PENGENDALIAN KUALITAS STATISTIKA – SS145314

ANALISIS PENGENDALIAN KUALITAS STATISTIKA

PADA INDEKS PRESTASI KUMULATIF WISUDAWAN
112 ITS MENGGUNAKAN PETA KENDALI 𝑿̅ − 𝑹, 𝑿
̅−𝑺
DAN I-MR

Dike Arie Febtia 10611600000046

Alfin Niam Habibi 10611600000115

Asisten Dosen :
Dina Widya Yunita

Dosen :
Wahyu Wibowo, S.Si, M,Si
Iis Dewi Ratih, S.Si., M.Si

PROGRAM STUDI DIPLOMA III

DEPARTEMEN STATISTIKA BISNIS
Fakultas Vokasi
Institut Teknologi Sepuluh Nopember
Surabaya 2017
 ANALISIS PENGENDALIAN KUALITAS STATISTIKA
PADA INDEKS PRESTASI KUMULATIF WISUDAWAN
112 ITS MENGGUNAKAN PETA KENDALI 𝑿̅ − 𝑹, 𝑿
̅−𝑺
DAN I-MR

Nama Mahasiswa : 1. Dike Arie Febtia 10611600000046

2. Alfin Niam Habibi 10611600000115
Program Studi : Diploma III
Departemen : Statistika Bisnis Fakultas Vokasi ITS
Dosen : Wahyu Wibowo, S.Si, M.Si
Iis Dewi Ratih, S.Si., M.Si

Abstrak
Indeks Prestasi Kumulatif atau IPK dilambangkan dengan rentang
angka nol sampai empat. Semakin besar perolehan angka yang mahasiswa
peroleh semakin baik prestasi akademik yang mereka ukir. Kualitas
tersebut dapat dilihat dari bagaimana kedisiplinan, metode belajar dan
sebagainya. Penelitian ini dilakukan untuk mengetahui penerapan
pengendalian kualitas statistik khususnya peta kendali x  R dan x  S .
Data yang digunakan adalah data sekunder mengenai IPK wisudawan 116
periode September 2016. Berdasarkan hasil analisis diketahui bahwa data
IPK wisudawan 116 periode September 2016 telah memenuhi asumsi
keacakan pada x  S dan I-MR dan semuanya memenuhi asumsi
distribusi normal. Dengan menggunakan peta kendali x  R dan peta
kendali x  S diketahui bahwa data tidak terkendali secara statistik baik
pada peta x . Namun dengan menggunakan peta kendali I-MR diketahui
bahwa data telah terkendali secara statistik. Setelah itu dilanjutkan dengan
analisis penyebab permasalahan tersebut dengan menggunakan diagram
ishikawa.

Kata kunci: Diagram Ishikawa, Indeks Prestasi Kumulatif, Kualitas

Statistik, Peta Kendali, Wisuda 116

iii
(Halaman ini sengaja dikosongkan)

iv
 DAFTAR ISI

Halaman
HALAMAN JUDUL.................................................................... i
ABSTRAK.................................................................................. iii
DAFTAR ISI ................................................................................v
DAFTAR TABEL ..................................................................... vii
DAFTAR GAMBAR ................................................................. ix
DAFTAR LAMPIRAN ............................................................. xi
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 LANDASAN TEORI
2.1 Pengujian Asumsi ........................................................5
2.1.1 Uji Keacakan ......................................................5
2.1.2 Uji Distribusi Normal .........................................6
2.2 Peta Kendali Variabel ..................................................7
2.2.1 Peta Kendali X  R ............................................7
2.2.2 Peta Kendali X  S .............................................8
2.2.3 Peta Kendali I  MR ...........................................9
2.3 Diagram Ishikawa .....................................................11
2.4 IPK ............................................................................11
BAB III METODOLOGI PENELITIAN
3.1 Sumber Data ..............................................................13
3.2 Indentifikasi Variabel dan Skala Pengukuran ...........13
3.3 Langkah Analisis dan Diagram Alir ..........................13
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Peta Kendali X  R ..................................................15
4.1.1 Asumsi Keacakan .............................................15
4.1.2 Asumsi Distribusi Normal ................................16
4.1.3 Peta Kendali X  R ..........................................17

v
 4.2 Peta Kendali X  S ................................................... 21
4.2.1 Asumsi Keacakan ............................................ 21
4.2.2 Asumsi Distribusi Normal ............................... 22
4.2.3 Peta Kendali X  S .......................................... 23
4.3 Peta Kendali I  MR ................................................. 27
4.3.1 Asumsi Keacakan ............................................ 27
4.3.2 Asumsi Distribusi Normal ............................... 28
4.3.3 Peta Kendali I  MR ........................................ 29
4.4 Diagram Ishikawa..................................................... 30
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan ............................................................... 33
5.2 Saran ......................................................................... 34
DAFTAR PUSTAKA ............................................................... 35
LAMPIRAN .............................................................................. 37

vi
 DAFTAR TABEL

Halaman
Tabel 4.1 Uji Keacakan Data Peta Kendali X  R ...................15
Tabel 4.2 Pengujian Distribusi Normal Peta Kendali X  R ....16
Tabel 4.3 Uji Keacakan Data Peta Kendali X  S ....................21
Tabel 4.4 Pengujian Distribusi Normal Peta Kendali X  S .....22
Tabel 4.5 Uji Keacakan Data Peta Kendali I  MR ..................28
Tabel 4.6 Pengujian Distribusi Normal Peta Kendali I  MR ...28

vii
(Halaman ini sengaja dikosongkan)

viii
 DAFTAR GAMBAR

Halaman
Gambar 3.1 Diagram Alir ..........................................................14
Gambar 4.1 Normal Probability Plot X  R .............................16
Gambar 4.2 Peta Kendali R .......................................................17
Gambar 4.3 Peta Kendali X ......................................................18
Gambar 4.4 Peta Kendali X Iterasi 1........................................18
Gambar 4.5 Peta Kendali X Iterasi 2........................................19
Gambar 4.6 Peta Kendali X Iterasi 3........................................19
Gambar 4.7 Peta Kendali X Iterasi 4........................................20
Gambar 4.8 Peta Kendali X Iterasi 5........................................20
Gambar 4.9 Normal Probability Plot X  S ..............................22
Gambar 4.10 Peta Kendali S ......................................................23
Gambar 4.11 Peta Kendali X ....................................................24
Gambar 4.12 Peta Kendali X Iterasi 1......................................24
Gambar 4.13 Peta Kendali X Iterasi 2......................................25
Gambar 4.14 Peta Kendali X Iterasi 3......................................25
Gambar 4.15 Peta Kendali X Iterasi 4......................................26
Gambar 4.16 Peta Kendali X Iterasi 5......................................26
Gambar 4.17 Peta Kendali X Iterasi 6......................................27
Gambar 4.18 Normal Probability Plot I  MR ..........................29
Gambar 4.19 Peta Kendali Moving Range.................................30
Gambar 4.20 Diagram Ishikawa ................................................30

ix
(Halaman ini sengaja dikosongkan)

x
 DAFTAR LAMPIRAN

Halaman
Lampiran 1. Data Wisudawan PW 116 ITS periode September
2016 ......................................................................37
Lampiran 2. Uji Keacakan ........................................................45

xi
(Halaman ini sengaja dikosongkan)

xii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Indeks Prestasi Kumulatif merupakan angka yang
menunjukkan prestasi atau kemajuan belajar mahasiswa secara
kumulatif mulai dari semester pertama sampai dengan semester
paling akhir yang telah ditempuh. Tolak ukur yang dilakukan ITS
untuk mengetahui nilai dari Mahasiswanya secara tertulis yaitu
nilai TPA, TPA, dan IPS. Sebagai sarana pendidikan yang
berkualitas tentunya ITS tidak asal-asalan untuk mencetak
Mahasiswanya, namun karena ITS menaungi banyak Mahasiswa
sehingga pengadaan kontrol kualitas sangat minimum. Oleh karena
itu, pengendalian kualitas statistika berperan pada situasi seperti
ini. Agar reputasi ITS tetap menjadi yang nomor satu maka perlu
adanya suatu pengendalian kualitas yang berkonsep pada bidang
ilmu statistika yakni pengendalian kualitas statistika
Peta kendali merupakan suatu teknik yang dikenal sebagai
metode grafik yang digunakan untuk mengevaluasi apakah suatu
proses berada dalam pengendalian kualitas secara statistik atau
tidak sehingga dapat memecahkan masalah dan menghasilkan
perbaikan kualitas. Metode ini dapat membantu suatu organisasi
untuk mengetahui dan memantau konsistensi suatu proses atau
produk yang dihasilkan melaui pengamatan yang sedang
berlangsung maupun proses yang telah dilakukan (Octavia, 2000).
Jika dalam penelitian ini adalah nilai TPA. Apabila pengendalian
belum terkendali maka dapat diketahui penyebabnya melalui
diagram Ishikawa atau diagram sebab-akibat.
Penelitian ini dilakukan untuk mengetahui apakah data
Indeks Prestasi Kumulatif (IPK) wisudawan 114 periode
September tahun 2016 telah diambil secara acak sehingga semua
sampel dapat mewakili populasi, pengujian normalitas,
mengetahui peta kendali X  R , peta kendali X  S , dan peta
kendali I-MR serta mengetahui penyebab Indeks Prestasi

