ANALISIS PENGENDALIAN KUALITAS STATISTIK DATA TINGKAT

BRIX DAN POL PADA PRODUKSI NIRA DI PABRIK GULA TOELANGAN

SIDOARJO MENGGUNAKAN PETA KENDALI GENERALIZED VARIANCE
DAN T2 HOTELLING

1
Nurul Rizqiyah, 2Adam Fahmi Fandisyah, 3Wibawati, 4Novri Suhermi
1,2,3,4
Departemen Statistika, Institut Teknologi Sepuluh Nopember
Kampus ITS Sukolilo, Surabaya, Indonesia 60111
e-mail: 1nurulrizqiyah30@gmail.com 2adamfahmi@gmail.com 3wibawati.its@gmail.com
4
novri.suhermi@gmail.com

Abstrak
Nira merupakan hasil dari proses produksi gula sebelum diuapkan. Karakteristik kualitas dari
nira adalah brix dan pol. Agar dapat menghasilkan nira yang unggul, perlu dilakukan pengendalian
kualitas statistik menggunakan peta kendali Generalizad Variance dan T 2 Hotelling. Sebelumnya
dilakukan simulasi pada peta kendali T2 Hotelling untuk mengetahui apakah dapat menangkap
pergeseran proses yang kecil dan besar. Hasilnya peta kendali T 2 Hotelling dapat menangkap
pergeseran rata-rata proses yang besar. Variabilitas proses produksi nira terkendali secara statistik.
Rata-rata proses produksi nira ada titik out of control sehingga tidak terkendali secara statistik. Hasil
produksi nira sudah kapabel dengan Mpp dan Mpk lebih dari 1.
Kata Kunci Brix; Pol; Peta Kendali Generalized Variance; Peta Kendali T2 Hotelling;
Kapabilitas Proses.

1 Pendahuluan
PT. Perkebunan Nusantara (PTPN) X merupakan salah satu perusahaan milik BUMN yang
bergerak dalam industri pengolahan gula pasir. Salah satu pabrik dari PTPN X adalah Pabrik
Gula Toelangan Sidoarjo. Pabrik ini selalu menargetkan dalam menghasilkan gula yang
berkualitas dengan bahan baku tebu memiliki kualitas yang baik pula. Tebu yang berkualitas
baik akan sangat berpengaruh dalam gula yang dihasilkan, sehingga perlu dilakukan pemilihan
yang tepat. Untuk mencapai kualitas gula yang baik, kualitas nira yang dihasilkan juga perlu
diperhatikan. Kualitas nira yang dihasilkan dari tahap pemurnian sangat penting mengingat
dari poses tersebut nira akan dilanjutkan ke proses selanjutnya yaitu tahap penguapan dimana
nira akan diolah menjadi gula. Pada tahap ini, terdapat variabel kualitas yang berpengaruh
terhadap kualitas nira yang dihasilkan yaitu brix dan pol.
PTPN X tersebut harus melakukan pengendalian kualitas pada nira agar dapat
menghasilkan gula dengan kualitas yang baik. Perusahaan harus melakukan pengontrolan
produk untuk menghasilkan produk yang berkualitas melalui pengendalian kualitas statistik.
Pengendalian kualitas statistik adalah suatu kegiatan membandingkan kualitas produk yang
dihasilkan dengan spesifikasi yang telah ditentukan untuk kemudian diambil sebuah tindakan
apabila terdapat ketidaksesuaian antara kualitas produk dengan standar yang ditetapkan oleh
perusahaan [1]. Peta kendali merupakan salah satu alat dalam mengontrol proses secara
statistik yang berfungsi untuk mengendalikan suatu karakteristik dari kualitas. Peta kendali
multivariat digunakan untuk mengendalikan proses produksi dengan lebih dari satu
karakteristik kualitas dimana antar variabel memiliki hubungan.
Dalam kasus ini, telah diketahui bahwa variabel brix mempengaruhi nilai variabel pol.
Semakin besar nilai brix maka nilai pol juga semakin meningkat. Oleh karena itu pengendalian
kualitas pada proses produksi nira di Pabrik Gula Toelangan Sidoarjo kali ini menggunakan
peta kendali multivariat Generalized Varianced untuk mengetahui variabilitas proses produksi
dan peta kendali T2 Hotelling untuk mengetahui mengendalikan rata-rata proses produksi.
Harapannya dapat dilakukan pengendalian proses produksi nira dengan memperhatikan
karakteristik kualitas dari variabel brix dan pol. Setelah itu dapat dilakukan analisis mengenai
kapabilitas proses produksi sehingga dapat diketahui hasil produksi kapabel atau tidak, dengan
memperhatikan spesifikasi yang diberikan oleh perusahaan.
Sebelum melakukan analisis pengendalian kualitas produksi nira, akan dilakukan
simulasi untuk mengetahui apakah peta kendali T2 Hotelling dapat menangkap pergeseran rata-
rata proses kecil dan besar. Simulasi dilakukan dengan membangkitkan data yang memiliki
rata-rata berbeda untuk dibentuk peta kendali T2 Hotelling. Dalam pengendalian kualitas proses
produksi nira, ingin diketahui karakteristik data yang telah diamati. Kemudian ingin
mengetahui apakah proses produksi telah terkendali secara statistik melalui peta kendali
Generalized Variance dan T2 Hotelling. Selanjutnya ingin diketahui apakah hasil produksi nira
sudah kapabel dan faktor-faktor yang menyebabkan ketidaksesuaian pada hasil produksi nira
menggunakan diagram sebab akibat.
Tujuan dari praktikum ini yaitu untuk mengetahui apakah peta kendali T2 Hotelling pada
simulasi dapat menangkap rata-rata pergeseran kecil dan besar. Kemudian praktikum ini
bertujuan untuk menganalisis pengendalian kualitas statistik proses produksi nira dari
karakteristik kualitas brix dan pol. Serta kapabilitas proses produksi nira di Pabrik Gula
Toelangan Sidoarjo secara multivariat.
Manfaat yang akan diperoleh dari praktikum ini yaitu sebagai informasi untuk Pabrik
Gula Toelangan Sidoarjo mengenai penerapan peta kendali Generalizad Variance dan T2
Hotelling sebagai alat untuk mengendalikan kualitas statistik pada produksi nira. Selain itu
bagi pembaca umum dan penulis agar lebih mengetahui penerapan peta kendali Generalizad
Variance dan T2 Hotelling untuk pengendalian kualitas statistik.
Batasan masalah pada praktikum kali ini adalah data yang dipakai adalah data sekunder
yang merupakan data brix dan pol dari produksi nira. Data yang digunakan sebanyak 47
subgrup dengan masing-masing subgrup memiliki 3 sampel. Metode yang digunakan pada
analisis pengendalian kualitas adalah peta kendali peta kendali Generalizad Variance dan T2
Hotelling. Batas spesifikasi yang diberikan oleh perusahaan adalah 12,58±2 untuk variabel brix
dan untuk pol 9,38±3.
2 Tinjauan Pustaka
2.1 Statistika Deskriptif
Statistika adalah ilmu yang mempelajari merancang, mengumpulkan, mengolah, menganalisis
dan menginterpretasikan, serta menyimpulkan data dimana adanya keragaman dan
ketidakpastian. Sedangkan statistika deskriptif adalah ilmu statistika yang mencakup metode
meringkas (menyarikan) data dan menyajikan data menjadi informasi [2]. Ukuran pemusatan
data dalam statistika deskriptif yaitu mean (rata-rata), modus, median. Ukuran penyebaran data
dalam statistika deskriptif yaitu nilai maximum, nilai minimum, range, varians, dan
sebagainya.
Mean (rata rata) merupakan jumlah dari sekumpulan data dibagi dengan frekuensi data
tersebut.
Rumus mean adalah sebagai berikut [3].
n
xi
x  (1)
i 1 n
Keterangan :
x : rata-rata
xi : nilai sampel ke-i
n : jumlah sampel
Nilai maksimum diperoleh dari mencari nilai tertinggi atau terbesar dari data tersebut.
Nilai minimum diperoleh dari mencari nilai terendah atau terkecil dari data tersebut.
Varians merupakan salah satu ukuran dispersi atau variasi. Varians dapat
menggambarkan bagaimana berpencarnya suatu data kuantitatif [3].
Rumus varians adalah sebagai berikut.
n
( xi  x )2
s2   (2)
i 1 n
Keterangan :
s2 : nilai sampel terbesar
x : rata-rata
xi : nilai sampel ke-i
n : jumlah sampel
Range (rentang) atau jangkauan merupakan selisih antara nilai maximum dan niai
minimum dari sekumpulan data [3].
Rumus range adalah sebagai berikut.
R  xmaks  xmin (3)
Keterangan :
R : range
xmak : nilai sampel terbesar

xmin : nilai sampel terkecil.

