujian telah selesai
sebelum unit mengalami kegagalan. Beberapa kategori censoring yaitu:
 Right-censoring digunakan apabila terdapat data dengan waktu kegagalan tepat
pada batas waktu (exact failure) dan produk tidak mengalami kegagalan sebelum
penelitian berakhir, yang berarti waktu kegagalannya belum diketahui.
 Left-censoring digunakan apabila produk mengalami kegagalan sebelum
penelitian berakhir
 Interval-censoring digunakan apabila produk mengalami kegagalan pada suatu
interval waktu tertentu
 Arbitrary-censoring digunakan apabila data disensor dengan berbagai cara
meliputi exact failure, right-censoring, left-censoring, dan interval-censoring.
2. Distribusi. Data dapat dideskripsikan dengan berbagai distribusi. Setelah data
terkumpul, pilih distribusi yang paling sesuai untuk memodelkan data kemudian
estimasi berbagai fungsi yang mendeskripsikan distribusi tersebut.

III. Asumsi dan Batasan

1. Pada kegiatan praktikum di dalam lab. metode test plan yang dibahas adalah
Demonstration
2. Tipe sensor data yang digunakan adalah Arbitrary Censoring.
 80

3. Asumsi yang digunakan adalah data mengikuti distribusi parametrik

D. Alat dan Bahan

1. Data observasi
2. Software Minitab
E. Prosedur Praktikum

Menentukan waktu pengujian atau ukuran sampel dengan demonstration test

1. Pilih Stat > Reliability/Survival > Test Plans > Demonstration

2. Pada bagian Minimum Value to be Demonstrated, pilih salah satu dari pilihan
berikut:
 Scale (Weibull or expo) or location (other dists) digunakan apabila scale
dari Weibull/Exponential atau location dari distribusi lainnya diketahui.
 81

 Percentile, masukan nilai percentile. Pada Percent masukkan angka antara 0

sampai 100.
 Reliability, masukkan nilai reliability antara 0 sampai 1. Pada Time,
masukkan waktu.
 MTTF, masukkan waktu mean time to failure.
3. Pada Maximum number of failures allowed, masukkan angkan lebih dari atau
sama dengan nol.
4. Pada bagian Specify values for one of the following, pilih salah satu dari:
Sample size, masukkan jumlah unit yang tersedia untuk diuji.
Testing times for each unit, masukkan durasi masing-masing pengujian per unit.
5. Pada Distribution Assumption, pilih distribusi dari Distribution. Kemudian
masukkan estimasi shape atau scale pada Shape (Weibull) or scale (other dists)
6. Klik OK
7. Interpretasikan hasil.

Membuat Distribution ID Plot (Arbitrarily Censored Data)

1. Pilih Stat > Reliability/Survival > Distribution Analysis (Arbitrary Censoring) >
Distribution ID Plot.
 82

2. Pada Start variables, masukkan kolom start.

3. Pada End variables, masukkan kolom end.
4. Apabila terdapat kolom frekuensi, masukkan pada Frequency columns.
5. Apabila sampel menumpuk pada satu kolom, centang By variable, masukkan kolom
indikator pengelompokkan pada isian.
6. Pilih salah satu dari:
 Use all distributions untuk membuat plot probabilitas untuk semua (sebelas)
distribusi.
 Specify untuk membuat sampai empat plot distribusi dengan distribusi sesuai
yang diinginkan.
7. Klik OK
8. Interpretasikan hasil.

Membuat Distribution Overview Plot

 83

1. Pilih Stat > Reliability/Survival > Distribution Analysis (Arbitrary Censoring) >
Distribution Overview Plot.

2. Pada Start variables, masukkan waktu dimulai.

3. Pada End variables, masukkan waktu berakhir.
4. Apabila terdapat kolom frekuensi, masukkan pada Frequency columns.
5. Apabila sampel menumpuk pada satu kolom, centang By variable, masukkan kolom
indikator pengelompokkan pada isian.
6. Pilih untuk menampilkan parametrik atau nonparametrik plot:
 Parametrik plot. Pilih Parametric analysis. Dari Distribution, pilih untuk
membuat plot salah satu distribusi.
 Nonparametrik plot. Pilih Nonparametric analysis.
7. Klik OK
8. Interpretasikan hasil.

Parametric Distribution Analysis

 84

1. Pilih Stat > Reliability/Survival > Distribution Analysis (Arbitrary Censoring) >
Parametric Distribution Analysis

2. Pada Start variables, masukkan kolom start. Pada End variables, masukkan kolom end.
3. Pada Frequency column, masukkan kolom frekuensi.
4. Pada Assumed distribution, pilih salah satu distribusi yang sesuai.
5. Klik Graphs. Pilih Survival plot, kemudian klik OK.
6. Klik Estimate. Pada Estimate probabilities for these times (values), masukkan nilai
batas waktu terjadi failure yang diinginkan. Klik OK pada masing-masing kotak dialog.
7. Interpretasikan hasil.
85