8.

1 introduction

Teknik statistik dapat membantu seluruh siklus produk, termasuk kegiatan

pengembangan sebelum manufaktur, dalam mengukur variabilitas proses, dalam
menganalisis variabilitas ini relatif terhadap persyaratan produk atau spesifikasi, dan dalam
membantu pengembangan dan manufaktur dalam menghilangkan atau sangat mengurangi
variabilitas ini. Kegiatan umum ini disebut analisis kapabilitas proses. Kemampuan proses
mengacu pada keseragaman proses. Jelas, variabilitas karakteristik kritis-ke-kualitas dalam
proses adalah ukuran keseragaman output. Ada dua cara untuk memikirkan variabilitas ini:

1. Variabilitas alami atau inheren dalam karakteristik kritis terhadap kualitas pada waktu
tertentu; yaitu variabilitas "instan"

2. Variabilitas dalam karakteristik kritis terhadap kualitas dari waktu ke waktu

Kami menyajikan metode untuk menyelidiki dan menilai kedua aspek kapabilitas
proses. Menentukan kemampuan proses adalah bagian penting dari proses DMAIC. Ini
digunakan terutama dalam langkah menganalisis, tetapi juga dapat berguna dalam langkah-
langkah lain, seperti meningkatkan. Adalah kebiasaan untuk mengambil penyebaran enam-
sigma dalam distribusi karakteristik kualitas produk sebagai ukuran kapabilitas proses.
Gambar 8.1 menunjukkan proses yang karakteristik kualitasnya memiliki distribusi normal
dengan rata-rata m dan standar deviasi s. Batas toleransi alami atas dan bawah dari proses
jatuh pada m + 3s dan m - 3s, masing-masing; itu adalah,

UNTL LNTL = + = - μ σ μ σ 3 3

Untuk distribusi normal, batas toleransi alami termasuk 99,73% dari variabel, atau
dengan kata lain, hanya 0,27% dari output proses akan jatuh di luar batas toleransi alami.
Dua poin harus diingat:

1. 0,27% di luar toleransi alami terdengar kecil, tetapi ini sesuai dengan 2700 bagian yang
tidak sesuai per sejuta.

2. Jika distribusi output proses tidak normal, maka persentase output yang jatuh di luar m +
3s dapat sangat berbeda dari 0,27%.

Kami mendefinisikan analisis kemampuan proses sebagai studi formal untuk

memperkirakan kapabilitas proses. Perkiraan kapabilitas proses bisa dalam bentuk distribusi
probabilitas yang memiliki bentuk, pusat (mean), dan penyebaran tertentu (standar deviasi).
Sebagai contoh, kita dapat menentukan bahwa output proses terdistribusi normal dengan
rata-rata m = 1,0 cm dan standar deviasi s = 0,001 cm. Dalam pengertian ini, analisis
kemampuan proses dapat dilakukan tanpa memperhatikan spesifikasi pada karakteristik
kualitas. Sebagai alternatif, kami dapat mengekspresikan kemampuan proses sebagai
persentase di luar spesifikasi. Namun, spesifikasi tidak diperlukan untuk memproses analisis
kapabilitas.

Suatu studi kemampuan proses biasanya mengukur parameter fungsional atau

karakteristik kritis-toquality pada produk, bukan proses itu sendiri. Ketika analis dapat
secara langsung mengamati proses dan dapat mengontrol atau memantau aktivitas
pengumpulan data, penelitian ini merupakan studi kapabilitas proses yang sebenarnya,
karena dengan mengontrol pengumpulan data dan mengetahui urutan waktu data,
kesimpulan dapat dibuat tentang stabilitas proses dari waktu ke waktu. Namun, ketika kita
hanya memiliki unit produk sampel, mungkin diperoleh dari pemasok, dan tidak ada
pengamatan langsung dari proses atau sejarah waktu produksi, maka penelitian ini lebih
tepat disebut karakterisasi produk. Dalam studi karakterisasi produk kami hanya dapat
memperkirakan distribusi karakteristik kualitas produk atau hasil proses (pecahan sesuai
dengan spesifikasi); kita tidak bisa mengatakan apa pun tentang perilaku dinamis dari proses
atau status kontrol statistiknya.