2.2 Uji Dependensi
Variabel 𝑥1 , 𝑥2 , . . . , 𝑥𝑝 dikatakan bersifat saling bebas (independen) jika matriks korelasi antar
variabel membentuk matriks identitas sehingga untuk menguji dependensi antar variabel dapat
menggunanakan uji Bartlett [4].
Uji Hipotesis :
H0 : ρ = I (Variabel Independen)
H1 : ρ ≠ I (Variabel Dependen)
Statistik Uji :
 2 p  5
 hitung
2
  n  1 
 ln R (4)
 6 
ρ merupakan jumlah karakteristik kualitas, n adalah jumlah observasi, sedangkan R
adalah matriks korelasi antar variabel yang dinyatakan dengan persamaan sebagai berikut:
1 r12 r1 p 
r 1 r2 p 
R
21
(5)
 
 
 r j1 rj 2 1 

1 p  x jr x j  x pr  x p 
rjp   
p  1 r 1  S jj  Spp 
 (6)
  
S jj  (x jr  x j )2 (7)
Spp  (x pr  x p ) 2 (8)
H0 ditolak dan diperoleh kesimpulan bahwa terdapat korelasi pada variabel jika
 2
hitung  2 1 .
α; p(p 1)
2

Variabel 𝑋1 , 𝑋2 , . . . , 𝑋𝑝 dikatakan bersifat saling bebas (independen) jika matriks

korelasi antar variabel membentuk matriks identitas sehingga untuk menguji dependensi antar
variabel dapat menggunanakan uji Bartlett [4].
Uji Hipotesis :
H0 : ρ = I (Variabel Independen)
H1 : ρ ≠ I (Variabel Dependen)
Statistik Uji :
 2 p  5
 hitung
2
  n  1 
 ln R (4)
 6 
ρ merupakan jumlah karakteristik kualitas, n adalah jumlah observasi, sedangkan R
adalah matriks korelasi antar variabel yang dinyatakan dengan persamaan sebagai berikut:
1 r12 r1 p 
r 1 r2 p 
R
21
(5)
 
 
 r j1 rj 2 1 

1 p  x jr x j  x pr  x p 
rjp   
p  1 r 1  S jj  Spp 
 (6)
  
S jj  (x jr  x j )2 (7)
 Spp  (x pr  x p ) 2 (8)
H0 ditolak dan diperoleh kesimpulan bahwa terdapat korelasi pada variabel jika
 2
hitung  21 .
α; p(p 1)
2

2.3 Uji Asumsi Distribusi Normal Multivariat

Distribusi normal multivariat merupakan perluasan dari distribusi univariat normal dengan
jumlah variabel yang lebih dari satu. Distribusi ini digunakan pada sekelompok data yang
dependen atau saling berhubungan satu sama lain [4]. Apabila terdapat sejumlah ρ variabel
X    X1 , X 2 ,, X p 
yang dinyatakan dalam bentuk vektor yang mengikuti distribusi
normal multivariat dengan parameter  dan Σ . Nilai variabel acak dapat disajikan dalam
bentuk matriks data x   x1 , x2 ,, x p  dengan fungsi densitas peluang sebagai berikut.
1
1   x   1  x   
f  x  e 2
,   x   (9)
 2 
p

Berdasarkan sifat ini maka pemeriksaan distribusi normal multivariat dapat dilakukan
dengan cara membuat q-q plot sebagai berikut.
di2   xi  x  ' S 1  xi  x  (10)
dimana,
s12 s12 s13  s1 p 
 
s 22 s 23  s 2 p 
S (11)
 s 32  
 2 
  s p 

 xij  x j   xik  xk 
1 m
S jk  (12)
m  1 i 1
Berikut merupakan langkah-langkah pembuatan grafik Q-Q plot.
1. Menghitung jarak tergeneralisasi yang dikuadratkan disebut 𝑑𝑖2 .
2. Mengurutkan 𝑑𝑖2 dari terkecil hingga terbesar.
3. Menghitung nilai q dimana,
q   2p ;(( n i  0 ,5 ) / n ) (13)
4. Membuat scatterplot antara 𝑑𝑖2 dan q.
Data akan mengikuti distribusi multivariat apabila pada Q-Q plot membentuk suatu garis
lurus (45° terhadap garis horizontal).
Uji Hipotesis:
H0 : Data berdistribusi normal multivariat
H1 : Data tidak berdistribusi normal multivariat
Statistik Uji:
   x   x   q   q 
n
j 1 j j
rq  (14)
  x   x    q   q 
n 2 n 2

j 1 j j 1 j

Daerah Kritis:
Tolak H0 jika 𝑟𝑞 < 𝑟(𝛼,𝑛) . Jika hasil dari statistic uji memiliki hasil yang kurang dari
table normal probabilitas koefisien korelasi (𝑟(𝛼,𝑛) ), maka dapat disimpulkan bahwa data tidak
berdistribusi normal.
2.4 Peta Kendali Generalized Variance
Peta kendali Generalized Variance digunakan untuk mengontrol variabilitas dari proses
produksi. Varians proses digambarkan berdasarkan matriks varian kovarian  berukuran p x
p. Diagonal utama dari matriks ini adalah variansi dan data selain diagonal utama merupakan
kovarian. Matriks varian kovarian  dapat ditaksir dengan matriks varian kovarian S [5].
Metode yang digunakan untuk peta kendali Generalized Variance menggunakan rata-rata
E( S ) dan varians V( S ) sebagai berikut:
E( S )  b1  (15)
2
V( S )  b2  (16)
Dimana,
p

 (n  i)
1
b1  (17)
(n  1 ) p i 1

p  p p 
  
1
b2  (n  i)x  (n  j  2)  (n  j )  (18)
(n  1 )2 p
i 1  j 1 j 1 
Batas kendali dari peta kendali Generalized Variance adalah sebagai berikut.
1
BKA   (b1  3b2 2 ) (19)
GT   b1 (20)
1
BKB   (b1  3b2 2 ) (21)

2.5 Peta Kendali T2 Hotelling

Grafik kendali T2 Hotelling merupakan suatu diagram yang digunakan untuk mengetahui
apakah mean proses produksi terkendali secara statistik atau tidak dimana terdapat dua atau
lebih karakteristik kualitas yang saling berhubungan (dependen). Grafik kendali T 2 Hotelling
mempunyai subgrup berukuran m, dimana ukuran tiap-tiap subgrup adalah n dan p merupakan
jumlah karakteristik kualitas yang diamati pada tiap-tiap sampel. Untuk mencari rata-rata
sampel dan varian adalah sebagai berikut:
n

x
1
x jk  ijk (22)
n i 1
 1 n
 
2
s 2 jk  xijk  x jk (23)
n  1 i 1
Dimana xijk adalah sampel ke-i pada karakteristik kualitas ke-j dan pada subgrup ke-
k. Kovarians diantara karakteristik kualitas ke–j dan karakteristik kualitas ke-h (h = 1, 2,…,p)
pada subgrup ke-k adalah sebagai berikut.
1 n
s jhk  
n  1 i 1
xijk  x jk  xihk  xhk  (24)

