BAB II TEORI DASAR 9

BAB 2
TEORI DASAR

2.1 Taguchi Loss Function

Dr. Genichi Taguchi, seorang pakar manajemen kualitas dari Jepang
mengembangkan suatu pendekatan baru dalam mengontrol kualitas produk,
yaitu dengan menggunakan kurva kuadratik yang menggambarkan loss cost
dari produk yang dihasilkan. Kurva ini dikenal dengan nama Taguchi loss
function.

A
L(y)
cost

y
LSL ∆ m ∆ USL

Gambar 2.1 Taguchi loss function

BAB II TEORI DASAR 10

Keterangan gambar :
- LSL: Lower Specification Limit, batas bawah ukuran spesifikasi yang masih
ditoleransi
- USL: Upper Specification Limit, batas atas ukuran spesifikasi yang masih
ditoleransi
- m : nilai spesifikasi yang diharapkan
- y : nilai spesifikasi suatu produk
- L(y): Taguchi loss function
- h : loss yang disebabkan deviasi y dari m
- ∆ : jarak toleransi maksimal dari m
- A : loss cost maksimum yang disebabkan oleh produk yang gagal (berada
diluar batas toleransi)

Taguchi loss function diperoleh dari deret taylor disekitar nilai target m, yaitu
L' ( m ) L' ' (m) L(3) ( m )
L ( y) = L (m) + ( y − m) + ( y − m) + ( y − m ) + ...
2 3

1! 2! 3!
(1.1)

Elemen pertama dan kedua dari deret taylor pada persamaan (1.1) diatas
bernilai nol, karena berdasarkan definisi, tidak ada loss cost yang dikeluarkan
jika y = m yang artinya ketika y = m, L(y) = L(m) = 0 dan nilai minimum
fungsi ini bernilai nol yang artinya turunan pertama fungsi ini terhadap m
juga bernilai nol, L' ( m ) = 0 . Kemudian elemen – elemen dari deret ini yang

memiliki turunan lebih besar dari 2 mempunyai nilai error yang sangat kecil
sehingga bisa diabaikan. Hal ini mengakibatkan persamaan (1.1) diatas bisa
direduksi menjadi
L' ' (m)
L( y) = ( y − m ) (1.2)
2

2!
Atau bisa dituliskan sbb.

L ( y ) = k ( y − m)
2
, dengan k suatu konstanta. (1.3)
BAB II TEORI DASAR 11

Untuk memperoleh nilai k, misalkan ∆ adalah simpangan maksimal produk

dari nilai target m, y adalah nilai spesikasi produk dan A adalah loss cost yang
disebabkan oleh produk yang gagal (berada diluar batas toleransi). Dengan
mengambil titik simpangan terjauh dari nilai target yaitu (m - ∆ ) sebagai
parameter untuk persamaan (1.3) dan melakukan operasi aljabar sederhana
pada persamaan tersebut, diperoleh

L ( m − ∆ ) = k ( (m − ∆) − m )
2

A = k (∆)
2

A
k= (1.4 )
∆2

Perhitungan loss cost suatu produk secara individual (satu per satu), bisa
langsung menggunakan persamaan (1.3) diatas.

Untuk menghitung rata – rata loss cost produk dari suatu kelompok (populasi)
bisa dilakukan dengan 2 cara. Cara pertama yaitu dilakukan dengan
menghitung loss cost setiap produk secara individual kemudian
menjumlahkan loss cost setiap produk tersebut dan membaginya dengan
banyaknya produk dari kelompok (populasi). Untuk cara yang kedua bisa
dilakukan dengan menggunakan formula yang akan dijelaskan dibawah ini.

Misalkan Y = {y1,y2,...,yn} adalah peubah acak dari nilai sepesifikasi produk

yang dihasilkan, µ adalah rataan populasi dari Y dan σ Y2;µ adalah variansi

populasi dari Y disekitar nilai target µ .