Analisis kemampuan proses adalah bagian penting dari program peningkatan kualitas secara
keseluruhan. Di antara penggunaan utama data dari analisis kemampuan proses adalah
sebagai berikut:

1. Memprediksi seberapa baik proses akan memegang toleransi

2. Membantu pengembang / perancang produk dalam memilih atau memodifikasi suatu

proses

3. Membantu menetapkan interval antara sampling untuk pemantauan proses

4. Menentukan persyaratan kinerja untuk peralatan baru

5. Memilih antara pemasok yang bersaing dan aspek lain dari manajemen rantai pasok

6. Merencanakan urutan proses produksi ketika ada efek interaktif dari proses pada
toleransi

7. Mengurangi variabilitas dalam suatu proses

Dengan demikian, analisis kemampuan proses adalah teknik yang memiliki aplikasi di
banyak segmen siklus produk, termasuk desain produk dan proses, manajemen rantai
suplai, perencanaan produksi atau manufaktur, dan manufaktur. Tiga teknik utama
digunakan dalam analisis kapabilitas proses: histogram atau plot probabilitas, grafik kontrol,
dan eksperimen yang dirancang. Kami akan membahas dan mengilustrasikan masing-masing
metode ini dalam tiga bagian berikutnya. Kami juga akan membahas rasio kemampuan
proses (PCR) yang diperkenalkan pada Bab 6 dan beberapa variasi rasio yang bermanfaat.
8.2 Analisis Kemampuan Proses Menggunakan Histogram atau Plot Probabilitas

8.2.1 Menggunakan Histogram

Histogram dapat membantu dalam memperkirakan kapabilitas proses. Atau, plot

batang-dan-daun dapat diganti untuk histogram. Setidaknya 100 atau lebih pengamatan
harus tersedia untuk histogram (atau plot batang-dan-daun) menjadi cukup stabil sehingga
perkiraan kemampuan proses yang dapat diandalkan dapat diperoleh. Jika insinyur kualitas
memiliki akses ke proses dan dapat mengontrol upaya pengumpulan data, langkah-langkah
berikut harus diikuti sebelum pengumpulan data:

1. Pilih mesin atau mesin yang akan digunakan. Jika hasil berdasarkan satu (atau beberapa)
mesin harus diperluas ke populasi mesin yang lebih besar, mesin yang dipilih harus mewakili
mereka dalam populasi. Lebih jauh lagi, jika mesin memiliki banyak workstation atau head,
mungkin penting untuk mengumpulkan data sehingga variabilitas head-to-head dapat
diisolasikan. Ini mungkin menyiratkan bahwa eksperimen yang dirancang harus digunakan.

2. Pilih kondisi pengoperasian proses. Tentukan dengan hati-hati kondisi, seperti kecepatan
potong, laju umpan, dan suhu, untuk referensi di masa mendatang. Mungkin penting untuk
mempelajari efek dari berbagai faktor ini pada kapabilitas proses.

3. Pilih operator perwakilan. Dalam beberapa penelitian, mungkin penting untuk

memperkirakan variabilitas operator. Dalam kasus ini, operator harus dipilih secara acak
dari populasi operator.

4. Hati-hati memonitor proses pengumpulan data, dan catat urutan waktu di mana setiap
unit diproduksi.

8.2.2 Kemungkinan Perencanaan

Perencanaan kemungkinan merupakan alternatif untuk histogram yang dapat

digunakan untuk menentukan bentuk, pusat, dan penyebaran distribusi. Ini memiliki
keuntungan bahwa tidak perlu membagi rentang variabel ke dalam interval kelas, dan sering
menghasilkan hasil yang wajar untuk sampel yang cukup kecil (yang histogram tidak akan).
Umumnya, plot probabilitas adalah grafik dari data peringkat versus frekuensi kumulatif
sampel pada kertas khusus dengan skala vertikal yang dipilih sehingga distribusi kumulatif
dari tipe yang diasumsikan adalah garis lurus. Dalam Bab 3 kita membahas dan
mengilustrasikan plot probabilitas normal. Plot-plot ini sangat berguna dalam studi
kapabilitas proses.

