LAPORAN PRAKTIKUM

PENGENDALIAN KUALITAS STATISTIK

MODUL 1

Pengendalian Kualitas Statistik Lama Waktu Dosen Mengajar

Pada Program Studi DIII Statistika ITS
Angkatan 2014 dan 2015 Kelas A

Oleh:

Ade Novadio (1314 030 023)

Cantik Dewi Purwati (1314 030 084)

Asisten Dosen:

Miftakhul Ilmi D. I.

Program Studi Diploma III

Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya
2016
 ABSTRAK

Pengendalian kualiatas adalah bagan visual untuk memberi gambaran

proses yang sedang berjalan. Peta Kendali adalah metode statistic untuk
membedakan adanya variasi yang disebabkan oleh sebab umum dan sebab
khusus. Lama dosen mengajar dalam kelas memiliki durasi atau alokasi
waktu yang telah di perhitungkan sebelumnya yang mana harapan dari suatu
kurikulum waktu yang ditetapkan tersebut benar-benar berjalan secara
optimal. Praktikum ini menggunakan data hasil pengukuran yakni waktu dari
lama dosen mengajar dalam kelas sehingga peta kendali yang akan
digunakan pada penelitian ini adalah peta kendali X  R dan peta kendali
X  S . Data diambil dari kelas DIII A selama 3 minggu pengamatan
dimana lama dosen yang diamati hanya pada mata kulia yang memiliki 3
atau 4 sks saja. Sebelum melakukan analisis dengan peta kendai ada asumsi
yang harus terpenuhi yaitu data yang diambil harus diambil secara acak dan
mengikuti distribusi normal. Dari penelitian tersebut diperoleh hasil bahwa
data lama dosen mengajar telah diambil secara acak dan telah mengikuti
distribusi normal. Data hasil pengamatan menunjukan bahwa variabilitas
waktu lama dosen mengajar dalam kelas DIII A masih terkendali secara
statistik. Tetapi kapabilitas proses masih belum dikatakan kapabel karena
nlai Cp dan Cpk masih kurang dari satu serta nilai varians data dari lama
dosen mengajar masih memiliki varians yang sangat besar yang ditunjukan
oleh grafik yang melebar kesamping.
Kata Kunci: Distribusi Normal, Keacakan, Lama Dosen Mengajar Peta
Kendali X  R , Peta Kendali X  S

ii
 DAFTAR ISI
Halaman
HALAMAN..........................................................................................................i
ABSTRAK............................................................................................................ii
DAFTAR ISI........................................................................................................iii
DAFTAR TABEL................................................................................................iv
DAFTAR GAMBAR............................................................................................v
BAB I PENDAHULUAN
1.1 Latar Belakang......................................................................................1
1.2 Rumusan Masalah.................................................................................2
1.3 Tujuan...................................................................................................2
1.4 Manfaat.................................................................................................3
1.5 Batasan Masalah...................................................................................3
BAB II TINJAUAN PUSTAKA
2.1 Uji Keacakan Data.................................................................................4
2.2 Uji Kenormalan Data.............................................................................5
2.3 Peta Kendali x  R .................................................................................6
2.4 Peta Kendali x  S ................................................................................7
2.5 Kapabilitas Proses..................................................................................7
2.6 Diagram Ishikawa..................................................................................9
2.6 Lama Dosen Mengajar........................................................................... 9
BAB III METODOLOGI PENELITIAN
3.1 Sumber Data...........................................................................................10
3.2 Variabel Penelitian.................................................................................10
3.3 Struktur Data..........................................................................................10
3.4 Langkah Analisis....................................................................................10
3.5 Diagram Alir..........................................................................................12
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Uji Keacakan.........................................................................................13
4.1.1 Peta Kendali x  R .........................................................................13
4.1.2 Peta Kendali x  S .........................................................................13
4.2 Uji Kenormalan Data.............................................................................14
4.2.1 Peta Kendali x  R ..........................................................................15
4.2.2 Peta Kendali x  S ..........................................................................15

iii
 4.3 Peta Kendali R.......................................................................................16
4.3.1 Peta Kendali x - R..........................................................................16
4.4 Peta Kendali S.......................................................................................18
4.4.1 Peta Kendali x - S..........................................................................18
4.5 Kapabilitas Proses.................................................................................20
4.6 Diagram Ishikawa .................................................................................20
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan............................................................................................22
5.2 Saran......................................................................................................23
DAFTAR PUSTAKA
LAMPIRAN

iv
 DAFTAR TABEL

Tabel 3.1 Struktur Data.........................................................................................10

Tabel 4.1 Uji Keacakan Peta Kendali R................................................................13
Tabel 4.2 Uji Keacakan Peta Kendali S................................................................14

v
 DAFTAR GAMBAR

Gambar 2.1 Diagram Ishikawa........................................................................... 9

Gambar 3.1 Diagram Alir...................................................................................12
Gambar 4.1 Uji Normalitas Peta Kendali R........................................................15
Gambar 4.2 Uji Normalitas Peta Kendali S........................................................16
Gambar 4.3 Peta Kendali R Lama Dosen Mengajar DIII Kelas A....................17
Gambar 4.4 Peta Kendali X Lama Dosen Mengajar DIII Kelas A....................18
Gambar 4.5 Peta Kendali S Lama Dosen Mengajar DIII Kelas A....................19
Gambar 4.6 Peta Kendali X Lama Dosen Mengajar DIII Kelas A...................19
Gambar 4.7 Kapabilitas Dosen Mengajar DIII Kelas A.....................................20
Gambar 4.8 Diagram Ishikawa ..........................................................................21

vi
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Pengendalian kualiatas adalah bagan visual untuk memberi gambaran proses
yang sedang berjalan, untuk mengetahui apakah proses berada didalam batas-
batas yang telah ditetapkan sebelumnya. Dapat juga dikatakan bahwa
pengendalian kualitas statistik merupakan ilmu yang mempelajari tentang
teknik/metode pengandalian kualitas berdasarkan prinsip/konsep. Kualitas tidak
hanya berorientasi pada suatu proses produksi yang sedang berjalan, pengandalian
kualitas juga diperlukan pada pengoptimalan kinerja suatu sistem.
Peta Kendali adalah metode statistik untuk membedakan adanya variasi
yang disebabkan oleh sebab umum dan sebab khusus atau suatu teknik yang
dikenal sebagai metode grafik yang digunakan untuk mengevaluasi apakah suatu
proses berada dalam pengendalian kuaslitas secara statistik atau tidak sehingga
dapat memecahkan masalah dan menghasilkan perbaikan kualitas. Peta kendali
inilah yang akan digunakan untuk mengetahui apakah suatu sistem berjalan
dengan semestinya. Praktikum ini menggunakan data hasil pengukuran yakni
waktu dari lama dosen mengajar dalam kelas sehingga peta kendali yang akan
digunakan pada penelitian ini adalah peta kendali X  R dan peta kendali X  S .