Jika E [Y ] = µ = m , maka
BAB II TEORI DASAR 12

E ⎡⎣ L ( y ) ⎤⎦ = E ⎡ k ( y − m ) ⎤
2
⎣ ⎦
= k E ⎡( y − m ) ⎤
2
⎣ ⎦
= k E ⎡( y − E [Y ]) ⎤
2

⎣ ⎦
E ⎡⎣ L ( y ) ⎤⎦ = L = k σ Y2;m (1.5)

Variansi populasi Y, σ Y2;µ tidak diketahui, karena itu digunakan

1⎡ n ⎤
2
Sbias = ⎢ ∑
n ⎣ i =1
( yi − µ ) 2 ⎥ sebagai penaksir biasnya. Digunakan penaksir bias,
⎦
2 2
karena nilai taksiran Sbias akan sama dengan nilai taksiran dari Stak bias untuk n

2
yang besar, dengan kata lain lim Sbias = lim Stak
2
bias .
n →∞ n →∞

Bukti :
BAB II TEORI DASAR 13

1 n
2
Sbias = ∑ ( yi − µ )2 , penaksir bias untuk σ Y;2 µ
n i =1
1 n
2
Stak bias = ∑
n − 1 i =1
( yi − µ ) 2 , penaksir tak bias untuk σ Y;2 µ

Misalkan
2
Sbias
v= 2
,
Stak bias

maka
1 n
∑ ( yi − µ )2
n i =1
v=
1 n
∑ ( yi − µ )2
n − 1 i =1
1
= n
1
n −1
n −1 1
= = 1−
n n
1
lim1 − = 1
n →∞ n
Maka untuk n yang besar,
v =1
2
Sbias
2
=1
Stak bias
2
Sbias = Stak
2
bias , terbukti

1⎡ n ⎤
SY2;m = ⎢ ∑
n ⎣ i =1
( yi − m) 2 ⎥ dipilih sebagai penaksir bias dari σ Y2;m , variansi
⎦
1⎡ n ⎤
populasi terhadap nilai target m dan SY2; y = ⎢ ∑
n ⎣ i =1
( yi − y ) 2 ⎥ dipilih sebagai
⎦
penaksir bias dari σ Y2; y , variansi sampel terhadap nilai rataan sampel y .

Akan dibuktikan bahwa

( )
2
SY2;m = SY2; y + y − m (1.6)
BAB II TEORI DASAR 14

Bukti :

( )
2
SY2;m = SY2; y + y − m
n n

∑ ( yi − m)2 ∑ ( y − y) 2

( )
i 2
i =1
= i =1
+ y−m
n n
∑ ( y − m) = ∑ ( y − y ) ( )
2 2 2
i i +n y−m

∑( y 2
i (
− 2myi + m 2 ) =∑ yi2 − 2 yi y + y + n y − 2m y + m 2
2
) ( 2
)
∑y − 2m∑ yi + nm 2 = ∑ yi2 − 2 y ∑ yi + n y + n y − 2mn y + nm 2
2 2 2
i

−2m∑ yi = −2 y ∑ yi + 2n y − 2mn y
2

− m∑ yi = − y ∑ yi + n y − mn y
2

dengan

y=
∑y i
, maka
n
−∑ yi ( ∑ yi ) ⎛ ∑ yi ⎛ ∑ yi
2
⎞ ⎞
− m∑ yi = + n ⎜⎜ ⎟⎟ − mn ⎜⎜ ⎟⎟
n ⎝ n ⎠ ⎝ n ⎠
− ( ∑ yi ) (∑ y )
2 2

− m∑ yi = + − m∑ yi
i

n n
− ( ∑ yi ) (∑ y )
2 2

− m∑ yi + m∑ yi = +
i

n n
0 = 0, terbukti.

1⎡ n ⎤
Dari persamaan (1.5), (1.6) dan memilih SY2;m = ⎢ ∑
n ⎣ i =1
( yi − m) 2 ⎥ sebagai
⎦
penaksir bias dari σ Y2;m , diperoleh formula untuk menghitung besarnya rata –

rata loss cost per produk dari suatu kelompok (populasi), yaitu

L = k ⎡ SY2; y + y − m ⎤ ( )
2

⎣⎢ ⎥⎦

SY2; y : variansi Y dari sampel disekitar rataan Y, y

y : rataan dari nilai y pada suatu kelompok

( y − m ) : besar deviasi nilai rataan kelompok dari nilai target m

BAB II TEORI DASAR 15

2.2 Tipe dari Taguchi Loss Function

Suatu produk, mempunyai karakteristik kualitas yang berbeda-beda. Ada
produk yang dikatakan berkualitas baik jika nilai spesifikasi produk tersebut
sesuai dengan nilai target yang ditetapkan, ada produk yang dikatakan
berkualitas baik jika nilai spesifikasi produk tersebut mendekati nol, dan ada
pula produk yang dikatakan berkualitas baik jika nilai spesifikasinya lebih
besar dari nilai minimal spesifikasi.