1
2

Kumulatif (IPK) wisudawan 114 periode September tahun 2016

menggunakan diagram ishikawa.
1.2 Rumusan Masalah
Rumusan masalah yang digunakan dalam penelitian ini
adalah sebagai berikut.
1. Apakah data Indeks Prestasi Kumulatif (IPK) wisudawan
114 periode September tahun 2016 sudah terkendali secara
statistik dengan menggunakan peta kendali X  R ?
2. Apakah data Indeks Prestasi Kumulatif (IPK) wisudawan
114 periode Septembe tahun 2016 sudah terkendali secara
statistik dengan menggunakan peta kendali X  S ?
3. Apakah data Indeks Prestasi Kumulatif (IPK) wisudawan
114 periode Septembe tahun 2016 sudah terkendali secara
statistik dengan menggunakan peta kendali I-MR ?
4. Apakah yang menjadi penyebab Indeks Prestasi Kumulatif
(IPK) wisudawan 114 periode Septembe tahun 2016 dengan
menggunakan diagram Ishikawa?
1.3 Tujuan
Tujuan dilakukan praktikum ini adalah sebagai berikut.
1 Apakah data Indeks Prestasi Kumulatif (IPK) wisudawan
periode 114 tahun 2016 sudah terkendali secara statistik
dengan menggunakan peta kendali X  R ?
2 Apakah data Indeks Prestasi Kumulatif (IPK) wisudawan
periode 114 tahun 2016 sudah terkendali secara statistik
dengan menggunakan peta kendali X  S ?
3 Apakah data Indeks Prestasi Kumulatif (IPK) wisudawan
periode 114 tahun 2016 sudah terkendali secara statistik
dengan menggunakan peta kendali I-MR ?
4 Apakah yang menjadi penyebab Indeks Prestasi Kumulatif
(IPK) wisudawan periode 114 tahun 2016 dengan
menggunakan diagram Ishikawa ?
 3

1.4 Manfaat
Manfaat yang dapat diambil dalam praktikum ini adalah
mampu menerapkan pemahaman mata kuliah Pengendalian
Kualitas Statistika khususnya peta kendali X  R dan peta kendali
X  S pada kehidupan nyata. Mampu menganalisis dan
mengontrol penyebab terhadap Indeks Prestasi Kumulatif (IPK)
yang tidak sesuai dan sering mengalami fluktuasi menggunakan
diagram ishikawa, sehingga dapat dilakukan perbaikan.
1.5 Batasan Masalah
Batasan masalah pada praktikum ini adalah menggunakan
data IPK wisudawan 114 periode September 2016 dengan subgrup
32 prodi/jurusan yang ada di ITS dengan masing-masing subgrup
sebanyak 6 wisudawan untuk peta kendali X  R , sebanyak 6-10
wisudawan untuk peta kendali X  S , dan hanya 1 wisudawan
untuk peta kendali I  MR .

3
4

(Halaman ini sengaja dikosongkan)

 BAB II
LANDASAN TEORI

2.1 Pengujian Asumsi

Asumsi-asumsi yang digunakan dalam pengendalian
kualitas lama waktu mengajar dosen antara lain uji asumsi
keacakan, dan uji asumsi distribusi normal. Berikut adalah
penjelasan dari masing-masing pengujian asumsi tersebut.
2.1.1 Uji Keacakan
Uji Runs atau bisa disebut uji sampel rangkaian tunggal
untuk memeriksa keacakan, pada prinsipnya ingin mengetahui
apakah suatu rangkaian kejadian, hal atau simbol merupakan hasil
proses yang acak (random), dalam arti tidak direncanakan terlebih
dahulu, atau tidak membuat sebuah pola tertentu.
Uji Runs terdiri atas serangkaian data pengamatan yang
dicatat bedasar perolehannya dan bisa dikategorikan dalam dua
kelompok yang saling eksklusif. Jika yang satu terjadi, yang lain
tidak mungkin terjadi juga, seperti jika hasil positif tidak mungkin
berbarengan dengan hasil negatif (Singgih, 2009).
H0 : Data pengamatan telah diambil secara acak dari suatu populasi
H1 : Data pengamatan tidak diambil secara acak dari suatu populasi
Daerah Kritis : Tolak H0, jika r  rbawah atau r  ratas dari tabel
nilai kritis untuk runtun r dengan n1 dan n2
Keterangan :
n1 : banyak data bertanda (+) atau huruf tertentu
n2 : banyak bertanda (-) atau huruf lainnya
Statistik Uji : r = banyak runtun yang terjadi
atau
H0 : Data pengamatan telah diambil secara acak dari suatu populasi
H1 : Data pengamatan tidak diambil secara acak dari suatu populasi
Taraf Signifikan :  = 0.05
Daerah Kritis : Tolak H0, jika zhit < −zα/2 dan zhit > zα/2
Statistik Uji :

5
6

2n1n2
r  1 (2.1)
n
2n1n2 2n1n2  n 
r 
n 2 n  1 (2.2)
nr  r
z (2.3)
r
Keterangan :
n1 = banyaknya lambang 1 dalam sampel
n2 = banyaknya lambang 2 dalam sampel
n = banyak data
nr = banyaknya Run(s)
 r = rata-rata
 r = standar deviasi
(Sulistyo, 2003).
2.1.2 Uji Distribusi Normal
Asumsi distribusi normal dengan metode uji Kolmogorov-
Smirnov adalah uji yang digunakan untuk mengetahui apakah data
berdistribusi normal. Uji ini dilalukan dengan membandingkan
fungsi distribusi normal kumulatif {F0 ( x)} dengan fungsi distribusi
empirik dari sampel {S n ( x)} . Asumsi Uji Kolmogorov-Smirnov
adalah data terdiri atas hasil-hasil pengamatan bebas
x1 , x2 , x3 ,, xn yang merupakan sebuah sampel acak berukuran n
dari suatu fungsi distribusi yang belum diketahui dan dinyatakan
dengan F (x) . Hipotesis dari pengujian ini adalah sebagai berikut
(Daniel, 1989).
Hipotesis :
H0 : F(x) = F0(x) untuk semua nilai x
H1 : F(x) ≠ F0(x) minimal ada satu nilai x
 7

Daerah Kritis : Tolak H0 pada taraf nyata  jika D lebih besar

dari kuantil 1-  yang terdapat dalam tabel kuantil-kuantil
statistik uji kolmoogorov-smirnov.
Statistik Uji :
D  sup S x   F0 x  (2.4)
x

2.2 Peta Kendali Variabel

Peta kendali variabel adalah peta kendali yang digunakan
untuk pengendalian karakteristik mutu yang dapat dinyatakan
secara numerik. Peta kendali variabel terdiri atas dua yaitu peta
kendali variabel x  R dan peta kendali variabel x  s . Berikut
akan dijelaskan masing-masing dari peta kendali variabel tersebut
2.2.1 Peta Kendali x  R
Peta x  R adalah peta kendali variabel untuk memantau
proses yang diukur berdasarkan variabel x (rata-rata) untuk
memantau perubahan dan peta kendali R (range) menjelaskan
perubahan. Karakteristik kualitasnya berupa µ. Sampel yang
digunakan 2-10. Prosedur pembuatan peta kendali x  R yaitu
dimulai dengan pembuatan peta kendali R untuk kemudian dibuat
peta kendali x jika peta kendali R sudah terkendali (Montgomery,
2009).

R n
1
R (2.5)
Keterangan :
R = Rbesar - Rkecil
n = banyaknya sample
untuk memperoleh batas kendali dengan 3-sigma yaitu:
BKA  R  D4
GT  R (2.6)
BKB  R  D3
Keterangan : D4 dan D3 didapat dari tabel dengan berbagai nilai n
yang telah ditentukan. Peta R dipetakan dengan batas kendali yang
sudah dihitung, sehingga dapat melihat apakah peta R sudah
8

terkendali atau belum. Apabila sudah terkendali, maka dibuat peta

x . Peta x didapat garis tengahnya melalui
X
1
X i  (2.7)
n
Keterangan : X = nilai rata-rata dari setiap subgroup yaitu X
Batas kendali didapat dari rumus:
BKA  X  A2 R
GT  X (2.8)
BKB  X  A2 R
Keterangan : A2 diperoleh dari tabel dengan berbagai nilai n yang
telah ditentukan.
2.2.2 Peta Kendali x  S
Peta kontrol X (rata-rata) dan S (Standar Deviasi)
digunakan untuk memantau proses yang mempunyai karakteristik
berdimensi kontinu, sehingga peta kontrol X dan S sering disebut
sebagai peta kontrol variabel. Peta kontrol X menjelaskan tentang
apakah perubahan-perubahan telah terjadi dalam ukuran titik pusat
atau rata-rata dari suatu proses. Peta kontrol S digunakan untuk
mengukur tingkat keakurasian suatu proses. Langkah-langkah
pembuatan peta X dan S sebagai berikut (Montgomery, 2013).
1. Tentukan ukuran subgroup (n=3,4,5,…).
2. Tentukan banyaknya subgroup (m) sedikitnya 20 subgrup.
3. Hitung nilai rata-rata dari setiap subgroup, yaitu X
4. Hitung nilai rata-rata seluruh X yang akan menjadi center
line dari peta kendali X.
5. Hitung simpangan baku dari setiap subgroup yaitu S
s
 (x i  x) 2
(2.9)
n 1
6. Hitung nilai rata-rata dari seluruh S yang akan menjadi
center line dari peta kendali s.
 9