Kegiatan pengajaran dosen di kelas pasti memiliki alokasi yang sudah di

perhitungkan berapa lama dosen mengajar dalam kelas, awal mulai dan kapan
berakhirnya sebuah pengajaran. Mengajar adalah suatu aktivitas untuk mencoba
menolong, membimbing seseorang untuk mendapatkan, mengubah atau
mengembangkan skill, attitude, ideals (cita-cita), appreciations (penghargaan) dan
knowledge (Slameto, 2010). Proses pengajaran yang di alokasikan pada setiap
dosen sebelum melakukan awal perkuliahan ada kontrak kerja yang dilakukan
mengenai kesepakatan lama dosen mengajar dalam setiap kelas. Untuk
mengetahui apakah lama pengajaran dosen berjalan sesuai dengan ketentuan awal
dilakukan penelitian pada kelas DIII A Jurusan Statistika ITS Surabaya yang dapat
dianalisis dengan menggunakan peta kendali X  R dan peta kendali X  S yang
sebelumnya harus memenuhi asumsi keacakan dan distribusi normal.

1
1.2 Rumusan Masalah
Rumusan masalah dalam penelitian ini adalah sebagai berikut.
1. Apakah lama dosen mengajar dalam satu sesi mata kuliah dikelas DIII A
angkatan 2014 dan 2105 Jurusan Statistika ITS Surabaya telah diambil
secara acak?
2. Apakah lama dosen mengajar dalam satu sesi dikelas DIII A angkatan 2014
dan 2105 Jurusan Statistika ITS Surabaya berdistribusi normal?
3. Apakah data lama dosen mengajar dalam satu sesi mata kuliah dikelas DIII
A angkatan 2014 dan 2105 Jurusan Statistika ITS Surabaya telah terkendali
secara statistik berdasarkan peta kendali X  R ?
4. Apakah data lama dosen mengajar dalam satu sesi mata kuliah dikelas DIII
A angkatan 2014 dan 2105 Jurusan Statistika ITS Surabaya telah terkendali
secara statistik berdasarkan peta kendali X  S ?
5. Apakah data lama dosen mengajar dalam satu sesi mata kuliah dikelas DIII
A angkatan 2014 dan 2105 Jurusan Statistika ITS Surabaya telah kapabel?

6. Apa penyebab lama dosen mengajar dalam satu sesi mata kuliah dikelas
DIII A angkatan 2014 dan 2105 Jurusan Statistika ITS Surabaya melebihi
atau kurang dari waktu standar?

1.3 Tujuan
Tujuan dalam penelitian ini adalah sebagai berikut.
1. Mengetahui lama dosen mengajar dalam satu sesi mata kuliah dikelas DIII
A angkatan 2014 dan 2105 Jurusan Statistika ITS Surabaya telah diambil
secara acak.
2. Mengetahui lama dosen mengajar dalam satu sesi dikelas DIII A angkatan
2014 dan 2105 Jurusan Statistika ITS Surabaya berdistribusi normal.
3. Mengetahui data lama dosen mengajar dalam satu sesi mata kuliah dikelas
DIII A angkatan 2014 dan 2105 Jurusan Statistika ITS Surabaya telah
terkendali secara statistik menggunakan peta kendali X  R .
4. Mengetahui data lama dosen mengajar dalam satu sesi mata kuliah dikelas
DIII A angkatan 2014 dan 2105 Jurusan Statistika ITS Surabaya telah
terkendali secara statistik menggunakan peta kendali X  S .
5. Mengetahui data lama dosen mengajar dalam satu sesi mata kuliah dikelas
DIII A angkatan 2014 dan 2105 Jurusan Statistika ITS Surabaya telah
kapabel.

2
6. Mengetahui penyebab lama dosen mengajar dalam satu sesi mata kuliah
dikelas DIII A angkatan 2014 dan 2105 Jurusan Statistika ITS Surabaya
melebihi atau kurang dari waktu standar.

1.4 Manfaat

Manfaat yang dapat diperoleh dari penelitian pengendalian kualitas lama

dosen mengajar yakni untuk menentukan sampai sejauh mana dari efektivan lama
mengajar dosen apakah pengajaran dan durasi yang disediakan pada beberapa
mata kuliah berjalan sebagaimana mestinya serta menambah kemampuan peneliti
untuk menganalisis pengendalian kualitas suatu masalah. Bagi instansi terkait
diharapkan lebih mampu mengontrol kembali durasi yang di tetapkan dan
digunakan untuk menentukan kebijakan kedepannya.

1.5 Batasan Masalah

Batasan masalah dalam penelitian ini adalah data yang diambil dari dosen
yang mengajar dikelas DIII kelas A angkatan 2014 dan 2015. Yang dilakukan
dalam waktu 3 minggu pengamatan untuk mata kuliah 3 dan 4 sks diluar waktu
praktikum.