Matriks kovarian yang dilambangkan dengan S ditunjukkan sebagai berikut:

 s12 s12 s 13 s1 p 
 
 s22 s.23 s2 p 
S
 
 s32 s3 p  (25)
 
 
 s p2 
s12 : Kovarian karakteristik kualitas ke-1
s12 : Kovarian karakteristik kualitas ke-1 dan ke-2
s p2 : Kovarian karakteristik kualitas ke-1 sampai ke-p
Statistik grafik kendali T2 Hotelling dan batas kendalinya adalah sebagai berikut.
T 2  n  x  x  S 1  x  x 
'
(26)
p ( m  1)( n  1)
BKA  F , p ,mn  m p 1 (27)
mn  m  p  1
BKB  0 (28)
x : Nilai rata-rata karekteristik kualitas setiap subgrup
x : Jumlah nilai rata-rata semua subgrup
p : banyaknya karakteristik kualitas
m : jumlah subgrup
n : jumlah sampel setiap subgrup
Pendekatan yang digunakan untuk menentukan karakteristik kualitas pada titik yang
tidak terkendali adalah dengan mendekomposisi T2 menjadi komponen-komponen yang
menggambarkan kontribusi dari masing-masing variabel. Jika T2 adalah suatu nilai tertentu dan
Ti2 adalah nilai untuk semua variabel proses kecuali variabel ke-i. Maka di adalah sebagai
berikut:
di  T 2  T2i  . ` (29)
Keterangan :
di : indikator kontribusi relatif dari karakteristik kualitas ke-i untuk keseluruhan statistik
T2 : nilai statistik dari semua karakteristik kualitas proses
T(2i ) : nilai statistik dari semua karakteristik kualitas proses tanpa karakteristik ke-i
Nilai d i (i = 1, 2, ..., p) dan nilai d i dibandingkan dengan nilai  (2 ,1) . Jika nilai Ti2  2 ,1
maka karakteristik kualitas ke-i tersebut yang menjadi penyebab out of control.
2.6 Kapabilitas Proses
Kapabilitas proses adalah kemampuan suatu proses untuk menghasilkan suatu produk/jasa
yang sesuai dengan kebutuhan dari konsumen sesuai yang diharapkan [5]. Kegunaan
kapabilitas proses yaitu dalam memperkirakan kebaikan proses, pembentukan interval untuk
pengendalian interval antara pengambilan sampel, menetapkan persyaratan penampilan bagi
alat baru, memilih diantara penjual yang bersaing, merencanakan urutan proses produksi, dan
mengurangi variabilitas dalam proses produksi [5]. Terdapat dua jenis kapabilitas proses, yakni
kapabilitas proses secara univariat dan multivariat.
Apabila peta kendali belum terkendali dan asumsi distribusi multivariat normal telah
terpenuhi, analisis kapabilitas proses dapat dilakukan dengan menentukan indeks kapabilitas
proses dengan menggunakan MPp dan MPp k . Dalam menentukan indeks kapabilitas proses
multivariat didasarkan pada p estimasi dari masing-masing variabel, atau indeks kapabilitas
proses secara univariat. Salah satu caranya dengan menggunakan metode rata-rata pembobot.
Analisis kapabilitas proses berdasarkan variabilitasnya dapat dilihat dari nilai MPp dengan
persamaan sebagai berikut [6].
p
MPp   Wi Ppi (30)
i 1

Dengan,
BSB  BSA
Pp  (31)
6s
Sedangkan analisis kapabilitas proses berdasar mean atau rata-ratanya dapat dilihat dari
nilai MPp k dengan persamaan sebagai berikut:
p
MPpk   Wi Ppki (32)
i 1

Dengan,
 BSA  μ μ  BSB 
Ppk  min  ,  (33)
 3s 3s 
Keterangan :
p
Wi : Bobot kepentingan sesuai keterangan perusahaan dimana, W 1
i 1
i

2.7 Diagram Ishikawa

Diagram Ishikawa adalah alat untuk mengidentifikasi masalah kualitas dan titik inpeksi adalah
diagram sebab akibat (cause and effect diagram), yang juga dikenal sebagai diagram Ishikawa
(Ishikawa diagram). Karena pertama kali diperkenalkan oleh Prof. Kaour Ishikawa dari
Universitas Tokyo 1953. Atau diagram tulang ikan (fish bone chart), fish bone chart berbentuk
menyerupai tulang ikan, untuk masalah pengendalian kualitas sehari-hari [7].
Pada dasarnya diagram sebab akibat dapat digunakan untuk membantu mengidentifikasi
akar penyebab suatu masalah, membantu membangkitkan ide-ide untuk solusi suatu masalah,
membantu dalam penyelidikan atau pencarian fakta lebih lanjut.
Berikut ini tahapan yang dilakukan dalam menyusun diagram sebab akibat [8] :
1. Tentukan masalah atau akibat yang akan dicari penyebabnya. Tuliskan dalam kotak yang
menggambarkan kepala ikan yaitu berada di ujung tulang utama.
2. Tentukan grup atau kelompok factor-faktor penyebab utama yang mungkin menjadi
penyebab masalah dan tuliskan masing-masing pada kotak yang berada pada cabang.
Pada umumnya, pengelompokan didasarkan unsur Material, Peralatan (Machines),
Metode kerja (Methods), Manusia (Man), dan Pengukuran (Measurements), Lingkungan
(Environment). Namun, pengelompokan dapat juga dilakukan atas dasar analisis proses.
3. Pada setiap cabang, tulis factor-faktor penyebab yang lebih rinci yang dapat menjadi
factor penyebab masalah yang dianalisis. Faktor-faktor penyebab ini berupa ranting,
yang apabila diperlukan bisa dijabarkan lebih lanjut ke dalam anak ranting.
4. Lakukan analisis dengan membandingkan data dengan persyaratan untuk setiap factor
dalam hubungannya dengan akibat, sehingga dapat diketahui penyebab utama yang
mengakibatkan terjadinya masalah mutu yang diamati.
2.8 Pabrik Gula Toelangan Sidoarjo
Pabrik Gula Toelangan Sidoarjo didirikan pada tahun 1850 oleh Pemerintah Belanda dengan
nama N.V. Matsechappy Tot Exploitatie de Suiker Ondernamingen Kremboong en Toelangan.
Kemudian berubah menjadi N.V. Mattschappy Kremboong en Toelangan yang manajemennya
berada Tiedemen Van Kerehem (T.V.K). Pabrik Gula Toelangan secara Administratif berada
di desa Toelangan, kecamatan Tulangan, kabupaten Sidoarjo. Lokasi pabrik ini berada di
daerah yang strategis ditinjau dari letak bahan baku, transportasi, sumber air maupun sumber
tenaga kerja. Dimana Pabrik Gula Toelangan memiliki proses produksi selama 24 jam dalam
sehari. Proses produksi adalah penciptaan barang dan jasa [9].
Dalam proses produksi dilakukan pula pengukuran variabel kualitas di Pabrik Gula
Toelangan Sidoarjo yang didasarkan pada pemeriksaan oleh bagian laboratorium Quality
Control. Pemeriksaan dilakukan pada salah satu tahap pembuatan gula yaitu pemurnian.
Terdapat 2 variabel kualitas dalam tahap permurnian yaitu brix dan pol. Brix merupakan suatu
nilai yang digunakan untuk menentukan kadar zat kering dalam nira (satuan %) dan diperoleh
dari pengukuran menggunakan Brix Refraktometer. Pol merupakan suatu nilai yang digunakan
untuk menentukan kadar gula dalam nira (satuan %) dan diperoleh dari pengukuran
menggunakan polarimeter. Hubungan kedua karakteristik kualitas tersebut adalah komposisi
dari nira terdiri dari brix dimana di dalam brix tersebut terdiri dari pol, sehingga kandungan
brix yang dihasilkan akan mempengaruhi kandungan pol juga. Semakin tinggi brix maka pol
akan semakin tinggi juga.
3 Metodologi Penelitian
3.1 Sumber Data
Sumber data yang digunakan pada penelitian ini berasal dari data sekunder yang diperoleh dari
buku Tugas Akhir di Departemen Statistika berjudul “Analisis Pengendalian Kualitas Nira
Tahap Pemurnian di PG Toelangan Sidoarjo menggunakan MEWMV dan MEWMA” yang
ditulis oleh Mithasandy Kistimaryani. Data sekunder ini diambil pada:
hari : Kamis
tanggal : 22 November 2018
pukul : 10.00 – 13.00 WIB
tempat : Departemen Statistika ITS
3.2 Variabel Penelitian
Variabel yang digunakan pada penelitian ini adalah karakteristik kualitas dalam tahap
permurnian yaitu data brix dan pol di Pabrik Gula Toelangan Sidoarjo, dengan masing-masing
variabel memiliki jumlah subgrup sebanyak 47 kali dengan 3 kali sampel observasi.
3.3 Struktur Data
Adapun struktur data yang digunakan dalam penelitian ini adalah sebagai berikut.
Tabel 1: Struktur Data Penelitian
Subgrup Sampel Karakteristik Kualitas
tiap
subgrup