7. Hitung batas kendali dari peta kendali S jika  dan ˆ

diketahui menggunakan rumus.
BKA  B2 .̂
GT  c2 .̂ (2.10)
BKB  B1.̂
Jika  dan ˆ tidak diketahui menggunakan rumus.
BKA  B4 .
GT   (2.11)
BKA  B3 .
8. Hitung batas kendali dari peta kendali S jika  dan ˆ
diketahui menggunakan rumus.
BKA    A.ˆ (2.12)
GT  
BKB    A.ˆ
Jika  dan ˆ tidak diketahui menggunakan rumus.
BKA  X  A1.
GT   (2.13)
BKA  X  A1..
9. Plot data S serta amati data berada dalam batas kendali atau
tidak. Jika iya lanjut plot data X namun jika tidak harus
melakukan plot peta kendali S dengan menghilangkan
penyebab peta tidak terkendali.
2.2.3 Peta Kendali I-MR
Diagram control 𝐼 − 𝑀𝑅 adalah jenis diagram kontrol yang
digunakan di dunia industri atau bisnis untuk mengontrol proses di
mana dari proses tersebut secara praktikal tidak memungkinkan
untuk menggunakan rasionalisasi subgroup.
Situasi yang membutuhkan diagram kontrol jenis ini:
1. Ketika sebuah proses otomatis yang melakukan inspeksi
setiap unit produk, sehingga rasionalisasi subgroup tidak ada
gunanya.
2. Ketika produksi berjalan sangat lambat, sehingga untuk
menunggu sampel lebih dari satu justru membuang waktu.
10

3. Untuk proses yang memproduksi hasil yang homogen

(contoh: larutan kimia).
Diagram kontrol 𝐼 − 𝑀𝑅 merupakan gabungan dari diagram
kontrol I (individual) yang menampilkan angka hasil pengukuran,
dan diagram kontrol MR (Moving Range) yang menampilkan
perbedaan angka dari pengukuran yang satu ke pengukuran
selanjutnya. Seperti diagram kontrol yang lain, kedua diagram
ditampilkan bersama untuk membantu memonitor proses dari
pergerakan yang terjadi yang dapat mempengaruhi rata rata atau
varian proses tersebut.
Diagram kontrol 𝐼 − 𝑀𝑅 tidak mengharuskan data data yang
terdistribusi secara Normal untuk menghitung batas kontrol. Ini
membuat diagram kontrol jenis ini bisa dipakai di segala jenis
proses.
Rumus rata-rata dari moving range dinyatakan sebagai berikut :
m

 MR i
MR  i 2
(2.11)
m 1
dengan moving range ( MRi ) | xi  xi 1 | . Jika data tersebut
terdistribusi secara Normal dengan simpangan baku maka bisa
2
diharapkan nilai MR adalah d 2  .

Batas kontrol untuk diagram kontrol moving range adalah
UCL  D4 MR
Center Line  MR (2.12)
LCL  0
Batas kontrol untuk diagram kontrol individual adalah
 11

MR
UCL  x  3
d2
Center Line  x (2.13)
MR
LCL  x  3
d2
m

x i
dengan x  i 1

m
(Montgomery, 2009).
2.3 Diagram Ishikawa
Diagram Ishikawa merupakan suatu alat visual untuk
mengidenfikisasi dan menggambarkan secara detail semua
penyebab yang berhubungan dengan suatu permasalahan. Kategori
penyebab permasalahan yang digunakan meliputi material,
machine and equipment, man, methods, dan environment
(Scarvada, 2004). Langkah-langkah membuat diagram ishikawa.
1. Membuat kerangka diagram ishikawa.
2. Merumuskan masalah utama.
3. Mencari faktor-faktor utama yang berpengaruh atau
berakibat pada permasalahan.
4. Menemukan ppenyebab untuk masing-masing kelompok
penyebab masalah.
5. Menggambarkan dalam diagram ishikawa
2.4 IPK
Hasil penilaian capaian pembelajaran pada akhir program
studi dinyatakan dengan indeks kumulatif (IPK) yang dihitung
dengan cara menjumlahkan perkalian antara nilai huruf setiap mata
kuliah yang ditempuh dan SKS mata kuliah bersangkutan dibagi
dengan jumlah SKS mata kuliah yang diambil yang telah ditempuh
(PERMENDIKBUD, 2017).
12

(Halaman ini sengaja dikosongkan)

 BAB III
METODOLOGI PENELITIAN

3.1 Sumber Data

Data yang digunakan dalam praktikum ini adalah data
sekunder yang didapatkan dari buku Wisuda 114 . Data diperoleh
pada hari Senin, 12 Februari 2018 pukul 14.35 WIB di Perpusakaan
ITS.
3.2 Identifikasi Variabel dan Skala Pengukuran
Identifikasi variabel dan skala pengukuran yang digunakan
dalam praktikum ini adalah Indeks Prestasi Kumulatif (IPK)
wisudawan periode 114 ITS dengan skala interval.
3.3 Langkah Analisis dan Diagram Alir
Langkah analisis data dalam penelitian ini adalah sebagai
berikut.
1. Melakukan pemeriksaan asumsi keacakan dan distribusi
normal secara visual dan pengujian pada data IPK
wisudawan 114 ITS.
2. Membuat peta kendali
a. x  R pada data IPK wisudawan 114 ITS.
b. x  S pada data IPK wisudawan 114 ITS.
c. I  MR pada data IPK wisudawan 114 ITS
3. Menginterpretasi hasil analisis.
4. Menarik kesimpulan dan saran.

13
14

Diagram alir yang diperoleh berdasarkan langkah analisis

ditunjukkan pada Gambar 3.1 berikut.

Mulai

Mengumpulkan Data

Data Data Data

Acak Acak Acak

Distribusi Distribusi Distribusi

Normal Normal Normal

Peta Kendali Peta Kendali Peta Kendali

𝑋̅ − 𝑅 𝑋̅ − 𝑆 𝐼 − 𝑀𝑅

Diagram Ishikawa

Kesimpulan

Selesai

Gambar 3.1 Diagram Alir

 BAB IV
ANALISIS DAN PEMBAHASAN
Bab ini akan menjelaskan mengenai analisis peta kendali
x  R , peta kendali x  S , peta kendali I-MR dan diagram
ishikawa pada data nilai IPK wisudawan PW 114 tahun 2016 ITS.
Penjelasan masing-masing sub bab adalah sebagai berikut.
4.1 Peta Kendali x  R
Berikut adalah analisis peta kendali x  R dengan subgrup
sebanyak 32 dan jumlah pengamatan sebanyak 6 untuk masing-
masing subgrup yang meliputi asumsi keacakan, asumsi distribusi
normal, pembuatan peta kendali x  R dan diagram ishikawa pada
data nilai IPK wisudawan PW 114 tahun 2016 ITS.
4.1.1 Asumsi Keacakan
Uji keacakan digunakan untuk mengetahui keacakan
pengambilan data. Berikut adalah hasil uji keacakan pada nilai IPK
wisudawan PW 114 tahun 2016 sehingga diperoleh hasil seperti
yang terdapat pada Tabel 4.1.
H0 : data nilai IPK wisudawan PW 114 tahun 2016 ITS telah
terambil secara acak.
H1 : data nilai IPK wisudawan PW 114 tahun 2016 ITS tidak
terambil secara acak.
Taraf signifikan : 0.05
Daerah penolakan : Tolak H0 jika r  rbawah atau r  ratas atau
Pvalue < 0,05
Statistik uji :
Tabel 4.1 Uji Keacakan Data Peta Kendali x  R
r ratas rbawah Pvalue
62 95 97 0,000
Tabel 4.1 menunjukkan bahwa banyaknya runtun adalah
sebanyak 62 dan diperoleh nilai ratas sebesar 95 dimana nilai
tersebut lebih besar dari r sebesar 62 dan didukung dengan nilai
Pvalue sebesar 0,000 yang lebih kecil dari taraf signifikan α sebesar
0,05 diperoleh keputusan tolak H0 artinya data nilai IPK
wisudawan PW 114 tahun 2016 ITS tidak terambil secara acak.

15
16

4.1.2 Asumsi Distribusi Normal

Pengujian distribusi normal digunakan untuk mengetahui
apakah data nilai IPK wisudawan PW 114 tahun 2016 ITS. Berikut
adalah hasil uji distribusi normal pada data nilai IPK wisudawan
PW 114 tahun 2016 ITS menggunakan uji kolmogorov smirnov.
Hipotesis :
H0 : data nilai IPK wisudawan PW 114 tahun 2016 ITS
berdistribusi normal
H1 : data nilai IPK wisudawan PW 114 tahun 2016 ITS tidak
berdistribusi normal
Taraf signifikan : 0.05
Daerah penolakan : Tolak H0 jika KS hit  KS (0.95,32)atau
atau Pvalue < 0,05
Statistik uji :
Tabel 4.2 Pengujian Distribusi Normal Data Peta Kendali xR
KS hit KS(0.95,192)
Pvalue
0,061 0,098
0,083
Tabel 4.2 menunjukkan bahwa nilai KS hit sebesar 0,061
lebih kecil dari KS(0.95,192)sebesar 0,098 dengan didukung nilai
Pvalue sebesar 0,083 lebih besar daripada taraf signifikan sebesar
0,05 maka dapat diambil keputusan gagal tolak H0 artinya data nilai
IPK wisudawan PW 114 tahun 2016 ITS berdistribusi normal.
Selain secara pengujian juga dilakukan secara visual yaitu
sebagai berikut.