3
 BAB II
TINJAUAN PUSTAKA

2.1 Uji Keacakan Data (Run Test)

Uji keacakan atau run test adalah uji yang berfungsi untuk mengetahui
apakah data telah diambil secara acak. Salah satu contoh yang penting tentang itu
adalah ketika kita akan melakukan suatu analisis secara statistika terhadap
sejumlah data sampel yang tersedia. Apabila keacakan suatu sampel meragukan,
kita tentu ingin mempunyai suatu cara untuk melangkah ke tahapan analisis.
Banyak situasi lain yang mungkin membuat kita ingin menyelidiki asumsi yang
telah diambil tentang keacakan sampel-sampel yang bersangkutan.
Prosedur-prosedur untuk menyelidiki keacakan biasanya didasarkan pada
banyaknya dan sifat rangkaian yang terdapat dalam data yang diminati. Di sini
rangkaian yang didefinisikan sebagai serangkaian kejadian, hal, atau simbol yang
sama yang didahului dan diikuti oleh kejadian, hal, atau simbol dengan tipe yang
berbeda atau yang belakangan ini tidak ada sama sekali. Banyaknya kejadian, hal,
atau simbol dalam suatu rangkaian disebut ‘panjang’ rangkaian yang
bersangkutan. Keacakan suatu rangkaian umumnya kita ragukan apabila
rangkaian di situ terlalu banyak atau terlalu sedikit.
Asumsi yang dibutuhkan untuk analisis uji keacakan adalah sebagai
berikut (Daniel, 1989).
n = ukuran sampel total
n1 = banyaknya pengamatan kelompok pertama

n 2 = banyaknya pengamatan kelompok kedua

Dengan hipotesisnya adalah:

a. Dua-sisi
H 0 :Pola perolehan (kemunculan) kedua kelompok (tipe) pengamtan

ditentukan melalui suatu proses acak.

H 1 : Pola perolehan kedua kelompok tidak acak

b. Satu-sisi
H 0 : Pola perolehan kedua kelompok pengamtan ditentukan melalui proses

acak.

4
 H 1 : Pola perolehan tidak acak (karena rangkaian yang ada terlalu sedikit

untuk bisa dianggap kebetulan)

Statistik uji: r yaitu total banyaknya rangkaian.
Daerah kritis: Tolak H 0 jika r  rbawah ( n1, n 2 ) atau r  ratas ( n1,n 2 )

2.2 Uji Kenormalan Data (Uji Kolmogorov-Smirnov)

Pengujian asumsi residual berdistribusi normal digunakan untuk mendeteksi
kenormalan residual. Asumsi distribusi normal dapat diketahui dengan melihat
plot (QQ-plot), jika plot mengikuti dan mendekati garis linier maka data
berdistribusi normal dan jika plot tidak mengikuti dan menjauhi garis linier maka
data tidak berdistribusi normal. Asumsi distribusi normal juga dapat diketahui
dengan uji Kolmogorov Smirnov, yaitu dengan membandingkan fungsi distribusi
normal kumulatif dari distribusi normal F0(x) dengan fungsi distribusi empirik
dari sampel Sn(x) (Daniel, 1989).
Hipotesis dari pengujian ini adalah sebagai berikut :
keterangan Hopotesis
H0 : F(x) = F0(x) untuk semua nilai x
Dua sisi
H1 : F(x) ≠ F0(x) minimal ada satu nilai x
H0 : F(x) ≤ F0(x) untuk semua nilai x
Kanan
H1 : F(x) > F0(x) minimal ada satu nilai x
H0 : F(x) ≥ F0(x) untuk semua nilai x
Kiri
H1 : F(x) < F0(x) minimal ada satu nilai x
Statistik uji :
D  sup max S n  x   F0  x  (2.1)

Keterangan :
Sn : fungsi peluang kumulatif data sampel
F0(x) : fungsi distribusi kumulatif normal

D = supremum maksimum semua x dari nilai S n  x   F0  x 

Daerah kritis : Tolak H0, jika D > D(1-α,n) atau P-value < α

2.3 Peta Kendali x  R

Peta kendal x  R adalah peta kendali yang digunakan saat 2 ≤ n ≤ 10 dan
mempunyai rentang. Perhitungan dapat disajikan sebagai berikut.

5
1. Menghitung range dari data yang digunakan
R  Maksimal  Minimal (2.2)
2. Menghitung rata – rata dari range
R1  R2  ....  Rm
R (2.3)
m

3. Menghitung batas kontrol atas (BKA) dan batas kontrol (BKB) bawah dari
range
BKA  D4 R
GT = R (2.4)
BKB  D3 R
Hasil perhitungan range tidak ada data yang keluar dari batas kontrol, maka
dilajutkan dengan menghitung peta x jika ada data yang keluar dari batas kontrol
peta R maka data harus dikendalikan terlebih dahulu (Montgomery, 2009).
4. Menghitung rata-rata data yang digunakan
x1  x 2  .....  x m
x (2.5)
m
5. Menghitung rata-rata dari x yang didapatkan dari data
x1  x 2  ....  x m
x (2.6)
m
6. Menghitung batas kontrol atas (BKA) dan batas kontrol bawah (BKB) dari x
BKA  x  A2 R
GT = x (2.7)
BKB  x  A2 R

2.4 Peta Kendali x  S

Peta kendali x  s adalah peta kendali yang memetakan variansi suatu ciri
kualitas dalam suatu sampel.
1. Menghitung standar deviasi dari data yang digunakan
n

 (x i  x) 2
(2.8)
S i 1

n 1
2. Menghitung rata-rata standar deviasi yang digunakan

6
 S1  S 2  ....  S m
S (2.9)
m
3. Menghitung batas kontrol atas (BKA) dan batas kontrol bawah dari standar
deviasi
BKA  B4 S
GT = S (2.10)
BKB  B3 S
Hasil perhitungan standar deviasi tidak ada data yang keluar dari batas
kontrol, maka dilanjutkan dengan menghitung peta x jika ada data yang keluar
dari batas kontrol peta S maka data harus dikendalikan terlebih dahulu
(Montgomery, 2009).
4. Merata-rata x yang didapatkan dari data.
x1  x 2  ....  x m
x (2.11)
m
5. Menghitung batas atas dan batas bawah kendali dari x .
BKA  x  A3 S
GT = x (2.12)
BKB  x  A3 S

2.5 Kapabilitas Proses

Kapabilitas proses adalah adalah kemampuan suatu proses untuk memenuhi
spesifikasi rancangan yang telah ditetapkan. Terdapat dua pengukuran yang lazim
digunakan untuk menentukan untuk menentukan kapabilitas dari suatu proses
secara kualitatif : rasio kapabilitas proses (Cp) dan Indeks kapabilitas proses
(Cpk) (Heizer, 2009).
1. Indeks kemampuan Proses (Nilai Cp)
Apabila proses berada dalam batas pengendali statistik dan rata-rata proses
terpusat pada target, maka rasio kemampuan proses atau indeks kemampuan
proses dapat dihitung dengan.
BSA  BSB
Cp  (2.14)
6
Kriteria penentuan Cp :
a. Jika Cp > 1.33 maka kapabilitas proses sangat baik.