Taguchi loss function bisa diaplikasikan berdasarkan 3 karakteristik kualitas

produk tadi, yaitu
1. The Nominal The Best (N – type)
2. The Smaller The Best (S – type)
3. The Larger The Best (L – type)

2.2.1 The Nominal The Best (N – type)

Pada tipe ini, produk dikatakan berkualitas baik jika nilai spesifikasi
produknya sesuai dengan nilai ideal yang ditetapkan. Ketebalan, diameter,
panjang, adalah sebagian contoh dari spesifikasi tipe ini.
A
L(y)
cost

y
LSL ∆ m ∆ USL

Gambar 2.2 The Nominal The Best (N – type)

Keterangan gambar :
- LSL: Lower Specification Limit, batas bawah ukuran spesifikasi yang masih
ditoleransi
- USL: Upper Specification Limit, batas atas ukuran spesifikasi yang masih ditoleransi
- m : nilai spesifikasi yang diharapkan
BAB II TEORI DASAR 16

- y : nilai spesifikasi suatu produk

- L(y): Taguchi loss function
- h : loss yang disebabkan deviasi y dari m
- ∆ : jarak toleransi maksimal dari m
- A : loss yang disebabkan oleh produk yang gagal (berada diluar batas toleransi)

Loss function pada karakteristik N – type ini mengikuti bentuk umum dari
Taguchi loss function yang telah dipaparkan sebelumnya.

Loss cost suatu produk secara individual :

A
L ( y ) = k ( y − m) , k =
2

∆2

Rata-rata loss cost per produk dari suatu kelompok :

( )
L = k ⎡ SY2; y + y − m ⎤ , k = 2
2 A
⎢⎣ ⎥⎦ ∆
SY2; y : variansi Y dari sampel disekitar rataan Y, y

y : rataan dari nilai y pada suatu kelompok

( y − m ) : besar deviasi nilai rataan kelompok dari nilai target m

2.2.2 The Smaller The Best (S – type)
Pada tipe ini, produk dikatakan berkualitas baik jika nilai spesifikasi
produk y ≥ 0 mendekati nilai ideal atau nilai target m = 0. Contoh dari
spesifikasi produk pada tipe ini misalnya tingkat kekotoran dan tingkat
kebisingan.

L(y)
A
cost

y USL
∆
BAB II TEORI DASAR 17

Gambar 2.3 The Smaller The Best (S – type)

Keterangan gambar :
- USL: Upper Specification Limit, batas atas ukuran spesifikasi yang masih ditoleransi
- y : nilai spesifikasi suatu produk
- L(y): Taguchi loss function
- h : loss yang disebabkan deviasi y dari m
- ∆ : jarak toleransi maksimal dari m
- A : loss yang disebabkan oleh produk yang gagal (berada diluar batas toleransi)

Loss function pada karakteristik N – type ini mengikuti bentuk umum dari
Taguchi loss function, hanya saja nilai target m adalah nol.