Untuk mengilustrasikan penggunaan plot probabilitas normal dalam studi

kapabilitas proses, pertimbangkan 20 observasi berikut pada kekuatan meledak kontainer
kaca: 197, 200, 215, 221, 231, 242, 245, 258, 265, 265, 271, 275, 277, 278, 280, 283, 290,
301, 318, dan 346. Gambar 8.4 adalah plot kemungkinan kekuatan yang normal. Perhatikan
bahwa data terletak hampir sepanjang garis lurus, menyiratkan bahwa distribusi kekuatan
meledak adalah normal. Ingat dari Bab 4 bahwa rata-rata distribusi normal adalah persentil
ke lima puluh, yang dapat kita perkirakan dari Gambar 8.4 sekitar 265 psi, dan standar
deviasi distribusi adalah kemiringan garis lurus. Lebih mudah untuk memperkirakan standar
deviasi sebagai perbedaan antara persentil delapan puluh empat dan lima puluh persen.
Untuk data kekuatan yang ditunjukkan di atas dan menggunakan Gambar. 8.4, kami
menemukan itu

ˆΣ = - 84 persentil persentil ke-50 = - = 298 265 psi 33 psi

Perhatikan bahwa dan tidak jauh dari rata-rata sampel dan stan-x = 264,06 mˆ = 265
psi sˆ = 33 psi dard deviasi s = 32,02. Plot probabilitas normal juga dapat digunakan untuk
memperkirakan hasil proses dan kejatuhan. Misalnya, spesifikasi pada kekuatan kontainer
adalah LSL = 200 psi. Dari Gambar 8.4, kami memperkirakan bahwa sekitar 5% dari
kontainer yang diproduksi oleh proses ini akan meledak di bawah batas ini.

Perawatan harus dilakukan dalam menggunakan plot probabilitas. Jika data tidak
berasal dari distribusi yang diasumsikan, kesimpulan tentang kemampuan proses yang
diambil dari plot mungkin serius dalam kesalahan. Gambar 8.5 menyajikan plot probabilitas
normal kali untuk kegagalan (dalam jam) katup di pabrik kimia. Dari memeriksa plot ini, kita
dapat melihat bahwa distribusi waktu kegagalan tidak normal.

Kerugian yang jelas dari perencanaan probabilitas adalah bahwa ini bukan prosedur
obyektif. Adalah mungkin bagi dua analis untuk sampai pada kesimpulan berbeda
menggunakan data yang sama. Untuk alasan ini, sering diinginkan untuk menambah
kemungkinan plot dengan statistik yang lebih formal

berdasarkan tes goodness-of-fit. Pengantar yang baik untuk tes ini ada di Shapiro (1980).
Menambah interpretasi plot probabilitas normal dengan uji Shapiro-Wilk untuk normalitas
dapat membuat prosedur jauh lebih kuat dan obyektif.

Memilih distribusi agar sesuai dengan data juga merupakan langkah penting dalam
perencanaan probabilitas. Terkadang kita dapat menggunakan pengetahuan kita tentang
fenomena fisik atau pengalaman masa lalu untuk menyarankan pilihan distribusi. Dalam
situasi lain, tampilan pada Gambar 8.6 mungkin berguna dalam memilih distribusi yang
menggambarkan data. Gambar ini menunjukkan daerah-daerah dalam bidang b1, b2 untuk
beberapa distribusi probabilitas standar, di mana b1 dan b2 adalah ukuran skewness dan
kurtosis, masing-masing. Untuk menggunakan Gambar 8.6, hitung perkiraan kemiringan dan
kurtosis dari sampel — katakan,
M ˆ (8.1) β1 = 3 3 2 2 () M dan (8.2) ˆ β2 = M M 4 2 2 di mana n j x x i - () ∑ i = M j (8.3) = 1 =
1, 2, 3, 4 j n bˆ