7
b. Jika 1.00 ≤ Cp ≤ 1.33 maka kapabilitas proses baik.
c. Jika Cp < 1.00 maka kapabilitas proses rendah.
2. Indeks kemampuan Proses Atas dan Indeks Kemampuan Proses Bawah
(Capability Process Upper dan Capability Process Lower)
Jika suatu produk mempunyai batas spesifikasi atas saja atau mempunyai
batas spesifikasi bawah saja maka nilai UCL dan LCL adalah sebagai berikut.
BSA  
CPU  (2.15)
3
  BSB
CPL  (2.16)
3
3. Indeks kemampuan Proses (Nilai Cpk)
Indeks kemampuan proses di atas mengukur kemampuan potensial dengan
tidak memperhatikan nilai rata-rata proses (μ). Rata-rata proses tersebut
diasumsikan sama dengan titik tengah dari batas spesifikasi dan proses berada
pada kondisi in statistical control. Kenyataannya, nilai rata-rata tidak selalu
berada di tengah, sehingga perlu mengetahui variasi dan lokasi rata-rata proses.
Nilai Cpk mewakili kemampuan sesungguhnya dari suatu proses dengan
parameter nilai tertentu.
Cpk  min(CPU , CPL ) (2.17)
Kriteria penilaian Cpk:
a. Jika Cpk = Cp, maka proses berada di tengah.
b. Jika Cpk = 1 maka proses menghasilkan produk yang sesuai dengan
spesifikasi.
c. Jika Cpk < 1, maka proses menghasilkan produk yang tidak sesuai dengan
spesifikasi.

2.6 Diagram Sebab Akibat (Ishikawa)

Salah satu tujuh alat dalam pengendalian kualitas statistika adalah diagram
ishikawa yang mempunyai nama lain diagram sebab akibat atau tulang ikan.
iagram ishikawa adalah diagram yang menunjukkan hubungan antara suatu
masalah dan kemungkinan penyebabnya (Heizer, 2009).

8
 Lingkungan Material Metode

Permasalahan

Manusia Mesin

2.7 Lama Dosen Mengajar Gambar 2.1 Diagram Ishikawa

Kegiatan perkuliahan adalah proses pembelajaran yang meliputi kegiatan
tatap muka di kelas, praktikum dan pemberian tugas akademik lain. Kegiatan
perkuliahan diselenggarakan sesuai dengan kalender akademik yang diatur dalam
peraturan akademik setiap universitas atau institut. Peraturan akademik ITS pasal
4 menyatakan bahwa sistem penyelenggaraan pendidikan menggunakan Sistem
Kredit Semester (SKS) yang diartikan sebagai suatu sistem penyelenggaraan
pendidikan dengan menggunakan satuan kredit semester (sks) untuk menyatakan
beban mahasiswa, beban kerja dosen, dan beban penyelenggaraan program. Satu
sks untuk penyelenggaraan kuliah diartikan sebagai beban studi mahasiswa untuk
mengikuti keseluruhan tiga kegiatan per minggu, yaitu 50 menit kegiatan tatap
muka terjadwal dengan tenaga pengajar, 50–100 menit kegiatan akademik
terstruktur, dan 50‐100 menit kegiatan akademik mandiri dalam satu semester
(Peraturan Akademik ITS, 2009).

9
 BAB III

METODOLOGI PENELITIAN

3.1 Sumber Data

Sumber data yang digunakan pada penelitian ini adalah data primer dengan
melakukan pengamatan lama dosen mengajar pada program studi DIII angkatan
2014 dan 2015 kelas A selama 3 minggu yang dimulai dari tanggal 29 Februari
2016 sampai 18 Maret 2016 pukul 07.00 sampai 17.00 WIB di Jurusan Statistika
ITS.

3.2 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini adalah lama dosen mengajar
dalam kelas yang dihitung mulai dosen masuk hingga keluar kelas dengan mata
kuliah 3 SKS dan 4 SKS yaitu Multivariat, Riset Sosial, Pengendalian Kualitas
Statistik (PKS), Ekonometrika pada angkatan 2014 dan mata kuliah Eksperimen
Desain (ED), Riset Operasi (RO), Matematika II, Komputasi Statistika pada
angkatan 2015.

3.3 Struktur Data

Struktur data yang digunakan dalam pengamatan ini adalah sebagai berikut:
Tabel 3.1 Struktur Data
Sub Group Banyak Observasi
x
(Mata Kuliah) 1 2 3 ... n
1 x11 x12 x13 ... x1n x1
2 x 21 x 22 x 23 ... x2 n x2
3 x31 x32 x33 ... x3n x3
      
m xm1
xm2
xm3  xmn
xm
x

3.4 Langkah Analisis

Langkah analisis yang dilakukan dalam pengamatan ini adalah sebagai
berikut:

10
1. Melakukan pengamatan lama dosen mengajar dan mencatat jam masuk dan
jam keluar di setiap mata kuliah
2. Melakukan uji keacakan data menggunakan uji run test pada data
pengamatan lama dosen mengajar
3. Melakukan uji kenormalan data menggunakan Kolmogorov-Smirnov pada
data pengamatan lama dosen mengajar
4. Membuat peta kendali x  R dan peta kendali x  S pada data pengamatan
lama dosen mengajar
5. Menganalisis kapabilitas proses pada peta kendali x  R dan peta kendali
x  S pada data pengamatan lama dosen mengajar
6. Membuat diagram ishikawa pada data pengamatan lama dosen mengajar
7. Membuat kesimpulan