x1 x2 … xn
1 1 x111 x121 … x1n1
2 x211 x221 … x2n1
… … … … …
m xm11 xm21 … xmn1
2 1 x112 x122 … x1n 2
2 x212 x222 … x2n 2
… … … … …
m xm12 xm22 … xmn 2
… … … … … …
o 1 x11o x12o … x1no
2 x21o x22o … x2no
… … … … …
m xm1o xm 2o … xmno
Keterangan :
m : jumlah sampel dalam subgrup
n : jumlah variabel karakteristik kualitas
o : jumlah subgrup
3.4 Langkah Analisis
Langkah-langkah yang dilakukan untuk menganalisis data dalam penelitian ini adalah sebagai
berikut.
1. Mengidentifikasi masalah dan tujuan penelitian.
2. Pengambilan data sekunder dan input data.
3. Melakukan simulasi bangkitan data untuk mengetahui sensitifitas peta kendali T2
Hotelling terhadap pergeseran.
4. Analisis statistika deskriptif.
5. Melakukan uji dependensi dan uji multivariat normal.
6. Membuat diagram peta kendali GV dan T2 Hotelling.
7. Menghitung nilai kapabilitas proses.
8. Membuat diagram ishikawa.
9. Melakukan analisis dan interpretasi.
10. Membuat kesimpulan dan saran.
4 Analisis dan Pembahasan
4.1 Simulasi
Sebelum melakukan analisis pada data yang telah dikumpulkan, dilakukan simulasi
membangkitkan data berdistribusi multivariat normal dengan beberapa mean yang berbeda.
Selanjutnya data tersebut dibentuk peta kendali T2 Hotelling untuk mengetahui apakah terdapat
titik yang out of control yang artinya peta kendali T2 Hotelling dapat menangkap pergeseran
yang kecil atau hanya pergeseran besar saja. Berikut ini merupakan karakteristik dari data yang
telah dibangkitkan menggunakan software Minitab.
Tabel 2: Karakteristik Bangkitan Data Multivariat Normal
Co- Co-
Banyaknya Co-var
Data ke- x1 x2 x3 var x1 var x2
data x1 x2
x3 x3
1 100 17 31 22
2 50 17 31 23
0,65 0,7 0,81
3 50 17 31 21
4 50 17 31 30
Berdasarkan tabel 1, data dibangkitkan sebanyak empat kali. Terdapat 3 variabel pada
masing-masing data dengan jumlah 100, 50, 50 dan 50 data. Rata-rata pada setiap data untuk
variabel pertama dan kedua adalah 17 dan 31. Sedangkan rata-rata pada setiap data untuk
variabel ketiga dibuat berbeda-beda yaitu 22, 23, 21 dan 30. Hal ini dimaksudkan untuk
mengetahui adanya pergeseran rata-rata proses yang ditunjukkan oleh peta kendali T2
Hotelling.
Selanjutnya dibentuk peta kendali T2 Hotelling dengan cara menggabungkan data pada
bangkitan ke-2, 3 dan 4 secara bergantian dengan data pertama. Berikut ini merupakan peta
kendali yang telah dibuat dengan software Minitab.
 20 UCL=20,28

15

Tsquared
10

5
Median=3,60

1 16 31 46 61 76 91 106 121 136

Sample

Gambar 1: Peta Kendali T2 Hotelling Data Simulasi Satu dan Dua

Gambar 1 merupakan peta kendali T2 Hotelling yang dibentuk dari gabungan antara data
simulasi pertama dan kedua. Berdasarkan gambar 1, diketahui bahwa nilai batas kendali atas
atau upper control limit (UCL) adalah 20,28. Sedangkan nilai batas kendali bawah atau lower
control limit (LCL) adalah 0. Median atau nilai tengah dari T2 diperoleh 3,6. Tidak ada titik
yang out of control. Jadi rata-rata proses terkendali secara statistik. Sehingga dapat disimpulkan
bahwa peta kendali T2 Hotelling yang dibentuk tidak dapat menangkap perbedaan rata-rata
yang sangat kecil.

20 UCL=20,28

15
Tsquared

10

5
Median=3,60

1 16 31 46 61 76 91 106 121 136

Sample

Gambar 2: Peta Kendali T2 Hotelling Data Simulasi Satu dan Tiga

Gambar 2 merupakan peta kendali yang dibentuk dari gabungan antara data simulasi
pertama dan ketiga. Dilihat dari gambar 2, diketahui bahwa nilai batas kendali atas atau upper
control limit (UCL) adalah 20,28. Sedangkan nilai batas kendali bawah atau lower control limit
(LCL) adalah 0. Median atau nilai tengah dari T2 diperoleh 3,6. Tidak ada titik yang out of
control. Jadi rata-rata proses terkendali secara statistik atau tidak terjadi pergeseran rata-rata
proses. Sehingga dapat disimpulkan bahwa peta kendali T2 Hotelling yang dibentuk tidak dapat
menangkap perbedaan rata-rata yang tidak tidak terlalu besar.
 90