Gambar 4.1 Normal Probability Plot x  R

 17

Gambar 4.1 menunjukkan bahwa plot menyebar secara

merata mengikuti garis linier yang berarti data nilai IPK
wisudawan PW 114 tahun 2016 ITS berdistribusi normal.
4.1.3 Peta Kendali x  R
a. Peta Kendali R
Berikut adalah peta kendali R pada data nilai IPK wisudawan
PW 114 tahun 2016 ITS. Hasil analisis peta kendali R adalah
sebagai berikut.
UCL=1.046
1.0

0.8
Sample Range

0.6
_
R=0.522

0.4

0.2

0.0 LCL=0

1 4 7 10 13 16 19 22 25 28 31
Sample

Gambar 4.2 Peta Kendali R

Gambar 4.2 menunjukan bahwa dengan range rata-rata
sebesar 0,522 dengan batas kendali bawah 0 dan batas kendali atas
sebesar 1,046 tidak terdapat pengamatan yang berada di luar batas
kendali dan plot telah menyebar secara acak sehingga data nilai
IPK wisudawan PW 114 tahun 2016 ITS telah terkendali dan dapat
dilanjutkan dengan peta kendali x .
b. Peta Kendali x
Peta kendali R telah terkendali statistik sehingga dapat
dilanjutkan pengendalian rata-rata proses dengan peta kendali x .
Berikut adalah peta kendali x pada data nilai IPK wisudawan PW
114 tahun 2016 ITS. Hasil analisis yang diperoleh seperti pada
Gambar 4.3 berikut.
18

3.7
1
3.6
UCL=3.5631
3.5

3.4
_
Sample Mean

_
3.3 X=3.3078

3.2

3.1
LCL=3.0526
3.0 1

1
2.9
1
2.8
1 4 7 10 13 16 19 22 25 28 31
Sample

Gambar 4.3 Peta Kendali x

Gambar 4.3 menunjukkan bahwa dengan rata-rata sebesar
3,2078 dengan batas kendali bawah sebesar 3,0526 dan batas
kendali atas sebesar 3,5631 terdapat 3 subgrup yang berada di luar
batas kendali dan masih belum terkendali secara spesifik sehingga
harus diatasi. Kemudian dilakukan iterasi sebagai berikut.
3.8

3.7 UCL=3.7025

3.6

3.5
Sample Mean

3.4
_
_
3.3 X=3.3137

3.2

3.1

3.0 1
1
LCL=2.9250
2.9
1 4 7 10 13 16 19 22 25 28 31
Sample
Tests performed with unequal sample sizes

Gambar 4.4 Peta Kendali x Iterasi 1

Gambar 4.4 menunjukkan bahwa dengan rata-rata sebesar
3,3137 dengan batas kendali bawah sebesar 2,9250 dan batas
kendali atas sebesar 3,7025 terdapat 2 subgrup yang berada di luar
 19

batas kendali dan masih belum terkendali secara spesifik sehingga

harus diatasi. Kemudian dilakukan iterasi sebagai berikut.
3.8

3.7 UCL=3.7099

3.6

3.5
Sample Mean

3.4 _
_
X=3.3252
3.3

3.2

3.1

3.0 1 1
LCL=2.9405
2.9
1 4 7 10 13 16 19 22 25 28
Sample
Tests performed with unequal sample sizes

Gambar 4.5 Peta Kendali x Iterasi 2

Gambar 4.5 menunjukkan bahwa dengan rata-rata sebesar
3,3252 dengan batas kendali bawah sebesar 2,9405 dan batas
kendali atas sebesar 3,7099 terdapat 2 subgrup yang berada di luar
batas kendali dan masih belum terkendali secara spesifik sehingga
harus diatasi. Kemudian dilakukan iterasi sebagai berikut.
3.8

3.7 UCL=3.7189

3.6

3.5
Sample Mean

3.4 _
_
X=3.3353
3.3

3.2

3.1
1 1
3.0
LCL=2.9518
2.9
1 4 7 10 13 16 19 22 25 28
Sample
Tests performed with unequal sample sizes

Gambar 4.6 Peta Kendali x Iterasi 3

Gambar 4.6 menunjukkan bahwa dengan rata-rata sebesar
3,3353 dengan batas kendali bawah sebesar 2,9518 dan batas
20

kendali atas sebesar 3,7189 terdapat 2 subgrup yang berada di luar

batas kendali dan masih belum terkendali secara spesifik sehingga
harus diatasi. Kemudian dilakukan iterasi sebagai berikut.
3.8
UCL=3.7328
3.7

3.6

3.5
Sample Mean

3.4 _
_
X=3.3459
3.3

3.2

3.1
1
3.0
LCL=2.9590
2.9
1 4 7 10 13 16 19 22 25 28
Sample
Tests performed with unequal sample sizes

Gambar 4.7 Peta Kendali x Iterasi 4

Gambar 4.7 menunjukkan bahwa dengan rata-rata sebesar
3,3459 dengan batas kendali bawah sebesar 2,9590 dan batas
kendali atas sebesar 3,7328 terdapat 1 subgrup yang berada di luar
batas kendali dan masih belum terkendali secara spesifik sehingga
harus diatasi. Kemudian dilakukan iterasi sebagai berikut.
3.8
UCL=3.7447
3.7

3.6

3.5
Sample Mean

3.4 _
_
X=3.3565
3.3

3.2

3.1

3.0
LCL=2.9684
2.9
1 4 7 10 13 16 19 22 25
Sample
Tests performed with unequal sample sizes

Gambar 4.8 Peta Kendali x Iterasi 5

 21

Gambar 4.8 menunjukkan bahwa dengan rata-rata sebesar

3,3565 dengan batas kendali bawah sebesar 2,9684 dan batas
kendali atas sebesar 3,7447 tidak terdapat pengamatan yang berada
di luar batas kendali dan plot telah menyebar secara acak sehingga
data nilai IPK wisudawan PW 114 tahun 2016 ITS telah terkendali.
4.2 Peta Kendali x  S
Berikut adalah analisis peta kendali x  S dengan subgrup
sebanyak 32 dan jumlah pengamatan berbeda-beda untuk masing-
masing subgrup yang meliputi asumsi keacakan, asumsi distribusi
normal, pembuatan peta kendali x  S pada data nilai IPK
wisudawan PW 114 tahun 2016 ITS.
4.2.1 Asumsi Keacakan
Uji keacakan digunakan untuk mengetahui keacakan
pengambilan data. Berikut adalah hasil uji keacakan pada nilai IPK
wisudawan PW 114 tahun 2016 sehingga diperoleh hasil seperti
yang terdapat pada Tabel 4.1.
H0 : data nilai IPK wisudawan PW 114 tahun 2016 ITS telah
terambil secara acak.
H1 : data nilai IPK wisudawan PW 114 tahun 2016 ITS tidak
terambil secara acak.
Taraf signifikan : 0.05
Daerah penolakan : Tolak H0 jika r  rbawah atau r  ratas atau
Pvalue < 0,05
Statistik uji :
Tabel 4.3 Uji Keacakan Data Peta Kendali x  S
r ratas rbawah Pvalue
68 126 120 0,000
Tabel 4.3 menunjukkan bahwa banyaknya runtun adalah
sebanyak 68 dan diperoleh nilai ratas sebesar 126 dimana nilai
tersebut lebih besar dari r sebesar 120 dan didukung dengan nilai
Pvalue sebesar 0,000 yang lebih kecil dari taraf signifikan α sebesar
0,05 diperoleh keputusan tolak H0 artinya data nilai IPK
wisudawan PW 114 tahun 2016 ITS tidak terambil secara acak.
22

4.2.2 Asumsi Distribusi Normal

Pengujian distribusi normal digunakan untuk mengetahui
apakah data nilai IPK wisudawan PW 114 tahun 2016 ITS. Berikut
adalah hasil uji distribusi normal pada data nilai IPK wisudawan
PW 114 tahun 2016 ITS menggunakan uji kolmogorov smirnov.
Hipotesis :
H0 : data nilai IPK wisudawan PW 114 tahun 2016 ITS
berdistribusi normal
H1 : data nilai IPK wisudawan PW 114 tahun 2016 ITS tidak
berdistribusi normal
Taraf signifikan : 0.05
Daerah penolakan : Tolak H0 jika KS hit  KS (0.95,32)atau
atau Pvalue < 0,05
Statistik uji :
Tabel 4.4 Pengujian Distribusi Normal Data Peta Kendali x  S
KShit
Pvalue KS(0.95,246)
0,074 0,086 0,010
Tabel 4.4 menunjukkan bahwa nilai KS hit sebesar 0,074
lebih kecil dari KS(0.95,246)sebesar 0,086 dengan didukung nilai
Pvalue sebesar 0,010 lebih kecil daripada taraf signifikan sebesar
0,05 maka dapat diambil keputusan tolak H0 artinya data nilai IPK
wisudawan PW 114 tahun 2016 ITS tidak berdistribusi normal.
Selain secara pengujian juga dilakukan secara visual yaitu
sebagai berikut.
Normal
99.9
Mean 3.166
StDev 0.2400
99 N 246
KS 0.074
95 P-Value <0.010
90
80
70
Percent