11
3.5 Diagram Alir
Diagram alir dari praktikum ini adalah sebagai berikut:

Mengumpulkan data lama waktu dosen mengajar

Tolak H0

Uji
Tolak H0
Keacakan

Gagal Tolak H0

Uji
Distribusi
Gagal Tolak H0 Normal

Peta Kendali X  R Peta Kendali X  R

Kapabilitas Proses

Diagram Ishikawa

Keputusan

Gambar 3.1 Diagram alir

12
 BAB IV
ANALISIS DAN PEMBAHASAN

4.1 Uji Keacakan (Run Test)

Uji keacakan adalah salah satu asumsi yang dipenuhi dalam melakukan
analisis peta kendali R dan S. Uji keacakan digunakan untuk mengetahui apakah
data lama dosen mengajar telah diambil secara acak dalam populasi.
4.1.1 Uji Keacakan X  R
Sebelum melakukan analisis peta kendali R maka terlebih dahulu
melakukan uji keacakan pada x  R untuk mengetahui apakah data lama dosen
mengajar dapat dilakukan analisis peta kendali R. Berikut adalah hasil uji
keacakan xR data lama dosen mengajar di progaram studi Diploma III Jurusan
Statistika ITS angkatan 2014 dan 2015 kelas A.
Hipotesis:
H0: Data lama dosen mengajar telah diambil secara acak dari populasi.
H1: Data lama dosen mengajar tidak diambil secara acak dari populasi.
Tingkat signifikan : α = 0,05
Daerah kritis : Tolak H0 jika P-value < α(0,05)
Tabel 4.1 Uji Keacakan Peta Kendali R
P-
Observasi di bawah median
Rata-rata r Observasi di atas median value
82,84 15 23 9 0,634
Tabel 4.1 menunjukkan bahwa rata-rata dari data lama dosen mengajar yaitu
sebesar 82,84 menit dengan runtun sebesar 15, dari 32 pengamatan diketahui
terdapat 23 pengamatan yang berada diatas nilai median dan 9 pengamatan di
bawah median. Sedangkan nilai p-value menunjukkan nilai sebesar 0,634 lebih
besar dari α(0,05) sehingga dapat diperoleh keputusan gagal tolak H0 yang berarti
data lama dosen mengajar di program studi Diploma III Jurusan Statistika ITS
angkatan 2014 dan 2015 kelas A telah diambil secara acak dari populasi dan telah
memenuhi asumsi uji keacakan peta kendali R. Selanjutnya yaitu melakukan
pengujian asumsi keacakan pada peta kendali S.
4.1.2 Uji Keacakan XS

Sama halnya dengan pengujian asumsi keacakan pada peta kendali R,

sebelum melakukan analisis pada peta kendali S data pengamatan harus

13
memenuhi asumsi uji keacakan untuk mengetahui apakah data lama dosen
mengajar telah diambil secara acak. Berikut adalah hasil uji keacakan xS data
lama dosen mengajar di progaram studi Diploma III Jurusan Statistika ITS
angkatan 2014 dan 2015 kelas A.
Hipotesis:
H0: Data lama dosen mengajar telah diambil secara acak dari populasi.
H1: Data lama dosen mengajar tidak diambil secara acak dari populasi.
Tingkat signifikan : α = 0,05
Daerah kritis : Tolak H0 jika P-value < α(0,05)
Tabel 4.2 Uji Keacakan Peta Kendali S
P-
Observasi di bawah median
Rata-rata r Observasi di atas median value
75,73 20 36 12 0,695
Tabel 4.2 menunjukkan bahwa rata-rata dari data lama dosen mengajar yaitu
sebesar 75,73 menit dengan runtun sebesar 20, dari 48 pengamatan diketahui
terdapat 36 pengamatan yang berada diatas nilai median dan 12 pengamatan di
bawah median. Sedangkan nilai p-value menunjukkan nilai sebesar 0,695 lebih
besar dari α(0,05) sehingga dapat diperoleh keputusan gagal tolak H0 yang berarti
data lama dosen mengajar di program studi Diploma III Jurusan Statistika ITS
angkatan 2014 dan 2015 kelas A telah diambil secara acak dari populasi dan telah
memenuhi asumsi uji keacakan peta kendali S. Selanjutnya yaitu melakukan
pengujian asumsi uji normalitas dengan menggunakan Kolmogorov Smirnov pada
peta kendali R dan S dengan data lama dosen mengajar di program studi Diploma
III Jurusan Statistika ITS angkatan 2014 dan 2015 kelas A.

4.2 Uji Normalitas (Kolmogorov Smirnov)

Selain memenuhi asumsi uji keacakan, terdapat asumsi lain yang harus
dipenuhi sebelum melanjutkan melakukan analisis peta kendali x  R dan x  S

yaitu dengan melakukan asumsi uji normalitas pada data lama dosen mengajar di
program studi Diploma III Jurusan Statistika ITS angkatan 2014 dan 2015 kelas
A. Uji normalitas data digunakan untuk mengetahui apakah data lama dosen
mengajar telah mengikuti sebaran berditribusi normal.

14
4.2.1 Uji Normalitas X  R
Setelah melakukan uji keacakan maka selanjutnya yaitu melakukan uji
normalitas xR data lama dosen mengajar. Berikut adalah hasil uji normalitas
xR data lama dosen mengajar di progaram studi Diploma III Jurusan Statistika
ITS angkatan 2014 dan 2015 kelas A.
Hipotesis:
H0: Data lama dosen mengajar telah memenuhi asumsi distribusi normal.
H1: Data lama dosen mengajar tidak memenuhi asumsi distribusi normal.
Tingkat signifikan : α = 0,05
Daerah kritis : Tolak H0 jika D > D tabel
Tabel 4.3 Uji Distribusi Normal Peta Kendali R
D Tabel D Pvalue
0.349 0,279 <0,010

Tabel 4.1 menujukkan bahwa nilai p-value kurang dari 0,010 dimana nilai
tersebut lebih kecil dari taraf signifikan α(0,05) oleh karena itu diperoleh
keputusan tolak H0 tapi nilai KS yang diperoleh sebesar 0.279 kurang darinilai KS
tabel yakni sebesar 0.349 yang berarti bahwa data lama dosen mengajar di
program studi Diploma III Jurusan Statistika ITS angkatan 2014 dan 2015 kelas A
mengikuti memenuhi asumsi distribusi normal, pada praktikum ini diasumsikan
data telah memenuhi asumsi distribusi normal agar dapat dianalisis lebih lanjut
menggunakan peta kendali x R.