Loss cost suatu produk secara individual :

A
L( y) = k ( y) , k =
2

∆2

Rata-rata loss cost per produk dari suatu kelompok :

( )
L = k ⎡ SY2; y + y ⎤ , k = 2
2 A
⎢⎣ ⎥⎦ ∆
SY2; y : variansi Y dari sampel disekitar rataan Y, y

y : rataan dari nilai y pada suatu kelompok

( y − m ) : besar deviasi nilai rataan kelompok dari nilai target m

2.2.3 The Larger The Best (L – type)

Pada tipe ini, produk yang dikatakan berkualitas baik jika nilai
spesifikasinya lebih besar dari nilai minimal spesifikasi yang telah
ditetapkan. Karakteristik produk pada tipe ini tidak memiliki nilai target.
Semakin besar nilai spesifikasi yang ada, semakin baik kualitas produk
tersebut. Contoh spesifikasi dari tipe ini misalnya, kekuatan dari suatu
material dan tingkat efisiensi bahan bakar.
BAB II TEORI DASAR 18

L(y)

cost

LSL
∆

Gambar 2.4 The Larger The Best (L – type)

Keterangan gambar :
- LSL: Lower Specification Limit, batas bawah ukuran spesifikasi yang masih
ditoleransi
- y : nilai spesifikasi suatu produk
- L(y): Taguchi loss function
- ∆ : besaran untuk menghampiri jarak toleransi maksimal dari m
- A : loss yang disebabkan oleh produk yang gagal (berada diluar batas toleransi)

Untuk mendapat loss function pada karakteristik L – type ini dapat

diperoleh dengan mentransformasikan L – type ini ke bentuk S – type.

Misalkan
1
z=
y
Nilai z ≥ 0 memiliki karakteristik S – type degan nilai target m = 0 dan
1
jarak toleransi maksimal ∆ ' = . Maka loss function dengan nilai
∆
karakteristik z adalah
BAB II TEORI DASAR 19

A
L( z) = z2
(∆ )
' 2

2
A ⎛1⎞
= 2 ⎜ ⎟
⎛1⎞ ⎝ y⎠
⎜ ⎟
⎝∆⎠

Loss cost suatu produk secara individual :

⎛ 1 ⎞ A
L( y) = k ⎜ 2 ⎟ , k =
(1 ∆ )
2
⎝y ⎠

Rata-rata loss cost per produk dari suatu kelompok :

⎡ 1 ⎤ ⎡ 3SY ; y ⎤
2
A
L = k ⎢ 2 ⎥ ⎢1 + 2 ⎥ , k =
(1 ∆ )
2
⎣ y ⎦ ⎢⎣ y ⎥⎦

SY2; y : variansi Y dari sampel disekitar rataan Y, y

y : rataan dari nilai y pada suatu kelompok

2.3 Bagan Kendali Shewhart

Salah satu metode yang umum digunakan untuk mengontrol suatu proses
produksi ialah menggunakan bagan kendali yang diperkenalkan oleh Dr.
Walter A. Shewhart. Bagan kendali ini dikenal sebagai bagan kendali
Shewhart.

Bagan kendali ini menggunakan dua batas dalam mengontrol output yang
dihasilkan dari suatu proses produksi, yaitu batas atas kendali atau yang
disebut sebagai upper control limit (UCL) dan batas bawah kendali atau yang
disebut sebagai lower control limit (LCL). Bagan kendali ini juga mempunyai
garis tengah yang merepresentasikan nilai rata-rata dari spesifikasi output
yang diukur yang disebut sebagai center line (CL).
BAB II TEORI DASAR 20

UCL

Nilai spesifikasi
CL

LCL
jumlah sample

Gambar 2.5 ilustrasi bagan kendali Shewhart

Output yang berada diatas UCL atau dibawah LCL mengindikasikan

terdapatnya produk yang gagal, atau diistilahkan sebagai produk yang out of
control.

Untuk menentukan nilai UCL, CL, dan LCL, misalkan w spesifikasi dari
sampel yang diukur, misalkan pula rataan dan standar deviasi dari w masing-
masing ialah µw dan σ w . Maka garis tengah (CL), batas atas kendali (UCL),
dan batas bawah kendali (LCL) menjadi
UCL = µ w + Lσ w
CL = µ w
LCL = µ w − Lσ w
Dimana L adalah jarak batas bagan kendali dari garis tengah yang
diekspresikan dalam unit standar deviasi.