60
50
40
30
20
10
5

0.1
2.50 2.75 3.00 3.25 3.50 3.75 4.00
Xbar-S2
 23

Gambar 4.9 Normal Probability Plot x  S

Gambar 4.9 menunjukkan bahwa plot menyebar secara
merata dan mengikuti garis linier yang berarti data nilai IPK
wisudawan PW 114 tahun 2016 ITS berdistribusi normal.
4.2.3 Peta Kendali x  S
a. Peta Kendali S
Berikut adalah peta kendali S pada data nilai IPK
wisudawan PW 114 tahun 2016 ITS. Hasil analisis peta kendali R
adalah sebagai berikut.
S Chart of Xbar-S2
0,4

UCL=0,3497

0,3
Sample StDev

0,2 _
S=0,1858

0,1

LCL=0,0219
0,0
1 4 7 10 13 16 19 22 25 28 31
Sample
Tests performed with unequal sample sizes

Gambar 4.10 Peta Kendali S

Gambar 4.10 menunjukkan bahwa dengan varians rata-rata
sebesar 0,1858 dengan batas kendali bawah sebesar 0,0219 dan
batas kendali atas sebesar 0,3497 tidak terdapat subgrup yang
berada di luar batas kendali dan plot telah menyebar secara acak
sehingga data nilai IPK wisudawan PW 114 tahun 2016 ITS telah
terkendali dan dapat dilanjutkan dengan peta kendali x
b. Peta Kendali x
Berikut adalah peta kendali pada data nilai IPK wisudawan
PW 114 tahun 2016 ITS. Hasil analisis peta kendali x adalah
sebagai berikut.
24

Xbar Chart of Xbar-S2

3,5 1

1 1
3,4 1
UCL=3,3855

3,3
Sample Mean

3,2 _
_
X=3,1659
3,1

3,0
1 LCL=2,9463
2,9 1 1

1
2,8
1 4 7 10 13 16 19 22 25 28 31
Sample
Tests performed with unequal sample sizes

Gambar 4.11 Peta Kendali x

Gambar 4.11 menunjukkan bahwa dengan rata-rata sebesar
3,1659 dengan batas kendali bawah sebesar 2,9463 dan batas
kendali atas sebesar 2,9463 terdapat 8 subgrup yang berada di luar
batas kendali dan masih belum terkendali secara spesifik sehingga
harus diatasi. Kemudian dilakukan iterasi sebagai berikut.
Xbar Chart of Xbar-S2_1
3,5 1

1 1
3,4 UCL=3,4020

3,3
Sample Mean

_
_
3,2
X=3,1791

3,1

3,0
1
LCL=2,9561
2,9 1 1
1 4 7 10 13 16 19 22 25 28 31
Sample
Tests performed with unequal sample sizes

Gambar 4.12 Peta Kendali x Iterasi 1

Gambar 4.12 menunjukkan bahwa dengan rata-rata
sebesar 3,1791 dengan batas kendali bawah sebesar 2,9561 dan
batas kendali atas sebesar 3,4020 terdapat 6 subgrup yang berada
di luar batas kendali dan masih belum terkendali secara spesifik
sehingga harus diatasi. Kemudian dilakukan iterasi sebagai berikut.
 25

Xbar Chart of Xbar-S2_2

3,5 1

1 1 UCL=3,4118
3,4

3,3
Sample Mean

_
_
3,2 X=3,1909

3,1

3,0
1 LCL=2,9700
1
2,9 1
1 4 7 10 13 16 19 22 25 28
Sample
Tests performed with unequal sample sizes

Gambar 4.13 Peta Kendali x Iterasi 2

Gambar 4.13 menunjukkan bahwa dengan rata-rata sebesar
3,1909 dengan batas kendali bawah sebesar 2,9700 dan batas
kendali atas sebesar 3,4118 terdapat 6 subgrup yang berada di luar
batas kendali dan masih belum terkendali secara spesifik sehingga
harus diatasi. Kemudian dilakukan iterasi sebagai berikut.
Xbar Chart of Xbar-S2_3
3,5 1

UCL=3,4258
3,4

3,3
Sample Mean

_
_
3,2 X=3,2023

3,1

3,0
1 LCL=2,9789
1
2,9
1 4 7 10 13 16 19 22 25 28
Sample
Tests performed with unequal sample sizes

Gambar 4.14 Peta Kendali x Iterasi 3

Gambar 4.14 menunjukkan bahwa dengan rata-rata
sebesar 3,2023 dengan batas kendali bawah sebesar 2,9789 dan
batas kendali atas sebesar 3,4258 terdapat 3 subgrup yang berada
26

di luar batas kendali dan masih belum terkendali secara spesifik

sehingga harus diatasi. Kemudian dilakukan iterasi sebagai berikut.
Xbar Chart of Xbar-S2_4
3,5 1

UCL=3,4349
3,4

3,3
Sample Mean

_
_
3,2 X=3,2126

3,1

3,0 LCL=2,9903
1

2,9
1 4 7 10 13 16 19 22 25 28
Sample
Tests performed with unequal sample sizes

Gambar 4.15 Peta Kendali x Iterasi 4

Gambar 4.15 menunjukkan bahwa dengan rata-rata
sebesar 3,2126 dengan batas kendali bawah sebesar 2,9903 dan
batas kendali atas sebesar 3,4349 terdapat 2 subgrup yang berada
di luar batas kendali dan masih belum terkendali secara spesifik
sehingga harus diatasi. Kemudian dilakukan iterasi sebagai berikut.
Xbar Chart of Xbar-S2_5
3,5

UCL=3,4289
3,4

3,3
Sample Mean

_
_
3,2 X=3,205

3,1

3,0
1
LCL=2,9811

2,9
1 4 7 10 13 16 19 22 25
Sample
Tests performed with unequal sample sizes

Gambar 4.16 Peta Kendali x Iterasi 5

Gambar 4.16 menunjukkan bahwa dengan rata-rata sebesar
3,205 dengan batas kendali bawah sebesar 2,9811 dan batas
 27

kendali atas sebesar 3,4289 terdapat 1 subgrup yang berada di luar

batas kendali dan masih belum terkendali secara spesifik sehingga
harus diatasi. Kemudian dilakukan iterasi sebagai berikut.
Xbar Chart of Xbar-S2_6
3,5

UCL=3,4393
3,4

3,3
Sample Mean

_
_
X=3,2149
3,2

3,1

3,0 LCL=2,9906

1 4 7 10 13 16 19 22 25
Sample
Tests performed with unequal sample sizes

Gambar 4.17 Peta Kendali x Iterasi 6

Gambar 4.17 menunjukkan bahwa dengan rata-rata sebesar
3,2149 dengan batas kendali bawah sebesar 2,9906 dan batas
kendali atas sebesar 3,4393 tidak terdapat subgrup yang berada di
luar batas kendali sehingga data nilai IPK wisudawan PW 114
tahun 2016 ITS telah terkendali.
4.3 Peta Kendali I-MR
Berikut adalah analisis peta kendali I-MR dengan subgrup
sebanyak 32 dan jumlah pengamatan 1 untuk masing-masing
subgrup yang meliputi asumsi keacakan, asumsi distribusi normal,
pembuatan peta kendali I-MR pada data nilai IPK wisudawan PW
114 tahun 2016 ITS.
4.3.1 Asumsi Keacakan
Uji keacakan digunakan untuk mengetahui keacakan
pengambilan data. Berikut adalah hasil uji keacakan pada nilai IPK
wisudawan PW 114 tahun 2016 sehingga diperoleh hasil seperti
yang terdapat pada Tabel 4.1.
H0 : data nilai IPK wisudawan PW 114 tahun 2016 ITS telah
terambil secara acak.
28

H1 : data nilai IPK wisudawan PW 114 tahun 2016 ITS tidak

terambil secara acak.
Taraf signifikan : 0.05
Daerah penolakan : Tolak H0 jika r  rbawah atau r  ratas atau
Pvalue < 0,05
Statistik uji :
Tabel 4.5 Uji Keacakan Data Peta Kendali I  MR
r ratas rbawah Pvalue
17 16 16 1,000
Tabel 4.1 menunjukkan bahwa banyaknya runtun adalah
sebanyak 17 dan diperoleh nilai ratas sebesar 16 dimana nilai
tersebut lebih kecil dari r sebesar 17 dan didukung dengan nilai
Pvalue sebesar 1,000 yang lebih besar dari taraf signifikan α sebesar
0,05 diperoleh keputusan gagal tolak H0 artinya data nilai IPK
wisudawan PW 114 tahun 2016 ITS telah terambil secara acak.
4.3.2 Asumsi Distribusi Normal
Pengujian distribusi normal digunakan untuk mengetahui
apakah data nilai IPK wisudawan PW 114 tahun 2016 ITS. Berikut
adalah hasil uji distribusi normal pada data nilai IPK wisudawan
PW 114 tahun 2016 ITS menggunakan uji kolmogorov smirnov.
Hipotesis :
H0 : data nilai IPK wisudawan PW 114 tahun 2016 ITS
berdistribusi normal
H1 : data nilai IPK wisudawan PW 114 tahun 2016 ITS tidak
berdistribusi normal
Taraf signifikan : 0.05
Daerah penolakan : Tolak H0 jika KS hit  KS (0.95,32)atau
atau Pvalue < 0,05
Statistik uji :
Tabel 4.6 Pengujian Distribusi Normal Data Peta Kendali I  MR
KS hit KS(0.95,32) Pvalue
0,116 0,234 0,150
 29

Tabel 4.2 menunjukkan bahwa nilai KS hit sebesar 0,116

lebih besar dari KS(0.95,32)sebesar 0,234 dengan didukung nilai
Pvalue sebesar 0,150 lebih besar daripada taraf signifikan sebesar
0,05 maka dapat diambil keputusan gagal tolak H0 artinya data nilai
IPK wisudawan PW 114 tahun 2016 ITS berdistribusi normal.
Selain secara pengujian juga dilakukan secara visual yaitu
sebagai berikut.