4.2.2 Uji Normalitas XS

Pada asumsi uji keacakan xS diketahui bahwa data lama dosen mengajar
di program studi Diploma III Jurusan Statistika ITS angkatan 2014 dan 2015 kelas
A telah memenuhi asumsi uji keacakan, sehingga dapat dilanjutkan dengan
melakukan pengujian asumsi distribusi normal. Berikut adalah hasil uji normalitas
xS data lama dosen mengajar di progaram studi Diploma III Jurusan Statistika
ITS angkatan 2014 dan 2015 kelas A.
Hipotesis:
H0: Data lama dosen mengajar telah memenuhi asumsi distribusi normal.
H1: Data lama dosen mengajar tidak memenuhi asumsi distribusi normal.
Tingkat signifikan : α = 0,05
Daerah kritis : Tolak H0 jika P-value < α(0,05)

15
 Tabel 4.4 Uji Distribusi Normal Peta Kendali S
D Tabel D Pvalue
0.284 0,292 <0,010

Tabel 4.4 menunjukkan bahwa nilai p-value kurang dari 0,010 dimana nilai
tersebut lebih kecil dari taraf signifikan yaitu α(0,05) dan nilai KS yang di dapat
sebesar 0,292 yang mana lebih besar dari nilai KS tabel yakni 0,284 sehingga
dapat diperoleh keputusan yaitu tolak H0 yang berarti bahwa data lama dosen
mengajar di program studi Jurusan Statistika ITS angkatan 2014 dan 2015 kelas A
tidak memebuhi asumsi distribusi normal, namun pada praktikum ini data
diasumsikan telah memenuhi asumsi distribusi normal agar dapat dilanjutkan ke
analisis peta kendali xS .

4.3 Peta Kendali X  R

Peta Kendali X  R adalah peta kendali untuk mengandalikan variabilitas
data dari jangkauan data, pada penelitian ini lama dosen mengajar akan
dikendalikan dengan menggunakan peta kendali X  R pada kelas DIII A
angkatan 2014 dan 2015. Lama Dosen mengajar yang digunakan pada penelitian
ini yakni pada mata kuliah yang memiliki sks sebesar 3 dan 4 sks. Pada kelas DIII
A meliputi mata kuliah Riset Sosial, Multivariat Terapan, Pengendalian kualitas
Statistik, Ekonometrika, Official Statistika, Eksperimemn Desain, Riset Operasi,
Matematika 2, dan Komputer Statistik . Berikut hasil analisisnya.

250

UCL=218.2
200
Sample Range

150

_
R=108.9
100

50

0 LCL=0

1 2 3 4 5 6 7 8
Sample

Gambar 4.3 Peta Kendali R Lama Dosen Mengajar Kelas DIII A

Gambar 4.3 menunjukan lama dosen mengajar kelas DIII A dimana dapat
dilihat dengan nilai batas kontrol atas sebesar 218,2 dan batas kontrol bawah
sebesar 0, serta rata-rata lama mengajar sebesar 108,9. plot-plot data tersebar

16
secara acak dan tidak ada pengamatan yang keluar dari batas Kontrol, jadi dapat
di simpulkan bahwa variabilitas lama dosen mengajar di kelas DIII A sudah
terkendali secara statistik. Setelah variabilitas data sudah terkendali secara
statistik maka selanjutnya yang harus terkendali juga adalah rata-rata proses atau
rata-rata lama mengajar berikut hasil analisisnya.

140

UCL=128.4
120

100
Sample Mean

_
_
80
X=75.7

60

40

LCL=23.1
20
1 2 3 4 5 6 7 8
Sample

Gambar 4.4 Peta Kendali X Lama Dosen Mengajar DIII Kelas A

Gambar 4.4 menunjukan lama dosen mengajar kelas DIII A dimana dapat
dilihat dengan nilai batas kontrol atas sebesar 128,4 dan batas kontrol bawah
sebesar 23,1, serta rata-rata lama mengajar sebesar 75,7. Plot-plot data tersebar
secara acak dan tidak ada pengamatan yang keluar dari batas kontrol sehingga
dapat disimpulkan bahwa rata-rata proses lama dosen mengajar di kelas DIII A
sudah terkendali secara statistik.
4.4 Peta Kendali X  S
Peta Kendali X  S adalah peta kendali untuk mengandalikan variabilitas
data dari standard deviasi data, pada penelitian ini lama dosen mengajar akan
dikendalikan dengan menggunakan peta kendali X  S pada kelas DIII A
angkatan 2014 dan 2015. Lama Dosen mengajar yang digunakan pada penelitian
ini yakni pada mata kuliah yang memiliki sks sebesar 3 dan 4 sks. Pada kelas DIII
A meliputi mata kuliah Riset Sosial, Multivariat Terapan, Pengendalian kualitas
Statistik, Ekonometrika, Official Statistika, Eksperimemn Desain, Riset Operasi,
Matematika 2, dan Komputer Statistik . Berikut hasil analisisnya

17
 90

80 UCL=80.54

70

60

Sample StDev
50
_
40 S=40.89

30

20

10

0 LCL=1.24

1 2 3 4 5 6 7 8
Sample

Gambar 4.5 Peta Kendali S Lama Dosen Mengajar DIII Kelas A

Gambar 4.5 menunjukan lama dosen mengajar kelas DIII A dimana dapat
dilihat dengan nilai batas kontrol atas sebesar 80,54 dan batas kontrol bawah
sebesar 1,24, serta rata-rata lama mengajar sebesar 40,89. plot-plot data tersebar
secara acak dan tidak ada pengamatan yang keluar dari batas Kontrol, jadi dapat
di simpulkan bahwa variabilitas lama dosen mengajar di kelas DIII A sudah
terkendali secara statistik. Setelah variabilitas data sudah terkendali secara
statistik maka selanjutnya yang harus terkendali juga adalah rata-rata proses atau
rata-rata lama mengajar berikut hasil analisisnya.