80

70

60

Tsquared
50

40

30

20 UCL=20,28

10
Median=3,60
0
1 16 31 46 61 76 91 106 121 136
Sample

Gambar 3: Peta Kendali T2 Hotelling Data Simulasi Satu dan Empat

Gambar 3 merupakan peta kendali yang dibentuk dari gabungan antara data simulasi
pertama dan keempat. Dari gambar 3, diketahui bahwa nilai batas kendali atas atau upper
control limit (UCL) adalah 20,28. Sedangkan nilai batas kendali bawah atau lower control limit
(LCL) adalah 0. Median atau nilai tengah dari T2 diperoleh 3,6. Terdapat sangat banyak titik
yang out of control terutama dari pengamatan ke-101 sampai pengamatan ke-150, semua titik
out of control. Jadi rata-rata proses tidak terkendali secara statistik atau telah terjadi pergeseran
rata-rata proses. Berdasarkan output software Minitab, diketahui variabel yang paling menjadi
penyebab terjadinya pergeseran rata-rata proses yaitu variabel x3 dimana semua titik
pengamatannya berada di luar batas kendali. Sehingga dapat disimpulkan bahwa peta kendali
T2 Hotelling yang dibentuk dapat menangkap perbedaan rata-rata yang besar.
4.2 Karakteristik Data
Untuk mengetahui karakteristik data dapat menggunakan analisis statistika deskriptif. Pada
praktikum ini dilakukan analisis statistika deskriptif terhadap data pada variabel brix dan pol.
Adapun statistika deskriptif yang dianalisis yaitu rata-rata, varians, nilai maksimum dan
minimum serta jangkauan (range). Berikut ini merupakan hasil output software Minitab yang
berisikan analisis statistika deskriptif dari data.
Tabel 3: Statistika Deskriptif Data Variabel Brix dan Pol
Variable Mean Variance Minimum Maximum Range
Brix 12,793 0,537 9,69 14,83 5,14
Pol 9,6002 0,4419 6,93 11,41 4,48
Dari tabel 2, dapat diketahui bahwa rata-rata dari data brix yang telah diamati adalah
12,793% sedangkan pada variabel pol adalah 9,6002%. Jadi nilai rata-rata kedua variabel ini
berada di antara interval nilai batas spesifikasinya yaitu 12,58±2 dan 9,38±3. Dengan
variansnya masing-masing sebesar 0,537 dan 0,4419. Nilai ini menunjukkan bahwa variabilitas
data brix dan pol rendah yang mengindikasikan bahwa titik data berada disekitar rerata dan
dari satu sama lainnya atau tidak beragam. Nilai terkecil variabel brix adalah 9,69% sementara
untuk variabel pol adalah 6,93%. Sedangkan nilai maksimumnya untuk brix adalah 14,38%
dan pol 11,41%. Jangkauannya adalah sebesar 5,14 dan 4,48 yang diperoleh dari selisih antara
nilai maksimum dan minimum. Jadi data brix yang diamati berkisar antara 9,69% sampai
14,83% sedangkan data pol berkisar antara 6,93% sampai 11,41%, yang mana nilai ini masih
berada dalam batas spesifikasi.
4.3 Uji Dependensi dan Uji Distribusi Multivariat Normal
Sebelum melakukan analisis menggunakan peta kendali Generalized Variance dan T2
Hotelling, perlu dilakukan uji dependensi dan distribusi multivariat normal. Uji dependensi
dilakukan dengan menggunakan software SPSS dan uji distribusi multivariat normal dilakukan
dengan software R. Berikut ini merupakan hasil output uji dependensi menggunakan metode
KMO and Bartlett’s Test.
Tabel 4: KMO and Bartlett’s Test Data Variabel Brix dan Pol
Kaiser-Mayer-Olkin Bartlett’s Test of Sphericity
Measure of Sampling Approx. Chi-
df P-value
Adequancy Square
0,5 369,542 1 0,000
Berdasarkan tabel 3, diperoleh p-value sebesar 0,000 dimana nilai tersebut lebih kecil
dari nilai α 0,05. Sehingga dapat disimpulkan bahwa data brix dan pol yang telah diamati telah
memenuhi asumsi dependen. Selanjutnya adalah uji distribusi multivariat normal. Uji
multivariat normal dilakukan dengan metode Shapiro-Wilk Normality Test. Berikut ini
merupakan hasil untuk uji distribusi multivariat normal.
Tabel 5: Shapiro-Wilk Normality Test Data Variabel Brix dan Pol
W P-value
0,98214 0,06255
Dilihat dari tabel 4, diketahui bahwa nilai p-value sebesar 0,06255 dimana nilai tersebut
lebih besar dari nilai α 0,05. Jadi keputusan untuk uji ini adalah gagal tolak H0. Sehingga dapat
disimpulkan bahwa data brix dan pol yang telah diamati telah memenuhi asumsi berdistribusi
multivariat normal.
4.4 Peta Kendali Generalized Variance
Peta kendali Generalized Variance menggambarkan pergeseran variabilitas proses. Peta
kendali Generalized Variance pada praktikum ini dibuat untuk 47 subgrup data brix dan pol
dengan masing-masing subgrup terdapat 3 sampel. Berikut ini merupakan peta kendali
Generalized Variance yang dibentuk dengan software Minitab.
 0,09
UCL=0,08382
0,08

0,07

Generalized Variance
0,06

0,05

0,04

0,03

0,02

0,01 |S|=0,01087

0,00 LCL=0

1 6 11 16 21 26 31 36 41 46
Sample

Gambar 4: Peta Kendali Generalized Variance Proses Produksi Nira

Berdasarkan gambar 4, diketahui bahwa nilai batas kendali atas atau upper control limit
(UCL) adalah 0,08382. Sedangkan nilai batas kendali bawah atau lower control limit (LCL)
adalah 0. Nilai tengah dari peta kendali ini adalah 0,01087. Tidak terdapat titik yang out of
control. Jadi variabilitas proses produksi nira di Pabrik Gula Toelangan Sidoarjo telah
terkendali secara statistik dan tidak mengalami pergeseran.
4.5 Peta Kendali T2 Hotelling
Peta kendali T2 Hotelling digunakan untuk mengetahui apakah terdapat pergeseran rata-rtaa
proses dari data. Data yang digunakan sama dengan data sebelumnya pada peta kendali
Generalized Variance. Berikut ini merupakan peta kendali T2 Hotelling yang dibentuk dengan
software Minitab.
18

16

14

UCL=12,48
12

10
Tsquared

2
Median=1,38
0

1 6 11 16 21 26 31 36 41 46
Sample

Gambar 5: Peta Kendali T2Hotelling Proses Produksi Nira 1

Peta kendali T2 Hotelling pada gambar 5, menghasilkan batas kendali atas atau upper
control limit (UCL) sebesar 12,48. Sedangkan nilai tengahnya (center line) atau mediannya
sebesar 1,38. Dari gambar terlihat bahwa terdapat 4 titik out of control yaitu pada subgrup ke-
1, 2, 23 dan 46. Sehingga dapat disimpulkan bahwa rata-rata proses produksi nira di Pabrik
Gula Toelangan Sidoarjo belum terkendali secara statistik. Berdasarkan output Minitab
diketahui bahwa baik variabel brix maupun pol sama-sama menyebabkan terjadinya pergeseran
rata-rata proses. Namun dilihat dari banyaknya variabel yang paling berpengaruh adalah
variabel pol yang menyebabkan titik ke 2, 23 dan 46 berada di luar batas kendali.
Karena peta kendali T2 Hotelling di atas belum terkendali secara statistik, dilakukan
pembentukan peta kendali baru dengan menghilangkan subgrup ke 46 yang merupakan titik
terjauh dari UCL. Sehingga subgrup data berubah menjadi 46. Berikut ini merupakan peta
kendali T2 Hotelling yang baru untuk pengendalian rata-rata proses produksi.