dan plot titik () pada grafik. Jika titik yang diplot jatuh dekat dengan titik, garis, atau 1, bˆ 2
wilayah yang sesuai dengan salah satu distribusi dalam gambar, maka distribusi ini adalah
pilihan logis untuk digunakan sebagai model untuk data. Jika titik jatuh di wilayah b1, b2
pesawat di mana tidak ada distribusi tampaknya tepat, lainnya, distribusi probabilitas yang
lebih umum,

seperti keluarga Johnson atau Pearson distribusi, mungkin diperlukan. Catatan kehati-hatian
harus terdengar di sini; statistik kemiringan dan kurtosis tidak dapat diandalkan kecuali
mereka dihitung dari sampel yang sangat besar. Prosedur yang mirip dengan yang ada pada
Gambar 8.6 untuk pemasangan distribusi dan grafik ini ada pada Hahn dan Shapiro (1967).

8.3 Rasio Kemampuan Proses

8.3.1 Penggunaan dan Interpretasi Cp

Seringkali mudah untuk memiliki cara kuantitatif yang sederhana untuk

mengekspresikan kapabilitas proses. Salah satu cara untuk melakukannya adalah melalui
rasio kapabilitas proses (PCR) Cp yang pertama kali diperkenalkan pada Bab 6. Ingat itu

di mana USL dan LSL adalah batas spesifikasi atas dan bawah, masing-masing. Cp dan rasio
kemampuan proses lainnya digunakan secara luas dalam industri. Mereka juga
disalahgunakan secara luas. Kami akan menunjukkan beberapa penyalahgunaan yang lebih
umum dari rasio kemampuan proses. Buku terbaru yang bagus tentang rasio kemampuan
proses yang sangat direkomendasikan adalah Kotz dan Lovelace (1998). Ada juga literatur
teknis yang luas tentang analisis kemampuan proses dan rasio kemampuan proses. Makalah
ulasan oleh Kotz dan Johnson (2002) dan bibliografi oleh Spiring, Leong, Cheng, dan Yeung
(2003) adalah sumber yang sangat baik.

Dalam aplikasi praktis, standar deviasi proses hampir selalu tidak diketahui dan harus diganti
dengan perkiraan s. Untuk memperkirakan, kami biasanya menggunakan standar deviasi
sampel atau (ketika variabel grafik kontrol digunakan dalam studi kemampuan). R / d2 ini
menghasilkan perkiraan C — katakanlah,

Untuk mengilustrasikan perhitungan Cp, ingat proses semikonduktor hard-hard pertama

dianalisis pada contoh 6.1 menggunakan dan grafik R. Spesifikasi pada lebar aliran USL =
1,00 mikron dan LSL = 2,00 mikron, dan dari grafik R kami memperkirakan x. Jadi, s = R / d2 =
0,1398 perkiraan kami dari PCR Cp adalah

Bab 6, kami mengasumsikan bahwa lebar aliran kira-kira berdistribusi normal (asumsi yang
masuk akal, berdasarkan histogram pada Gambar 8.7) dan tabel distribusi normal kumulatif
dalam Apendiks digunakan untuk memperkirakan bahwa proses menghasilkan sekitar 350
ppm (bagian-bagian). per juta) rusak. PCR Cp dalam persamaan (8.4) memiliki interpretasi
praktis yang bermanfaat — yaitu,

Rasio kemampuan proses adalah ukuran kemampuan proses untuk memproduksi produk
yang memenuhi spesifikasi. Tabel 8.2 menyajikan beberapa nilai PCR Cp bersama dengan
nilai-nilai terkait dari kejatuhan proses, dinyatakan dalam komponen yang cacat atau unit
produk yang tidak sesuai per sejuta (ppm). Untuk mengilustrasikan penggunaan Tabel 8.2,
perhatikan bahwa PCR untuk proses stabil Cp = 1,00 yang terdistribusi normal menyiratkan
tingkat kejatuhan 2700 ppm untuk spesifikasi twosided, sedangkan PCR dari Cp = 1,50 untuk
proses ini menyiratkan tingkat kejatuhan 4 ppm untuk spesifikasi satu sisi.