140

UCL=128.4
120

100
Sample Mean

_
_
80
X=75.7

60

40

LCL=23.1
20
1 2 3 4 5 6 7 8
Sample

Gambar 4.6 Peta Kendali X Lama Dosen Mengajar DIII Kelas A

Gambar 4.6 menunjukan lama dosen mengajar kelas DIII A dimana dapat
dilihat dengan nilai batas kontrol atas sebesar 128,4 dan batas kontrol bawah
sebesar 23,1, serta rata-rata lama mengajar sebesar 75,7. Plot-plot data tersebar
secara acak dan tidak ada pengamatan yang keluar dari batas kontrol sehingga
dapat disimpulkan bahwa rata-rata proses lama dosen mengajar di kelas DIII A
sudah terkendali secara statistik.

18
4.5 Kapabilitas Proses
Kababilitas proses adalah kemampuan suatu proses untuk memenuhi
spesifikasi rancangan yang telah ditetapkan. penelitian menggunakan batas
spesifikasi yang ditetapkan sebesar  10 menit dari durasi yang di tetapkan,
hasil
analisisnya adalah sebagai berikut.
4.5.1 Kapabilitas Proses peta kendali X  R
Setelah peta kendali dapat terkendali seara statistik maka kemapuan proses
haus diketahui seberapa besar proses mampu memenuhi batas spesifikai . pada
peta kendali X  R lama waktu pengamatan adalah sebenyak 2 minggu berikut
hasil analisisnya.

LSL USL
P rocess Data W ithin
LS L 90 O v erall
Target *
USL 110 P otential (Within) C apability
S ample M ean 82.8438 Cp 0.10
S ample N 32 C PL -0.07
S tDev (Within) 34.977 C PU 0.26
S tDev (O v erall) 33.5224 C pk -0.07
O v erall C apability
Pp 0.10
PPL -0.07
PPU 0.27
P pk -0.07
C pm *

0 30 60 90 120 150
O bserv ed P erformance Exp. Within P erformance Exp. O v erall P erformance
P P M < LS L 343750.00 P P M < LS L 581057.08 PPM < LS L 584522.49
PPM > USL 0.00 PPM > USL 218755.80 PPM > USL 208943.22
P P M Total 343750.00 P P M Total 799812.88 PPM Total 793465.71

Gambar 4.5 Kapabilitas peta kendali X  R Dosen Mengajar DIII Kelas A

Gamber 4.5 menunjukakan bahwa varians dari lama dosen mengajar
sangat besar yang ditunjukan oleh grafik within yang cukup lebar kearah
horizontal. Nilai Cp sebesar 0.10 dimana kurang dari 1 nilai presisi data kurang
dan nilai Cpk -0.07 kurang dari satu juga maka nilai akurasi data kurang jadi
menunjukan bahwa kapabilitas proses lama dosen mengajar dalam kelas DIII A
masih sangat kurang kapabel.

4.5.2 Kapabilitas Proses peta kendali X  S

Setelah peta kendali dapat terkendali seara statistik maka kemapuan proses
haus diketahui seberapa besar proses mampu memenuhi batas spesifikai . pada
peta kendali X  S lama waktu pengamatan adalah sebenyak 3 minggu berikut
hasil analisisnya.

19
 LSL USL
P rocess Data Within
LS L 90 Overall
Target *
USL 110 P otential (Within) C apability
S ample M ean 75.7292 Cp 0.08
S ample N 48 C PL -0.11
S tDev (Within) 42.9755 C PU 0.27
S tDev (O v erall) 40.3673 C pk -0.11
O v erall C apability
Pp 0.08
PPL -0.12
PPU 0.28
P pk -0.12
C pm *

0 36 72 108 144
O bserv ed P erformance E xp. Within Performance Exp. O v erall P erformance
P P M < LS L 375000.00 P P M < LS L 630081.42 PPM < LS L 638152.32
PPM > USL 0.00 PPM > USL 212594.77 PPM > U SL 197947.71
P P M Total 375000.00 P P M Total 842676.18 PPM Total 836100.03

Gambar 4.6 Kapabilitas Peta Kendali X S Dosen Mengajar DIII Kelas A

Gamber 4.6 menunjukakan bahwa varians dari lama dosen mengajar sangat
besar yang ditunjukan oleh grafik within yang cukup lebar kearah horizontal.
Nilai Cp sebesar 0.05 dimana kurang dari 1 nilai presisi data kurang dan nilai Cpk
-0.11 kurang dari satu juga maka nilai akurasi data kurang jadi menunjukan
bahwa kapabilitas proses lama dosen mengajar dalam kelas DIII A masih sangat
kurang kapabel.

4.6 Diagram Ishikawa

Diagram ishikawa adalah diagram yang digunakan untuk mencari akar
permasalahan dari penyebab timbulnya ketidaksesuaian pada suatu proses.
Berikut adalah analisis diagram ishikawa penyebab dosen datang selesai mengajar
lebih cepat atau terlambat di program studi Diploma III Jurusan Statistika ITS
angkatan 2014 dan 2015 kelas A.

20
 Manusia (Dosen) Material (Mahasiswa)

Sakit Mahasiswa
ramai Tidak kondusif
Jadwal Padat
Dosen
Ada keperluan selesai lebih
Penyampaian materi cepat atau
Listrik Mati
terlalu terlambat
cepat Lupa waktu
Perbaikan
Ruangan Panas Latihan soal
Pembahasan belum
selesai

Lingkungan Metode

Gambar 4.8 Diagram Ishikawa

Gambar 4.8 menunjukkan bahwa terdapat beberapa faktor yang

mempengaruhi dosen selesai mengajar lebih cepat atau terlambat yaitu
berdasarkan faktor mahasiswa adalah mahasiswa yang ramai sehingga suasana
kelas tidak kondusif dan dosen menjadi menghentikan proses penjelasan materi.
Kemudian, penyebab berikutnya yaitu dosen yang sakit karena jadwal perkuliahan
yang padat dan juga karena dosen ada keperluan di luar jurusan akibatnya dosen
tidak masuk kelas dan perkuliahan kosong. Faktor metode penyebabnya yaitu
penyampaian materi yang terlalu cepat dan dosen pada saat perkuliahan
pembahasan soal-soal yang akhirnya dosen selesai megajar lebih lama karena
pembahasan soal belum selesai. Penyebab lainnya yaitu faktor lingkungan
disebabkan oleh listrik yang mati akibat perbaikan atau pemadaman sehingga
ruangan menjadi panas dan LCD tidak dapat digunakan sehingga suasana kelas
kurang kondusif dan proses pengajaran selesai lebih cepat.