Gambar 4.18 Normal Probability Plot I  MR

Gambar 4.18 menunjukkan bahwa plot menyebar secara
merata dan mengikuti garis linier yang berarti data nilai IPK
wisudawan PW 114 tahun 2016 ITS berdistribusi normal.
4.3.3 Peta Kendali I  MR
Berikut adalah peta kendali Moving Range pada data nilai
IPK wisudawan PW 114 tahun 2016 ITS. Hasil analisis peta
kendali Moving Range adalah sebagai berikut.
30

1.0 UCL=0.993

Moving Range 0.8

0.6

0.4
__
MR=0.304

0.2

0.0 LCL=0

1 4 7 10 13 16 19 22 25 28 31
Observation

Gambar 4.19 Peta Kendali Moving Range

Gambar 4.19 menunjukkan bahwa dengan moving range
rata-rata sebesar 0,304 dengan batas kendali bawah sebesar 0 dan
batas kendali atas sebesar 0,993 tidak terdapat pengamatan yang
berada di luar batas kendali dan plot telah menyebar secara acak
sehingga data nilai IPK wisudawan PW 114 tahun 2016 ITS telah
terkendali .
4.4 Diagram Ishikawa
Diagram sebab akibat (diagram Ishikawa) digunakan
untuk menganalisis persoalan dan faktor-faktor yang menimbulkan
persoalan tersebut (akar permasalahan). Berikut adalah diagram
Ishikawa pada data nilai IPK wisudawan PW 114 tahun 2016 ITS.
Dosen Mesin
Suara Kurang
Keras
LCD
Sakit rusak
Nilai IPK
Rendah
Cuaca
Materi Kurang Berubah
Tidak Praktikum Ubah
Kurang
Lengkap
Nyaman
Materi Metode Lingkung
Gambar 4.20 Diagram an
Ishikawa
 31

Gambar 4.20 menunjukkan bahwa penyebab nilai IPK

rendah wisudawan PW 116 tahun 2016 ITS. Dalam hal ini terdapat
lima faktor utama yang menjadi penyebabnya yaitu dosen (Man),
mesin (Machine), materi (Material), metode (Method) dan
lingkungan (Environment).
32

(Halaman ini sengaja dikosongkan)

 BAB V
PENUTUP

5.1 Kesimpulan
Berdasarkan analisis yang dilakukan diperoleh beberapa
kesimpulan yaitu sebagai berikut.
1. Hasil analisis pada data IPK wisudawan PW 116 pada peta
kendali x  R diperoleh bahwa pada asumsi keacakan data
tidak terambil secara acak, pada asumsi distribusi normal
diperoleh bahwa data berdistribusi normal dan pada analisis
peta kendali x  R dimana pada peta kendali R tidak terdapat
subgrup yang belum terkendali secara statistic dan pada peta
kendali x terdapat 4 subgrup yang belum terkendali secara
statistic namun setelah diberi penanganan peeta kendali x
dapat terkendali secara statistic.
2. Hasil analisis pada data IPK wisudawan PW 116 pada peta
kendali x  S diperoleh bahwa pada asumsi keacakan data
tidak terambil secara acak, pada asumsi distribusi normal
diperoleh bahwa data berdistribusi normal dan pada analisis
peta kendali x  S dimana pada peta kendali S tidak terdapat
subgrup yang belum terkendali secara statistic dan pada peta
kendali x terdapat 8 subgrup yang belum terkendali secara
statistic namun setelah diberi penanganan peta kendali x
dapat terkendali secara statistik.
3. Hasil analisis pada data IPK wisudawan PW 116 pada peta
kendali I  MR diperoleh bahwa pada asumsi keacakan data
terambil secara acak, pada asumsi distribusi normal
diperoleh bahwa data berdistribusi normal dan pada analisis
peta kendali I  MR dimana pada peta kendali Moving
Range tidak terdapat subgrup yang berada diluar batas
kendali sehingga telah terkendali secara statistik.
4. Pada diagram ishikawa diperoleh bahwa penyebab nilai IPK
rendah wisudawan PW 116 tahun 2016 ITS terdapat lima
faktor utama yang menjadi penyebabnya yaitu dosen (Man),

33
34

mesin (Machine), materi (Material), metode (Method) dan

lingkungan (Environment).
5.2 Saran
Saran yang diperoleh dalam penelitian ini untuk Institut
Teknologi Sepuluh Nopember Surabaya sebaiknya lebih
memperhatikan mahasiswanya agar lulusan mahasiswa ITS
selanjutnya dapat memperoleh nilai IPK yang lebih baik sehingga
bisa menjadi bekal dalam bersaing mencari lapangan pekerjaan.
 DAFTAR PUSTAKA

Montgomery, D.C., 2009. Introduction to Statistical Quality

Control. USA: John Wiley and Sons, Inc
Montgomery. Douglas. 2013. Pengantar Pengendalian Kualitas
Statistik. Yogyakarta: Skripsi S1 ISTA
Daniel, Wayne. 1989. Statistik Nonparametrik Terapan. Jakarta:
Gramedia.
Peraturan Menteri Pendidikan dan Kebudayaan Republik
Indonesia. No. 49 Tahun 2014. Tentang Standar Nasional
Pendidkan Tinggi.
Santoso, S. 2010. Statistik Multivariat Konsep dan Aplikasi dengan
SPSS. Jakarta: PT Elex Media Komputindo.
Sulistyo, Basuki. 2003. Manajemen Arsip Dinamis. Jakarta:
Gramedia Pustaka. Utama
Scarvada, A.J., Tatiana Bouzdine-Chameeva, Susan Meyer
Goldstein, Julie M.Hays, Arthur V. Hill. 2004. A Review
of the Causal Mapping Practice and Research Literature.
Second World Conference on POM and 15th Annual POM
Conference, Cancun, Mexico, April 30 – May 3, 2004.

35
36

(Halaman ini sengaja dikosongkan)

 LAMPIRAN

Lampiran 1. Data Wisudawan 114 periode September 2016

NO DEPARTEMEN NRP NAMA IPK
1 1112100024 Rachmad Januar 3,10
2 1112100025 Puspita Fahmi Ariani 3,11
3 1112100027 Lian Nunisa Usvanda 3,01
4 1112100028 Azis Maulana 3,15
5 1112100029 Amalia Dwi Arifin 3,18
S1 FISIKA
6 1112100032 Christina Martha 3,28
7 1112100033 Laili Muflich 3,00
8 1112100036 Dwi Ayu Karlina 3,00
9 1112100037 Deril Ristiani 3,57
10 1112100039 Irwansyah Ramadhani 3,31
11 1212100022 Ruli Yuda Baha'ullah 3,31
12 1212100023 Lailatul Izza 3,70
13 1212100024 Merlinda Fenisa 3,00
14 1212100025 Nanda Dewi Oktavianti 3,16
15 1212100027 Arifatul Masruroh 3,43
S1 MATEMATIKA
16 1212100030 maya Nurlita Wulandari 3,06
17 1212100032 Aslikhatul Baroroh 3,40
18 1212100033 Siti Maghfiroh 3,41
19 1212100034 Didin Alvianita 3,69
20 1212100036 Lailatul Mabadi Chaira 3,65
21 1312100023 Muhammad Rizki Hidayat 3,52
22 1312100024 Pricilian Indah Mustika 3,50
23 1312100026 Ratnajulie Yatnaningtyas 3,30
24 1312100027 Firda Fahrun Nisa' 2,97
25 1312100028 I Made Gede Meranggi Dana 3,53
S1 STATISTIKA
26 1312100029 Renny Yunia Nurhidayah 3,48
27 1312100030 Pipit Eriyanto 3,18
28 1312100031 Febriliani Masitoh 3,18
29 1312100032 Rahmah Safitri 3,55
30 1312100034 Ernawati 3,48
31 1313030029 Mirrah Zakka Syadifa 3,45
32 1313030031 Renaldy Aprevia Lutfi 3,22
33 1313030032 Yulta Pradita Sari 3,15
34 1313030033 Hikma Nur Istighfaroh 3,27
35 1313030034 Cicilia Ajeng Pratiwi 3,59
D3 STATISTIKA
36 1313030035 Salsabila Mahda Anasari 3,19
37 1313030037 Dimas Fashihatin 3,69
38 1313030038 Umi Kultsum 3,30
39 1313030040 Bella Puspa Dewani 3,37
40 1313030042 Ida Wahyuning Tyas 2,81
41 S1 KIMIA 1412100019 Lita Amalia 3,47