Kuantitas ppm dalam Tabel 8.2 dihitung menggunakan asumsi penting berikut ini:

1. Karakteristik kualitas memiliki distribusi normal.

2. Proses ini dalam kendali statistik.

3. Dalam kasus spesifikasi dua sisi, rata-rata proses dipusatkan antara batas spesifikasi
bawah dan atas.

Asumsi-asumsi ini sangat penting untuk keakuratan dan validitas angka-angka yang
dilaporkan, dan jika itu tidak valid, maka kuantitas yang dilaporkan mungkin benar-benar
salah. Misalnya, Somerville dan Montgomery (1996) melaporkan penyelidikan ekstensif
kesalahan dalam menggunakan asumsi normalitas untuk membuat kesimpulan tentang
tingkat ppm dari suatu proses padahal sebenarnya distribusi yang mendasari adalah tidak
normal. Mereka menyelidiki berbagai distribusi non-normal dan mengamati bahwa
kesalahan beberapa orde magnitude dapat mengakibatkan memprediksi ppm dengan keliru
membuat asumsi normalitas. Bahkan ketika menggunakan distribusi t dengan sebanyak 30
derajat kebebasan, hasil kesalahan substansial. Jadi meskipun distribusi t

dengan 30 derajat kebebasan simetris dan hampir secara visual tidak dapat dibedakan dari
normal, semakin panjang dan beratnya distribusi t membuat perbedaan yang signifikan
ketika memperkirakan ppm. Akibatnya, simetri dalam distribusi output proses saja tidak
cukup untuk memastikan bahwa PCR akan memberikan prediksi yang dapat diandalkan dari
proses ppm. Kami akan membahas masalah non-normalitas secara lebih rinci dalam Bagian
8.3.3.

Stabilitas atau kontrol statistik dari proses juga penting untuk interpretasi yang benar dari
PCR manapun. Sayangnya, ini adalah praktik yang cukup umum untuk menghitung PCR dari
sampel data proses historis tanpa pertimbangan apakah prosesnya dalam kendali statistik
atau tidak. Jika prosesnya tidak terkendali, maka tentu saja parameternya tidak stabil, dan
nilai parameter ini di masa depan tidak pasti. Dengan demikian aspek prediksi PCR
mengenai proses kinerja ppm hilang.

Akhirnya, ingat bahwa apa yang sebenarnya kita amati dalam praktik adalah perkiraan PCR.
Perkiraan ini tunduk pada kesalahan dalam estimasi, karena itu tergantung pada statistik
sampel. Bahasa Inggris dan Taylor (1993) melaporkan bahwa kesalahan besar dalam
memperkirakan PCR dari data sampel dapat terjadi, sehingga perkiraan yang sebenarnya
ada di tangan mungkin tidak dapat diandalkan. Itu selalu merupakan ide yang baik untuk
melaporkan perkiraan dari setiap PCR dalam hal interval kepercayaan. Kami akan
menunjukkan cara melakukan ini untuk beberapa PCR yang umum digunakan di Bagian
8.3.5.

Tabel 8.3 menyajikan beberapa panduan yang direkomendasikan untuk nilai minimum PCR.
Karakteristik botol-kekuatan adalah parameter yang terkait erat dengan keamanan produk;
botol dengan kekuatan tekanan yang tidak memadai dapat gagal dan melukai konsumen. Ini
menyiratkan bahwa PCR harus setidaknya 1,45. Barangkali salah satu cara PCR dapat
ditingkatkan adalah dengan meningkatkan kekuatan rata-rata kontainer — katakanlah,
dengan menuangkan lebih banyak kaca ke dalam cetakan.