16

14

UCL=12,49
12

10
Tsquared

2
Median=1,38

1 6 11 16 21 26 31 36 41 46
Sample

Gambar 6: Peta Kendali T2Hotelling Proses Produksi Nira 2

Peta kendali T2 Hotelling pada gambar 6, menghasilkan batas kendali atas atau upper
control limit (UCL) sebesar 12,49. Sedangkan nilai tengahnya (center line) atau mediannya
sebesar 1,38. Dari gambar terlihat bahwa terdapat 3 titik out of control yaitu pada subgrup ke-
1, 2 dan 23. Sehingga dapat disimpulkan bahwa rata-rata proses produksi nira di Pabrik Gula
Toelangan Sidoarjo masih belum terkendali secara statistik. Berdasarkan output Minitab
diketahui bahwa baik variabel brix maupun pol masih sama-sama menyebabkan terjadinya
pergeseran rata-rata proses. Namun dilihat dari banyaknya variabel yang paling berpengaruh
adalah variabel pol yang menyebabkan titik ke 2, 23 berada di luar batas kendali.
Karena peta kendali T2 Hotelling di atas belum terkendali secara statistik, dilakukan
pembentukan peta kendali baru dengan menghilangkan subgrup pertama yang merupakan titik
terjauh dari UCL. Sehingga banyaknya subgrup data berubah menjadi 45. Berikut ini
merupakan peta kendali T2 Hotelling yang baru untuk pengendalian rata-rata proses produksi.
 16

14

UCL=12,51
12

10

Tsquared
8

2
Median=1,38

1 5 9 13 17 21 25 29 33 37 41 45
Sample

Gambar 7: Peta Kendali T2Hotelling Proses Produksi Nira 3

Peta kendali T2 Hotelling yang baru pada gambar 7, menghasilkan batas kendali atas
atau upper control limit (UCL) sebesar 12,51. Sedangkan nilai tengahnya (center line) atau
mediannya sebesar 1,38. Dari gambar terlihat bahwa terdapat 2 titik out of control yaitu pada
subgrup ke-1 dan 22. Sehingga dapat disimpulkan bahwa rata-rata proses produksi nira di
Pabrik Gula Toelangan Sidoarjo tidak terkendali secara statistik. Berdasarkan output Minitab
diketahui bahwa variabel yang menyebabkan rata-rata proses tidak terkendali secara statistik
adalah pol.
4.6 Kapabilitas Proses
Kapabilitas proses bertujuan untuk mengetahui apakah hasil produksi telah memenuhi
spesifikasi yang diberikan oleh perusahaan. Pabrik Gula Toelangan Sidoarjo telah menetapkan
batas spesifikasi untuk brix adalah berkisar antara 10,58% sampai 14,58%. Sedangkan untuk
pol berkisar antara 6,38% sampai 12,38%. Dari kapabilitas proses akan diketahui apakah
proses produksi yang telah dilakukan sudah kapabel atau tidak. Berikut ini merupakan hasil
kapabilitas proses variabel brix menggunakan software Minitab.
 Gambar 8: Kapabilitas Proses dari Nilai Brix
Berdasarkan gambar 8, dapat diketahui nilai Pp yang diperoleh adalah sebesar 0,91
dimana nilai tersebut kurang dari 1, artinya presisi dari nilai brix rendah. Jadi, variasi antara
pengamatan satu dengan yang lainnya tinggi yang menyebabkan data tidak homogen. Nilai
Ppk diperoleh sebesar 0,81 dimana nilai tersebut kurang dari 1, artinya akurasi dari nilai brix
rendah. Selanjutnya analisis kapabilitas proses pada variabel pol.

Gambar 9: Kapabilitas Proses dari Nilai Pol

Berdasarkan gambar 9, nilai Pp yang diperoleh adalah sebesar 1,5, dimana nilai tersebut
lebih dari 1, artinya presisi dari nilai pol tinggi. Jadi, variasi antara pengamatan satu dengan
yang lainnya rendah yang menyebabkan data cenderung homogen. Nilai Ppk diperoleh sebesar
1,39 dimana nilai tersebut lebih dari 1, artinya akurasi dari nilai pol tinggi. Selanjutnya analisis
kapabilitas proses produksi nira berdasarkan variabel brix dan pol. Kapabilitas proses produksi
nira dilihat dari perolehan nilai Mpp dan Mpk. Mpk yang diperoleh sebesar 1,205 dimana
dimana nilai tersebut lebih dari 1, artinya presisi dari hasil produksi nira tinggi. Sedangkan
nilai Mpk adalah 1,1 yang juga lebih besar dari 1 artinya akurasi produksi nira tinggi. Jadi dapat
disimpulkan bahwa proses produksi nira di Pabrik Gula Toelangan Sidoarjo sudah kapabel.
4.7 Diagram Ishikawa
Untuk mengetahui penyebab terjadinya ketidaksesuaian produksi nira di Pabrik Gula
Toelangan Sidoarjo bisa melalui diagram sebab akibat. Berikut ini merupakan diagram
ishikawa ketidaksesuaian produksi nira.
 Measurements Material Personnel