21
 BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan analisis dan pembahasan yang dilakukan pada penelitian ini
kesimpulan yang dapat diperoleh yaitu sebagai berikut.
1. Hasil asumsi uji keacakan x  R dan x  S yaitu data lama dosen mengajar
di program studi Diploma III Jurusan Statistika ITS angkatan 2014 dan
2015 kelas A telah diambil secara acak dari populasi dan memenuhi asumsi
uji keacakan.
2. Hasil asumsi uji normalitas pada x  R dan x  S yaitu data lama dosen
mengajar di program studi Diploma III Jurusan Statistika ITS angkatan
2014 dan 2015 kelas A tidak memenuhi asumsi ditribusi normal, tetapi pada
praktikum ini diasumsikan data telah memenuhi asumsi distribusi normal.
3. Hasil analisis peta kendali xR proses lama dosen mengajar di kelas dan
rata-rata proses lama dosen mengajar di kelas DIII A sudah terkendali secara
statistik.
4. Hasil analisis peta kendali X  S proses lama dosen mengajar di kelas dan
rata-rata proses lama dosen mengajar di kelas DIII A sudah terkendali secara
statistik.
5. Hasil dari kapabilitas proses data lama dosen mengajar di DIII kelas A
menunjukkan bahwa kapabilitas proses lama dosen mengajar masih kurang
kapabel.
6. Hasil analisis diagram ishikawa pada data lama dosen mengajar di program
studi Diploma III Jurusan Statistika angkatan 2014 dan 2015 kelas A
menunjukkan bahwa terdapat faktor penyebab yang mengakibatkan dosen
selesai mengajar lebih cepat atau terlambat yaitu karena mahasiswa ramai di
kelas, penyebab berikutnya yaitu dosen yang sakit akibat jadwal mengajar
yang padat, kemudian karena pembahasa materi yang terlalu cepat.
Penyebab lainnya yaitu adanya pemadaman atau perbaikan listrik, akibatnya
proses belajar mengajar menjadi terganggu dan proses belajar mengajar
selesai lebih cepat.

22
5.2 Saran

Saran bagi peneliti untuk pengamatan selanjutnya yaitu harus lebih teliti
dalam melakukan pengamatan lama waktu dosen mengajar, pada penginputan dan
pengolahan data dibutuhkan ketelitian agar hasil yang didapatkan benar dan
akurat. Serta dari hasil pengamatan berikut dapat memperbaiki proses belajar
mengajar di program studi Diploma III Jurusan Statistika ITS.

23
 DAFTAR PUSTAKA

Daniel, W. W. 1989. Statistik Nonparametrik Terapan. Jakarta: PT Gramedia.

Douglas, Montgomery. 2009. Introduction to Statistical Quality Control, 6th
edition, New York : John Wiely & Sons Inc.
Heizer, J., & Barry, R. 2009. Operations Management. Jakarta: Salemba Empat.
Peraturan Akademik ITS, 2009. Lama Perkuliahan, http://arsip.its.ac.id, diakses
pada hari kamis 03 Maret 2016 pukul 19.15 WIB
 LAMPIRAN
Lampiran 1. Data Pengamatan Lama Dosen Mengajar DIII Kelas A untuk Peta
Kendali R
Lama Keterangan:
Sugbrup Mengajar
1 : PKS
(Menit)
2 : Multivar
1 0
2 105 3 : Riset Sosial
3 100 4 : Ekonometrika
4 95
5 : Eksperimen Desain
1 90
2 95 6 : Riset Operasi
3 100 7 : Matematika II
4 80 8 : Komputasi Statistika
1 95
2 105
3 95
4 0
1 85
2 80
3 85
4 100
1 80
2 105
3 75
4 0
1 95
2 92
3 100
4 100
1 100
2 107
3 107
4 110
1 63
2 100
3 107
Keterangan:
4 0
1 : PKS
2 : Multivar
3 : Riset Sosial
4 : Ekonometrika
Lampiran 2. Data Pengamatan Lama Dosen Mengajar DIII Kelas A untuk Peta Kendali S
5 : Eksperimen Desain
6 : Riset Operasi
7 : Matematika II
8 : Komputasi Statistika
 Lama Mengajar
Sugbrup
(Menit)
1 0
2 105
3 100
4 95
5 0
6 105
1 90
2 95
3 100
4 80
5 0
6 110
1 95
2 105
3 95
4 0
5 90
6 100
1 85
2 80
3 85
4 100
5 0
6 85
1 80
2 105
3 75
4 0
5 0
6 90
1 95
2 92
3 100
4 100
5 0
6 105
1 100
2 107
3 107
4 110
5 0
6 102
 1 63
2 100
3 107
4 0
5 102
6 95

Lampiran 3. Hasil Uji Keacakan Peta Kendali R Software Minitab

Runs Test: Lama Mengajar (Menit)

Runs test for Lama Mengajar (Menit)

Runs above and below K = 82,8438

The observed number of runs = 15

The expected number of runs = 13,9375
23 observations above K; 9 below
* N is small, so the following approximation may be invalid.
P-value = 0,634

Lampiran 4. Hasil Uji Keacakan Peta Kendali S Software Minitab

Runs Test: Lama Mengajar (Menit)

Runs test for Lama Mengajar (Menit)

Runs above and below K = 75,7292

The observed number of runs = 20

The expected number of runs = 19
36 observations above K; 12 below
P-value = 0,695