37
38

42 1412100020 Amalia Zafitri 3,43

43 1412100021 Ika Febriana Syafitri 3,47
44 1412100022 Dega Nurita Sari 3,34
45 1412100023 Debora Kartikasari 3,32
46 1412100025 Taslikah 3,16
47 1412100027 Dwi Lestari 3,03
48 1412100028 Puspita Hidayah 3,54
49 1412100029 Mochammad Zaki Nasrulloh 3,13
50 1412100031 Alfia Dewi Masyitoh 3,35
51 1512100015 Ahmada Dian Nurilma 3,41
52 1512100019 Nur Humaidah 3,33
53 1512100020 Sherly Eka Argiyanti 3,37
54 1512100021 Dwi Yanuar Rakhma Sari 3,50
55 1512100024 Rosidah Kumalasari 3,55
S1 BIOLOGI
56 1512100025 Lailatul Mufroh 3,61
57 1512100026 Anindya Citra Asri 3,55
58 1512100027 Ainul Mufidah 3,21
59 1512100028 Nur Khunainah Wahyuni 3,31
60 1512100029 Tria Ainur Rosyidah 3,27
61 2110100055 Grandika Andrayodi 2,82
62 2110100062 Deny Prasyamtyo 2,91
63 2110100063 Ardian Puji Noviatmoko 3,02
64 2110100095 Kevin Dwi Prasetio 2,89
65 2110100097 Firman Iffah Darmawangsa 2,76
S1 TEKNIK MESIN
66 2110100102 Danu Wisnu Wardhana 2,83
67 2110100104 Tjahyadi Rizky Pradana 2,75
68 2110100122 Achmad Nur Husaini 2,81
69 2110100124 Yanuar Budi Pratama 3,03
70 2110100153 Reza Prakoso Ramadhan 2,73
71 2113030033 Ahmad Hisyam 3,07
72 2113030035 Ikki Adji Dharma 3,17
Ladrian Rohmi Abdi
73 2113030036 3,21
Syahdani
74 2113030037 Achmad Choirul Anam 3,14
75 D3 TEKNIK MESIN 2113030039 Maonika Silviani Prasetyo 2,77
76 2113030041 Nugroho Tri Hutomo 3,28
77 2113030043 Rendri Bagus Pramono 3,01
78 2113030045 Bhima Poetra Perdana 3,1
79 2113030046 Arif Rahman 3,29
80 2113030050 Erwin Tri Handika Nugroho 2,93
81 2212100002 Eko Praptono 3,24
82 2212100003 Ryan Nurdianto 3,31
83 D3 TEKNIK 2212100004 Bagus Aji Supeno 3,62
84 ELEKTRO 2212100005 Rendi Valentino 3,20
85 2212100007 Rizkha Ajeng Rochmatika 3,51
86 2212100009 Onang Surya Nugroho 3,64
 39

87 2212100010 Agung Andri Kurniawan 3,41

88 2212100012 Rizky Ramdyan Widiarto 3,64
89 2212100013 Miftah Yama Fauzan 3,17
90 2212100019 Monica Regina Emilia 3,74
91 2213030027 Allif Taufiqurrochman 3,04
92 2213030028 Daniel Cristover Sirait 3,36
93 2213030029 Riza Kamelia 3,09
94 2213030030 Rahmatul Fitriani 3,25
95 D3 TEKNIK 2213030031 Muhammad Doni Maulida 3,25
96 ELEKTRO 2213030032 Ahmad Lazuardi 3,11
97 2213030033 Hendry Erwantono 3,13
98 2213030034 Agus Yulianto 3,45
99 2213030037 Adhestian Naufal Rizaldy 2,86
100 2213030039 Karina Eka Santi 3,2
101 2312100019 Joshua Novansda Chandra 3,63
102 2312100020 Riszi Bagus Prasetyo 3,66
103 2312100021 Vicky Dwi Putra 3,68
104 2312100022 Viqhi Aswie 3,72
105 2312100023 Gus Ali Nur Rohman 3,5
S1 TEKNIK KIMIA
106 2312100024 Meireza Ajeng Pratiwi 3,55
107 2312100025 Indah Triyani 3,62
108 2312100027 Dian Rahmawati 3,37
109 2312100028 Septian Prakoso 3,53
110 2312100029 Farihah Fatmawati 3,24
111 2313030023 Daniatur Syahr Hajj 3,51
112 2313030024 Irfan Hanif 3,09
113 2313030025 Maulana Adi Wibowo 3,06
Abdurrachman Salim
114 2313030026 2,94
Nabhan
115 2313030027 Faiz Riskullah 3,45
D3 TEKNIK KIMIA
Moch. Dimas Khoirul
116 2313030028 3,65
Umam
117 2313030029 May Saktianie Novitasari 3,45
118 2313030031 Ayu Maulina Sugianto 3,46
119 2313030033 Danissa Hanum Ardhyni 3,32
120 2313030034 Safira Noviah Isnaini 3,3
121 2412100021 Reva Girinda Ariyadi 3,41
122 2412100023 Aprilia Dewi Agustin 3,66
123 2412100025 Adip Tri Cahyoko 3,26
124 2412100029 Chusnul Khotimah 3,29
125 2412100031 Saptian Alfudi Rahman 3,44
S1 TEKNIK FISIKA
126 2412100032 Febrilia Ramadani 3,54
127 2412100035 Achmad Nidzar Alif 3,56
128 2412100036 Faridhul Ikhsan 3,18
129 2412100037 Alfian Nur Muhammad 2,86
130 2412100039 Muhammad Abid Abdullah 2,88
40

131 2413031022 Mustahana 3,4

132 2413031023 Ardya Vista Yudha 3,54
133 2413031024 Devi Nur Indah Sari 3,3
134 2413031025 Jerry Ardiyanto 3,34
S1 TEKNIK
135 2413031026 Fahmi Nur Muhammad 3,19
METROLOGI DAN
136 2413031027 Deasy Rahmawaty 3,51
INSTRUMENTASI
137 2413031028 Riza Farida 3,63
138 2413031029 Achmad Bennarivo 3,12
139 2413031030 Santiko Luhur Adnana 3,17
140 2413031031 Hannang Prasetya Mukti 3,41
141 2511100061 Dedy Utama 2,8
142 2511100071 Haris Saputra As Syahid 2,94
143 2511100085 Nidiar Sanggadin Ilman 2,74
144 2511100095 Doni Adrianto 2,97
145 2511100145 Ananda Airlangga 2,8
S1 TEKNIK
146 2511100154 Nixi Tirayoh 3,07
INDUSTRI
147 2511100192 Dimas Prasetyo 3,16
148 2512100002 Arum Rediawati Rahayu 3,52
Muhammad Ramadhan
149 2512100003 3,18
Asma Hdi
150 2512100005 Indah Purnasari 3,27
151 2511101035 Dony Indra Gupala 3,21
152 2512101001 Ahmad Farki 3,57
153 2512101003 Nathanael August Zefanya 3,36
154 2512101005 Andina Primadini Isnainia 3,37
155 S1 MANAJEMEN 2512101006 Nadya Nurul Fitria Prasetyo 3,66
156 BISNIS 2512101026 Havid Ghilman Shaleh 3,51
157 2512101029 Aisyah Almira 3,32
158 2512101032 Mohammad Iqbal Mahardika 3,53
159 2512101034 Lisa Gunawan 3,32
160 2512101701 Musyifatul Paiqoh 3,19
161 2712100026 Lilo Linus Pambudi Jr 3,34
162 2712100030 Avan Anji Kuntar 3,49
163 2712100032 Wira Rosadi Maysaka 3,40
164 2712100036 Ratno Wijaya 2,88
165 2712100037 Siti Komariyah 3,58
S1 TEKNIK Rahmandhika Firdauzha
166 2712100040 3,28
MATERIAL DAN Hary Hernandha
167 METALURGI 2712100041 Alfian Pangestu 3,57
Muhammad Ainun Taimiyah
168 2712100042 3,28
Indra
Muhammad Rahudita
169 2712100043 3,31
Sofiansah
170 2712100044 Taufik Talentino 3,37
171 3110100052 Geniar Wijaya 2,82
S1 TEKNIK SIPIL
172 3110100085 Moch. Fachmy Adlan 2,7
 41