Kami menunjukkan bahwa nilai-nilai dalam Tabel 8.3 hanya minimum. Dalam beberapa
tahun terakhir, banyak perusahaan telah mengadopsi kriteria untuk mengevaluasi proses
mereka yang termasuk tujuan kemampuan proses yang lebih ketat daripada yang ada pada
Tabel 8.3. Sebagai contoh, sebuah perusahaan enam-sigma akan mengharuskan bahwa
ketika proses berarti memegang kendali, itu tidak akan lebih dekat dari enam standar
deviasi dari batas spesifikasi terdekat. Ini, pada dasarnya, mensyaratkan bahwa nilai
minimum yang dapat diterima dari rasio kemampuan proses akan setidaknya 2.0.

8.3.2 Rasio Kemampuan Proses untuk Proses Off-Center

8.3.3 binggung translate banyak rumus

8.3.4 binggung translate banyak rumus

8.4 Analisis Kemampuan Proses Menggunakan Bagan Kontrol

Histogram, kemungkinan plot, dan rasio kemampuan proses meringkas kinerja

proses. Mereka tidak selalu menampilkan kemampuan potensial dari proses karena mereka
tidak mengatasi masalah kontrol statistik, atau menunjukkan pola sistematis dalam output
proses yang, jika dihilangkan, akan mengurangi variabilitas dalam karakteristik kualitas. Peta
kendali sangat efektif dalam hal ini. Peta kendali harus dianggap sebagai teknik utama
analisis kapabilitas proses.

Kedua atribut dan diagram kontrol variabel dapat digunakan dalam analisis kapabilitas
proses. Grafik dan R harus digunakan kapan pun dimungkinkan, karena kekuatan yang lebih
besar dan informasi yang lebih baik yang mereka berikan relatif terhadap grafik atribut.
Namun, baik bagan p dan grafik (atau u) berguna dalam menganalisis kapabilitas proses.
Teknik untuk membangun dan menggunakan grafik ini diberikan dalam Bab 6 dan 7. Ingat
bahwa untuk menggunakan p chart harus ada spesifikasi pada karakteristik produk.

Grafik R dan memungkinkan kita untuk mempelajari proses tanpa memperhatikan

spesifikasi. Grafik kontrol R dan memungkinkan variabilitas instan (kemampuan proses
jangka pendek) dan variabilitas lintas waktu (kapabilitas proses jangka panjang) untuk
dianalisis. Ini sangat membantu jika data untuk studi kapabilitas proses dikumpulkan dalam
dua hingga tiga periode waktu yang berbeda (seperti shift yang berbeda, hari yang berbeda,
dll.). Tabel 8.5 menyajikan data kekuatan meledak kontainer dalam 20 sampel dari lima
pengamatan masing-masing. Perhitungan untuk grafik dan R diringkas di sini: x

Jelas, karena kekuatan merupakan parameter yang terkait dengan keselamatan, kapabilitas
proses tidak memadai.

Contoh ini mengilustrasikan proses yang terkendali tetapi beroperasi pada tingkat yang
tidak dapat diterima. Tidak ada bukti yang menunjukkan bahwa produksi unit yang tidak
sesuai dapat dikontrol oleh operator. Rekayasa dan / atau intervensi manajemen akan
diperlukan baik untuk meningkatkan proses atau untuk mengubah persyaratan jika masalah
kualitas dengan botol harus dipecahkan. Tujuan dari intervensi ini adalah untuk
meningkatkan rasio kemampuan proses ke setidaknya tingkat minimum yang dapat
diterima. Bagan kendali dapat digunakan sebagai perangkat pemantauan atau buku catatan
untuk menunjukkan pengaruh perubahan dalam proses pada kinerja proses.

Kadang-kadang analisis kemampuan proses menunjukkan proses di luar kendali. Tidak aman
untuk memperkirakan kapabilitas proses dalam kasus semacam itu. Proses harus stabil
untuk menghasilkan perkiraan kemampuan proses yang dapat diandalkan. Ketika proses
tidak terkendali pada tahap awal analisis kapabilitas proses, tujuan pertama adalah
menemukan dan menghilangkan penyebab yang dapat ditugasi untuk membawa proses ke
dalam keadaan kontrol.