2.4 Bagan Kendali Jumlah Kumulatif

Kelemahan dari batas kontrol Shewhart adalah hanya mengunakan informasi
tentang proses yang terdapat pada titik-titik terakhir yang diplot dan
mengabaikan informasi yang diberikan dari seluruh barisan titik Hal ini
menyebabkan bagan kendali Shewhart relatif tidak sensitif terhadap
pergeseran rataan proses yang kecil, sekitar 1, 5σ atau lebih kecil. Bagan
BAB II TEORI DASAR 21

kendali jumlah kumulatif (Cumulative Sum control chart) atau yang lebih
sering disebut sebagai cusum adalah salah satu alternatif yang handal untuk
mendeteksi proses yang memiliki pergerseran rataan kecil.

Bagan kendali jumlah kumulatif menggunakan seluruh informasi dari seluruh

sampel dengan memplot jumlah kumulatif dari deviasi nilai sampel terhadap
nilai target. Bagan kendali jumlah kumulatif pertama kali diusulkan oleh Page
(1954) dan telah ditulis oleh banyak penulis, seperti Ewan (1963), Page
(1961), Gan (1991), Lucas (1976),Hawkins (1981) dan Woodall dan Adams
(1993).

Ada dua cara untuk mereprentasikan cusum, tabular cusum atau bentuk V-
mask dari cusum. Dari dua representasi ini, tabular cusum adalah yang paling
sering digunakan. Di bagian ini, hanya akan dibahas representasi cusum dalam
bentuk tabular cusum.

2.4.1 Tabular Cusum dalam memonitor rataan dari proses

Di bagian ini akan diperlihatkan bagaimana tabular cusum dikonstruksi
untuk memonitor rataan dari proses.

Misalkan xi adalah observasi ke-i dalam proses. Ketika proses berada

dalam keadaan in control, xi berdistribusi normal dengan rataan µ0 dan

standar deviasi σ . Diasumsikan σ diketahui atau bisa ditaksir.

Tabular cusum bekerja dengan mengakumulasikan selisih dari µ0 yang

berada di atas target dengan statistik C + dan mengakumulasikan selisih

dari µ0 yang berada di bawah target dengan statistik C − . Kedua statistik

tersebut, C + , C − masing-masing disebut one-sided upper dan lower

cusums. Keduanya dihitung sebagai berikut :
BAB II TEORI DASAR 22

Ci+ = max ⎡⎣ 0, xi − ( µ0 + K ) + Ci+−1 ⎤⎦ (3.1)

Ci+ = max ⎡⎣ 0, ( µ0 − K ) − xi + Ci−−1 ⎤⎦ (3.2)

Dimana nilai awalnya, Ci+ = Ci− = 0 .

Pada persamaan (3.1) dan (3.2), K biasa disebut sebagai reference value
atau allowance value, dan ini seringkali dipilih sekitar setengah antara
nilai target µ0 dan nilai out-of-control dengan rataan µ1 yang ingin
dideteksi secepatnya.

Maka,jika pergeseran rataan diekspresikan dalam unit standar deviasi

δ µ1 − µ0
sebagai µ1 = µ0 + δσ atau δ = µ1 − µ0 σ , maka K = σ= .
2 2

Proses berada dalam keadaan in-control jika Ci+ dan Ci− berada dalam
interval H. Nilai yang masuk akal untuk H adalah lima kali dari standar
deviasi proses, σ .

2.4.2 Tabular Cusum dalam memonitor variansi dari proses

Di bagian ini akan diperlihatkan bagaimana tabular cusum dikonstruksi
untuk memonitor variansi dari proses. Seperti pada saat memonitor rataan
dari proses, misalkan xi berdistribusi normal dengan rataan µ0 dan

standar deviasi σ .Nilai standar dari xi adalah yi = ( xi − µ0 ) σ . Hawkins

(1981) (1993a) menyarankan untuk membuat nilai standar yang baru, yaitu

yi − 0.822
vi = (3.3)
0.349

Statistik vi sensitif baik terhadap perubahan rataan maupun variansi.

Karena distribusi in-control dari vi mendekati N(0,1), maka kedua one-

sided standardized scale cusums bisa dituliskan sebagai berikut :
BAB II TEORI DASAR 23

Si+ = max ⎡⎣0, vi − K + Si+−1 ⎤⎦ (3.4)

Si− = max ⎡⎣0, − K − vi + Si−−1 ⎤⎦ (3.5)

Dimana nilai awalnya, S 0+ = S 0− = 0 .