Mohammad Andriya
173 3110100101 2,92
Gunartono
174 3110100121 Vandiko Timotius Gultom 2,83
175 3110100144 Riki Candra 3,23
176 3110100148 Muhammad Faqih Amrullah 2,6
177 3110100704 Khusein Kumaidi 2,78
178 3111100040 Rahayuning Pagestuti 2,92
179 3111100051 Alvin Lay Christolove 3,37
180 3111100054 Nanang Firmansyah 2,95
Suhita Laksmi Nilamsari
181 3109030092 2,41
Prodo Binambar
Bayu Satria Wicaksana
182 3111030033 2,69
Purtono
183 3112030017 Fahriza Iman 3,09
184 3112030122 Faza Dana Rahmanto 2,85
D3 TEKNIK SIPIL
185 3113030001 Linda Kartini Putri 3,48
186 3113030002 Zainul Abidin 3,3
187 3113030003 Fitriana Rahmawati 3,52
188 3113030004 Afkarina Izzati 3,46
189 3113030005 Tifani Erba 3,36
190 3113030008 Miranti Ramdhini 3,48
191 3208100012 Dyka Imanda Karyanto 2,83
192 3209100019 Allaf Fakhri Muhtadi 3,02
193 3210100020 Agrha Prathama Putra 2,91
194 3210100026 Muhammad Luthfi Nur Putra 2,76
Rengga Ryandah Zudha
195 3210100087 2,85
S1 ARSITEKTUR Prawira
196 3212100027 Vidia Ardhanarewari Sudijar 3,38
197 3212100029 Herlina Eka Wulandari 3,45
198 3212100030 Angelina Nina Arini Putri 3,56
199 3212100032 Nilla Ardya Prihatanti 3,39
200 3212100034 Annisa Nur Ramadhani 3,58
201 3310100035 Irfan Purnomo Zuhdi 2,83
202 3312100001 Elsa Dwi Putri 2,25
203 3312100003 Yogie Restu Firmansyah 3,16
204 3312100004 Radwa Nazi'at Achmad 3,52
205 3312100005 Dandy Prakoso 3,18
206 S1 TEKNIK 3312100036 Nadia Fitrianti 3,47
LINGKUNGAN Reska Putri Tansida Anung
207 3312100037 3,37
Wuri
208 3312100038 Nuriflalail Rio Jusepa 3,49
Cherry Ramadani
209 3312100039 3,37
Widyaningrum
210 3312100040 Nur Aida Maulidia 3,63
211 3410100074 Arief Reza Erlangga 3
S1 DESAIN PRODUK
212 3410100078 Diajeng Retno Astrini 2,81
INDUSTRI
213 3410100079 Ahmad Sadam Ainul Yaqin 3,1
42

214 3410100081 Ade Bayu Prasmanto 3,17

215 3410100086 Abdul Razzaq 2,94
Dawam Muhammad
216 3410100089 3,2
Izzuddin Mardhonansyah
217 3410100100 Istiana Suhartati 3,22
218 3410100141 Audry Saskianisa 2,86
219 3410100143 Muhammad Arif Susanto 3,14
220 3410100146 Abdillah Felayati Noor 2,91
221 3410100076 Reza Obianto 3,27
222 3410100109 Muhammad Farhan Pradana 3,13
223 3411100107 Donny Revangga Adityara 3,32
224 3412100005 Caesar Novita Sari Dewi 3,58
225 3412100016 Hana Lamria Benedicta 3,26
S1 DESAIN
Mohammad Adnan Risky
226 INTERIOR 3412100144 3,43
Solo Limba
227 3412100146 Patricia Marianne 3,58
228 3412100151 Abel Adha Rosanta 3,34
229 3412100154 R. Evan Hardany Primaputra 3,33
230 3412100155 Ghina Azizah 3,57
Ahmad Musa Abdul Haq
231 3508100017 3,03
Fathony
232 3511100035 Koni Dwi Prasetya 2,94
233 3512100001 Endang Prinina 3,32
234 3512100002 Yuan Dhika Galih Wismaya 3,37
235 S1 TEKNIK 3512100003 Sarvatra Eva Yuliyan 3,39
236 GEOMATIKA 3512100033 Agita Setya Herwanda 3,36
237 3512100034 Ricko Buana Surya 3,37
238 3512100035 S. Intan Ary Prayogi 3,53
Bima Pramudya
239 3512100036 3,23
Khawiendratama
240 3512100037 Joko Purnomo 3,62
241 3608100052 Fariz Arijuddin 2,71
Mohammad Fikri Eka
242 3609100007 2,92
Setiawan
243 3609100702 Musanna 2,82
244 S1 PERENCANAAN 3610100027 Fahmi Lazuardi Ramadhan 2,83
245 WILAYAH DAN 3610100039 Siti Umurin Sholikhah 3,06
246 KOTA 3610100061 Muh. Sukron Amiruddin 3,15
247 3611100004 Fitri Dwi Agus Maulidiyah 3,33
248 3611100014 Mariana Dewi Paramita Sari 3,23
249 3611100033 Vindi Fatma Zahra 3
250 3612100002 Nur Fitriah Andriani 3,63
251 3712100002 Nova Linzai 3,36
252 3712100007 Hafidz Dezulfakar 3,58
S1 TEKNIK
253 3712100011 Raden Aldi Kurnia Wijaya 3,5
GEOFISIKA
254 3712100012 Muhammad Ghazali 3,14
255 3712100013 Ridho Fahmi Alifudin 3,17
 43

256 3712100020 Natassa Adi Putri 3,31

257 3712100023 Gigih Prakoso Wigatiyoko 3,46
258 3712100025 Yulia Nur Fajrina 3,48
Muhammad Shafran
259 3712100026 3,18
Shofyan
260 3712100027 Yosar Fatahillah 3,3
261 4109100048 Juan Ferry Arizal 3,02
Mana Raceku Banngario
262 4109100096 2,72
Manoppo
Muhammad Firman
263 4109100018 2,89
Jayadilaga
264 S1 TEKNIK 4110100037 Fitri 3,09
265 PERKAPALAN 4110100048 Maynar Muhammad Alfath 3,1
266 4110100073 Mahfud Alfajar 2,93
267 4110100077 Dewa Gde Mahatma Pandhit 2,82
268 4110100081 Suryo Adi Prakoso 2,71
269 4110100083 Ulil Albab Fida Husain 2,84
270 4110100703 Fardan Nozami Ajitama 2,83
271 4212100013 Refan Trisna Wijaya 3,48
272 4212100014 Abdul Ghofur Ragil Insani 3,35
273 4212100015 Wahyu Rahmadansyah 3,28
274 4212100016 Septian Ragil Wibisono 3,64
275 S1 TEKNIK SISTEM 4212100017 Cakra Dewangga 3,71
276 PERKAPALAN 4212100018 Bashofi Cahyo Buwono 3,42
277 4212100019 Trisno Kusuma Sumantri 3,38
278 4212100020 Syafriansyah 3,43
279 4212100021 Rizqi Maulana Khozin 3,34
280 4212100022 Wimpy Ovik Sudirman 3,51
281 4309100060 Yusak Kurniawan 2,85
Mochammad Detta Rizky
282 4310100007 2,8
Safrisal
Muhammad Alwan Muchlis
283 4311100015 3,17
Reza
284 S1 TEKNIK 4311100023 Siti Chamdalah 3,11
285 KELAUTAN 4311100072 Fajar Vira Bahrayn 3,04
286 4311100086 Agripina Heraspatty 3
287 4311100107 Dimas Galang Arif Maulana 2,93
288 4312100002 Yonny Ahmad Ismail 3,33
289 4312100004 Diyah Ayu Hanna Pratiwi 3,06
290 4312100006 Nur Laily Lathifatul Azizah 3,26
291 4411100019 Adien Uka A'la 2,84
292 4411100022 Alfi Nur Shoba Stifronis 3,06
293 4411100027 Anantya Novany Santoso 2,9
S1 TRANSPORTASI
294 4411100028 Gandhes Inten Pawestri 2,93
LAUT
295 4411100030 Iwan Perdana Putra 3,04
296 4411100034 Marissa Johani Oktaviana 2,82
297 4411100037 Muhammad Mirza Soetirto 2,71
44

298 4412100003 Hamim Tafshil Shovi 2,91

299 4412100005 Nur Leli 3,49
300 4412100006 Ida Bagus Wicitra Dyaksa 3,47
301 5108100054 Kukuh Hannugroho 3,51
302 5109100046 Erfan Ahmadiyono 3,07
303 5109100108 Ilham Zuhri 2,94
304 5112100002 Dinar Winia Mahandhira 3,67
305 S1 TEKNIK 5112100005 Nur Mei Nugraheni 3,53
306 INFORMATIKA 5112100006 Vicky Chrystian Sugiarto 3,54
307 5112100008 Rahmat Irfan 3,74
308 5112100010 Fajar Setiawan 3,58
309 5112100011 Leli Maharani 3,45
310 5112100012 Muhammad Izzuddin 3,81
311 5210100033 Amrina friska Apriliana 2,94
312 5210100047 Janitra Ayu Dewanti 3,08
313 5210100081 Nuur Haady Romadhan 3,01
314 5210100095 Fakhri Hadi Pridianto 2,92
315 S1 SISTEM 5210100156 Galang Arga Marendra 2,75
316 INFORMASI 5212100010 Galent Oktanaseven 3,64
317 5212100012 Rizky Praditya 3,77
318 5212100015 Eka Mulya Agustina 3,65
319 5212100017 Ulvi Rahma Isnaini 3,68
320 5212100018 Rafika Nurmasari 3,59
 45

Lampiran 2. Uji Keacakan

Runs Test: Xbar-R, Xbar-S, I-MR
Descriptive Statistics

Number of
Observations
Variable N K ≤K >K
Xbar-R 192 3.20021 97 95
Xbar-S 246 3.21181 120 126
I-MR 32 3.14469 16 16
K = sample mean
Test

Null hypothesis H₀: The order of the data is random

Alternative H₁: The order of the data is not
hypothesis random
Number of Runs
Variable Observed Expected P-Value
Xbar-R 62 96.99 0.000
Xbar-S 68 130.99 0.000
I-MR 17 17.00 1.000
46