Kesalahan
perhitungan
Kualitas tebu Ketelitian operator

Kurang teliti dalam

pengambilan sampel

Ketidaksesuai
an produksi
nira

Setting awal mesin

Aturan tidak dipatuhi

Maintenance mesin

Methods Machines

Gambar 10: Diagram Sebab Akibat Ketidaksesuaian Produksi Nira

Gambar 10 menunjukkan penyebab terjadinya ketidaksesuaian produksi nira di Pabrik
Gula Toelangan Sidoarjo. Dapat diketahui bahwa penyebabnya dikategorikan berdasarkan
faktor pengukuran, bahan baku, pekerja, metode dan mesin. Adapun penyebabnya secara lebih
detail dapat dilihat pada diagram di atas. Dengan dibentuknya diagram sebab akibat ini
diharapkan perusahaan lebih berhati-hati dalam proses produksi. Dan lebih memeprhatikan
hal-hal yang ada pada diagram di atas agar hasil produksi kedepannya lebih baik lagi.
5 Kesimpulan dan Saran
Kesimpulan dari praktikum kali ini yaitu pada data simulasi yang telah dibangkitan, peta
kendali T2 Hotelling yang dihasilkan hanya dapat menangkap pergeseran rata-rata proses yang
besar. Untuk data brix dan pol yang diamati memiliki nilai yang berada di dalam batas
spesifikasi perusahaan dengan rata-rata brix 12,793% dan rata-rata pol 9,6002%. Data
pengamatan brix dan pol telah memenuhi asumsi dependen dan berdistribusi multivariat
normal. Melalui peta kendali Generalized Variance disimpulkan bahwa variabilitas proses
produksi nira di Pabrik Gula Toelangan Sidoarjo telah terkendali secara statistik. Sedangkan
melalui peta kendali T2 Hotelling disimpulkan bahwa rata-rata proses produksi nira tidak
terkendali secara statistik. Melalui analisis kapabilitas proses, disimpulkan bahwa proses
produksi nira di Pabrik Gula Toelangan Sidoarjo sudah kapabel. Penyebab terjadinya
ketidaksesuai hasil produksi nira telah dianalisis menggunakan diagram sebab akibat. Faktor-
faktor yang mempengaruhinya yaitu pekerja atau operator, bahan baku yang kurang
berkualitas, kesalahan pengukuran, metode yang digunakan kurang maksimal serta mesin yang
kurang maksimal.
Saran yang diberikan berdasarkan praktikum yang telah dilakukan adalah sebagai
berikut.
1. Untuk perusahaan harus lebih teliti dalam melakukan pengontrolan terhadap proses
produksi, dan teliti terhadap hasil perhitungan yang dilakukan agar memperoleh hasil
yang maksimal. Selain itu lebih memperhatikan penyebab terjadinya ketidaksesuaian
 produksi nira agar nira yang dihasilakan maksimal dan kualitasnya sesuai dengan
spesifikasi yang telah ditetapkan.
2. Untuk pengamatan dan praktikum selanjutnya harus lebih teliti dalam mengamati proses
sehingga dapat menghasilkan data yang akurat. Dan harus lebih cermat dalam
melakukan suatu perhitungan agar tidak menghasilkan kesimpulan yang salah.
Daftar Pustaka
[1] D. C. Montgomery, Introduction to Statistical Quality Control, United States of
America: John Wiley & Sons, Inc, 2009.
[2] H. Huang, "Statistika Deskriptif," 2016. [Online]. Available:
http://www.globalstatistik.com. [Accessed 04 10 2018].
[3] G. K. Bhattacharyya, Statistic Principles and Methods, USA: University of Wisconsin
at Madison, 2010.
[4] D. W. Winchern dan R. A. Johnson, Applied Multivariate Statistical Analysis, New
Jersey: Prentice Hall, 2007.
[5] D. C. Montgomery, Introduction to Statistical Quality Control, United State of
America: John Wiley & Sons, Inc., 2009.
[6] S. Raissi, Multivariate Process Capability Indices on The Presence of Priority for
Quality Characteristics., Journal of Industrial Engineering International, June 2009.
[7] J. Haizer and B. Render, Manajemen Operasi, Edisi 7, Jakarta: Salemba Empat, 2006.
[8] Herjanto and Eddy, Manajemen Operasi, Jakarta: Grasindo, 2008.
[9] Jay Heizer dan Barry Render, Manajemen Operasi Buku 1 Edisi 9, Jakarta: 2009, 2009.
[10] R. E. Walpole, Pengantar Statistika Edisi Ke-3, Jakarta: PT Gramedia Pustaka Utama,
1993.
[11] W. Daniel, Statistika Nonparametrik Terapan, Jakarta: PT. Gramedia, 1989.
[12] V. Gaspersz, Pedoman Implementasi Program Six Sigma, Jakarta: Gramedia Pustaka
Utama, 2002.
[13] Jay Heizer dan Barry Render, Manajemen Operasi Buku 1 Edisi 9, Jakarta: Salemba
Empat, 2009.
Lampiran
Lampiran 1 Bangkitan data multivariat normal.
Data 1
x1 x2 x3 x1 x2 x3
16.48685 30.53932 21.3107 17.74741 31.48811 22.7661
16.19529 30.33811 22.3791 16.56034 31.59882 21.76934
17.23337 31.35509 21.80378 16.81864 29.87527 21.63693
18.11824 31.63825 22.79701 16.72673 31.75795 22.55124
17.79069 31.3694 22.47865 16.21012 30.38606 21.29706
18.34712 31.5614 22.46931 16.72781 29.34095 20.09819
16.40227 30.45755 20.94751 18.05844 32.02882 22.01053
16.42158 31.13261 22.00194 16.60658 30.5313 22.15605
15.79474 30.9855 21.86364 16.79218 31.22074 21.85723
17.39597 32.21624 22.0672 16.42748 30.79927 21.32413
17.80492 32.43634 23.23079 17.54382 31.02117 22.87375
15.54168 29.45587 20.60966 16.99285 31.07722 21.53417
16.28848 30.82322 21.24978 15.1693 28.24465 19.64801
16.85576 31.41256 23.00925 18.65346 31.88996 22.88259
17.21579 31.94507 22.98508 16.7004 29.63662 21.32638
17.17252 30.18524 21.77066 18.97396 30.72976 22.43348
17.0912 30.67639 21.13575 17.64413 31.29184 21.96756
15.99635 29.535 20.50677 16.98043 29.77961 20.48695
15.27988 29.17828 19.30693 18.16459 31.44142 22.7119
14.54228 28.92714 20.06895 17.83219 32.50199 23.12129
17.39441 31.52039 22.64491 16.53326 30.70218 22.24535
17.35204 30.48976 21.97786 17.1403 32.39572 22.9954
17.18924 29.4679 20.20449 16.97616 31.91717 22.26023
17.2966 32.27326 23.45841 16.54281 31.94168 22.13614
16.64899 29.97936 21.10299 15.44725 30.43047 21.31041
18.70945 31.27962 23.37606 18.34113 32.02966 23.48193
16.65996 30.92225 21.89282 16.88633 30.81251 22.37554
17.92334 31.39935 22.27017 18.0852 30.38521 22.86007
18.27821 31.87844 23.81424 17.16118 30.88634 22.19701
18.79323 30.90882 22.32619 17.61079 31.53976 21.93169
17.45897 29.92156 21.40636 19.25637 32.89289 24.28231
19.15406 31.66279 23.62182 17.94431 31.9596 22.71276
16.48247 29.79146 21.35652 16.28065 30.40083 21.34685
17.6633 30.98374 21.74103 15.58791 29.3142 20.4609
17.19549 30.64861 22.54552 16.10297 31.45975 21.85421
17.71671 30.75559 21.86534 17.28803 30.19302 22.01396
 19.36634 33.18084 23.47993 16.53691 31.02947 22.84973
16.55808 31.60719 21.68203 15.85394 29.80877 21.25367
17.56108 32.8368 23.5959 17.8365 30.99244 21.83235
16.3668 30.88369 21.4749 18.08633 31.81531 23.95289
18.02399 31.3198 21.78841 15.84666 30.03927 20.77049
15.68697 31.11303 21.28092 15.36254 30.11881 20.47193
15.06547 29.5832 20.36489 15.7917 30.55709 20.6001
18.26555 32.6966 22.56494 16.57017 30.73966 22.69659
15.36082 30.03574 21.04918 18.08315 31.20129 22.67632
17.29361 32.08104 23.03604 17.72065 31.3733 23.00902
17.9636 31.57377 22.05219 19.1379 33.37161 24.05451
15.91986 30.50229 22.41577 16.98897 30.86592 21.23551
17.74741 31.48811 22.7661 17.55816 32.04027 22.72331
16.56034 31.59882 21.76934 16.83202 31.4544 21.80338
16.81864 29.87527 21.63693 17.39427 30.80095 22.33781
16.72673 31.75795 22.55124 15.91673 30.95038 21.70908