Proses berada dalam keadaan in-control jika Si+ dan Si− berada dalam
interval H

Perhitungan nilai K dan H sama seperti yang dilakukan pada saat

memonitor rataan proses.

Gambar 2.6 Ilustrasi bagan kendali jumlah kumulatif

2.5 Kapabilitas Proses

Kapabilitas proses (process capability) berkaitan dengan kehandalan dari
suatu proses produksi. Suatu proses produksi dikatakan handal (capable) jika
produk yang dihasilkan dari proses tersebut memiliki nilai yang sesuai
dengan target yang diharapkan dan memiliki variansi (sebaran) yang kecil.

Saat ini, pasar global menghendaki sebaran produk dalam distribusi sebesar 6
sigma, yaitu untuk distribusi normal dengan mean µ dan standar deviasi σ ,
batas atas dan batas bawah toleransi naturalnya (upper and lower natural
BAB II TEORI DASAR 24

tolerance limit) dari proses yaitu masing-masing µ + 3σ dan µ − 3σ . Pada

distribusi normal baku, persentase produk yang berada dalam batas toleransi
natural sebesar 99.73 % dan hanya 0.27% yang berada di luar batas toleransi.

Suatu proses dikatakan handal jika hampir semua nilai spesifikasi produk
yang diukur berada di dalam batas spesifikasi.

Kapabilitas proses berkaitan dengan keseragaman output yang dihasilkan dari

suatu proses produksi.

Metode statistik dapat sangat membantu dalam keselurahan siklus produksi,

termasuk di dalamnya pengembangan dalam proses manufaktur, menghitung
variabilitas proses, menganalisis variabilitas terhadap spesifikasi yang
diinginkan, dan dalam mengurangi variabilitasnya. Inilah yang dinamakan
analisis proses kapabilitas. Analisis proses kapabilitas ini merupakan bagian
yang penting dalam program pengembangan kualitas secara keseluruhan

2.5.1 Rasio Kapabilitas Proses Cp

Salah satu cara untuk melihat kehandalan suatu proses ialah melaui rasio
kapabilitas proses,yaitu membandingkan output dari proses terhadap batas
spesifikasi. Perbandingan tersebut diperoleh dengan membandingkan
sebaran data antara batas spesifikasi dengan nilai sebaran dalam proses
yang diukur dengan 6 kali standar deviasi proses. Perbandingan ini
dilakukan agar kita dapat melihat kesesuaian proses dengan spesifikasi
yang diharapkan.

Ada beberapa statistik yang bisa merepresentasikan kapabilitas suatu

proses, yaitu Cp,Cpk,Cpm. Statistik-statistik ini, valid jika jumlah sampel
yang digunakan cukup besar. Cukup besar disini pada umumnya sekitar 50
data yang independen.
BAB II TEORI DASAR 25

Statistik yang dibahas pada tugas akhir ini, hanyalah Cp

Definisi :
USL − LSL
Cp =
6σ

Karena σ tidak diketahui maka Cp ditaksir oleh Cˆ p ,

USL − LSL
Cp =
6S

Jika nilai Cp>1, artinya seluruh output dari proses hanya menggunakan
kurang dari 100% dari batas toleransi, ini berarti relatif sedikit produk
yang gagal. Kemudian jika nilai Cp=1, artinya seluruh output dari proses
menggunakan 100% dari batas toleransi, ini berarti untuk produk yang
berdistribusi normal, terdapat 0.27% produk yang dianggap gagal.
Sedangkan jika Cp<1, artinya output dari proses menggunakan lebih dari
100% dari batas toleransi, ini berarti terdapat banyak produk yang
dianggap gagal, dan proses dapat dikatakan tidak handal.

2.6 Key Characteristic

Ada berbagai definisi mengenai Key Characteristic (karakteristik kunci),
namun kesemua itu bisa mengarah pada suatu kesimpulan bahwa suatu
komponen dikatakan merupakan key characteristic jika variansi dari nilai
nominalnya memiliki akibat yang signifikan terhadap kecocokan (fit),
kemampuan (performance), atau masa pakai (service life) dari suatu produk.