Data 2 Data 3 Data 4

x1 x2 x3 x1 x2 x3 x1 x2 x3
16.31129 30.68354 21.99503 14.90543 30.36343 20.46135 17.94602 30.68239 30.10829
17.4992 30.63703 24.08576 15.07919 30.49709 20.4703 15.6184 29.97753 28.09956
16.49689 30.07643 22.39688 15.09292 29.59127 19.28376 18.44031 30.65649 30.08066
16.57493 31.82903 23.1066 16.16183 30.93991 20.70143 15.42492 29.91499 28.96471
18.77159 32.24356 23.76077 18.07466 32.66543 22.29034 18.08538 32.08881 31.57855
15.94265 31.32614 23.33781 16.32306 30.92836 20.98366 16.05278 31.20308 29.56216
16.38742 31.47543 22.71726 17.89588 32.34835 21.07626 16.65634 31.67731 31.01664
17.66224 31.89508 23.12519 16.33732 30.82265 20.70797 18.12264 31.75852 30.36502
15.95343 28.6779 20.99866 16.46506 30.48283 19.26653 15.94182 30.22304 29.75237
16.01447 29.79618 21.31281 17.22639 31.88141 21.82233 16.16628 31.16311 30.48343
16.68666 30.96048 22.48008 17.68476 32.60362 23.0313 16.86052 30.5026 30.28028
17.74844 31.98958 22.86208 18.087 31.90549 20.93098 16.74162 31.6216 30.59231
16.66711 30.55973 22.17076 15.93087 30.50583 20.89309 18.684 31.58369 30.6073
16.46921 31.48615 22.80288 17.44492 31.05217 21.41429 16.43847 30.75991 30.19359
17.05272 30.93112 22.1738 17.35086 30.96509 21.06949 17.80514 31.68642 29.71532
18.19817 31.74618 23.98796 17.48523 31.22125 21.70701 17.17172 30.48068 30.58554
17.31798 30.31889 21.72004 15.43167 31.05838 19.91857 17.48422 31.63848 30.58891
17.55956 31.99398 23.1218 15.67861 29.32505 19.01733 18.15889 30.32247 30.6822
16.30258 28.91856 22.38828 15.97188 30.8678 20.28941 15.61465 31.24469 29.44638
15.70753 30.82971 22.62908 16.50057 29.94452 19.81433 16.72058 32.32932 31.4374
17.39896 31.14631 23.2562 16.50715 30.42067 20.38526 17.70354 31.88128 30.82664
18.8123 31.71484 23.3974 17.71762 32.07141 21.67771 16.30544 29.92887 28.96491
 Data 2 Data 3 Data 4
x1 x2 x3 x1 x2 x3 x1 x2 x3
15.87031 30.87489 23.05861 18.34553 30.32952 20.35955 16.63401 29.95747 29.50828
15.75974 29.33637 21.14488 15.99334 30.58924 20.10039 18.1133 32.82059 30.26523
17.31469 31.65399 23.04126 16.62179 30.32 19.45522 18.05376 31.69022 31.35902
18.06106 30.22997 23.29902 17.87889 31.79325 21.86791 15.8843 31.26474 29.95285
15.70102 30.74975 23.14687 16.5149 29.77721 20.34022 18.31413 32.20844 32.20056
18.05496 32.86641 25.12812 17.03718 29.87717 20.17159 18.22368 33.25631 31.84261
15.20134 30.14461 22.52653 18.34025 32.28538 21.25998 19.32846 32.88059 31.90192
15.7652 30.53262 21.64277 18.27 31.82057 21.76131 19.73151 31.48613 31.98808
16.44173 30.15002 22.40617 17.48377 30.48141 21.0264 16.81046 31.44237 30.91256
17.09431 30.67825 22.64583 17.88519 32.41691 22.13011 17.00433 31.01193 29.72708
17.29471 32.0847 23.95747 16.77503 29.41237 18.48673 18.00868 32.55122 30.901
16.72496 30.33536 22.11111 16.12619 30.66494 20.29499 16.55513 31.65039 30.18168
16.45014 30.0928 22.98127 16.9484 30.80636 21.41124 17.17058 32.42906 31.03665
16.66384 31.08727 22.93985 17.21291 30.56326 20.44397 17.12603 30.63809 29.08038
16.87127 30.60405 22.34847 18.39329 32.53138 21.78193 18.63106 34.06982 32.19571
18.3789 30.86577 23.20657 16.89854 30.26021 19.55144 16.65635 30.84505 30.30173
16.49172 30.93944 23.12646 16.14186 29.3783 19.48341 17.52759 30.86061 30.67886
17.48226 31.7157 24.14228 16.60431 29.77748 19.41706 16.39738 29.83055 28.17946
17.4823 32.06113 24.25115 16.83509 32.35312 22.52358 14.73602 30.88334 29.78912
15.48955 28.79396 21.12707 15.83695 29.90464 20.08607 17.44267 32.83197 31.16157
18.98931 32.33101 24.3697 17.07586 31.18815 21.33969 17.9513 30.373 29.29826
16.91705 30.69261 23.73422 18.01122 33.01998 22.44625 17.77529 31.20884 30.82832
16.61253 30.91493 22.63787 16.91763 30.58073 21.95401 17.32273 30.87678 29.77127
18.43954 31.93746 24.64561 18.20464 31.12433 20.76304 15.86953 29.53688 29.31238
17.3722 31.56749 23.37776 16.39208 30.96709 20.7434 14.97993 28.39447 28.46018
17.03985 31.00572 23.25482 17.89048 33.14223 21.97669 17.43493 31.81185 29.64301
19.81347 33.2212 25.15655 16.62794 31.81873 20.97652 16.01708 30.58403 29.19184
17.95759 32.47134 23.39548 17.29502 29.18394 20.79507 18.11688 31.51002 30.43364
Lampiran 2 Data brix dan pol.
subgrup sampel brix pol subgrup sampel brix pol
1 1 12,31 8,97 14 1 12,8 9,43
2 11,37 8,07 2 12,67 9,54
3 12,25 8,81 3 13,95 10,74
2 1 12,05 8,65 15 1 13,37 10,12
2 11,45 8,1 2 12,78 9,51
3 11,25 8,5 3 12,74 9,71
3 1 12,08 9,05 16 1 12,05 9,09
2 12,5 9,24 2 12,25 9,41
3 13,35 10,09 3 12,78 9,47
4 1 12,78 9,41 17 1 12,47 9,35
2 13,23 10,14 2 12,7 9,49
3 12,31 9,49 3 13,13 9,76
5 1 13,62 10,39 18 1 13,1 9,76
2 12,79 9,89 2 12,55 9,09
3 12,6 9,24 3 13,4 9,91
6 1 11,75 8,78 19 1 12,25 9,05
2 11,75 8,78 2 12,8 9,44
3 12,59 9,38 3 12,77 9,75
7 1 12,7 9,59 20 1 13,3 9,94
2 13,75 10,62 2 12,47 9,48
3 12,79 9,7 3 12,33 9,04
8 1 11,9 8,95 21 1 12,28 9,18
2 13,05 9,47 2 12,9 9,85
3 13,11 9,76 3 11,95 8,73
9 1 12,79 9,93 22 1 12,15 9,04
2 13,19 9,73 2 12,15 9,04
3 12,25 9,4 3 11,78 8,75
10 1 13,99 10,52 23 1 9,69 6,93
2 12,72 9,58 2 12,55 9,11
3 13,23 10,04 3 12,36 9,24
11 1 13,17 10,11 24 1 11,9 8,63
2 12,93 9,96 2 12,19 8,8
3 14,05 10,73 3 13,47 10,01
12 1 13,39 10,19 25 1 12,29 9,21
2 12,93 9,93 2 13,65 10,21
3 13,13 10,16 3 11,18 8,09
13 1 12,7 9,82 26 1 13,24 9,84
2 13,05 10,03 2 11,55 8,49
3 13,88 10,56 3 12,49 9,35
subgrup sampel brix pol subgrup sampel brix pol
27 1 12,93 9,43 40 1 13,55 10,37
2 13,78 10,63 2 13,13 9,77
3 12,59 9,41 3 12,98 9,7
28 1 13,67 10,07 41 1 13,05 9,61
2 13,62 10,29 2 13,5 10,44
3 13,17 9,87 3 12,89 9,68
29 1 12,95 9,73 42 1 12,27 9,33
2 13,65 10,14 2 12,85 9,84
3 13,73 10,12 3 13,42 10,17
30 1 13,43 10,42 43 1 12,57 9,23
2 11,68 8,72 2 11,8 8,93
3 13,39 10,06 3 12,63 9,65
31 1 13,43 10,15 44 1 13,49 10,45
2 12,63 9,71 2 13,09 10,06
3 12,43 9,59 3 12,28 9,25
32 1 13,15 9,97 45 1 13,57 10,52
2 11,7 8,73 2 12,72 9,56
3 11,78 8,52 3 13 9,87
33 1 13,78 10,31 46 1 14,53 11,38
2 12,5 9,05 2 14,83 11,41
3 11,97 9,08 3 12,5 9,61
34 1 14,45 10,96 47 1 12,93 9,62
2 13,27 10,15 2 12,28 9,17
3 14,23 10,81 3 13,3 9,84
35 1 13,67 10,18
2 12,45 9,43
3 12,83 9,51
36 1 11,97 8,73
2 12,85 9,65
3 12,47 9,4
37 1 11,88 8,71
2 13,39 10,11
3 13,03 9,86
38 1 13,1 9,54
2 12,77 9,44
3 12,7 9,72
39 1 13,17 10,11
2 13,3 9,78
3 12 8,74
Lampiran 3 Pembagian tugas.
1 Pendahuluan : Nurul Rizqiyah
2 Tinjauan Pustaka : Adam Fahmi
3 Metodologi Penelitian : Adam Fahmi
4 Analisis dan Pembahasa
1 Simulasi : Adam Fahmi
2 Data Real : Nurul Rizqiyah
5 Kesimpulan dan Saran : Nurul Rizqiyah
Lampiran 4 Alokasi waktu pengerjaan.
Hari, Tanggal Waktu Keterangan
Kamis, 22 November 10.00-14.00 WIB Mencari dan input
2018 data pengamatan di
RBS
Jum’at, 23 15.00-18.00 WIB Membangkitkan dan
November 2018 analisis data simulasi
Sabtu, 24 November 07.00-15.00 WIB Analisis
2018 pengendalian
kualitas statistik data
pengamatan