PLAGIAT

PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

GRAFIK PENGENDALI T2 HOTELLING UNTUK

PEMANTAUAN DAN PENGENDALIAN MUTU
DALAM PROSES PRODUKSI

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Sains
Program Studi Matematika

Oleh:
Ratna Sari
103114013

PROGRAM STUDI MATEMATIKA, JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2014
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

GRAFIK PENGENDALI T2 HOTELLING UNTUK

PEMANTAUAN DAN PENGENDALIAN MUTU
DALAM PROSES PRODUKSI

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Sains
Program Studi Matematika

Oleh :
Ratna Sari
103114013

PROGRAM STUDI MATEMATIKA, JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2014

i
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

ii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

iii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

iv
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

MOTTO DAN PERSEMBAHAN

“No GAIN without PAIN”

Skripsi ini aku persembahkan untuk:

 Bapak dan ibu tercinta

 Kakakku Bagus Saputro, adikku Adi Saputro, dan keponakanku

Denisa

 Seluruh anggota keluarga besarku

 Febri Ariwibawa yang kusayang

 Semua sahabat-sahabatku yang selalu menemani dan mendukung

setiap langkahku

v
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

vi
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

KATA PENGANTAR

Puji dan syukur kehadirat Allah SWT atas limpahan rahmat, taufik dan

hidayah-Nya sehingga penyusunan skripsi ini dapat berjalan lancar. Sholawat dan

salam senantiasa tercurahkan kepada Nabi Muhammad SAW beserta keluarga dan

para sahabatnya, Amin.

Penulis menyadari bahwa dalam penulisan skripsi ini tidak lepas dari

hambatan dan kesulitan, namun berkat bantuan dari berbagai pihak maka

penyusunan skripsi ini dapat berjalan dengan baik. Untuk itu penulis

mengucapkan terima kasih yang sebesar-besarnya kepada:

1. Bapak Ir. Ig. Aris Dwiatmoko, M.Sc., yang dengan penuh kesabaran dan

keikhlasan dalam membimbing, mengarahkan dan selalu memotivasi saya

dalam menyelesaikan skripsi ini.

2. Bapak dan Ibu dosen Program Studi Matematika Universitas Sanata

Dharma.

3. Teman-teman Prodi Matematika angkatan 2010 yang bersama-sama

berjuang demi sebuah kelulusan.

4. Kedua orang tuaku yang selalu sabar menghadapi tingkah laku putrinya.

5. Adikku si gendut Adi Saputro yang selalu menyayangiku.

6. Febriku sayang yang telah sabar membantu dan memberikan semangat.

7. Semua sahabat-sahabatku yang sedang berjuang bersama-sama meraih

cita-cita.

8. Semua pihak yang tidak dapat penulis sebutkan satu per satu.

vii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

Segala kesempurnaan hanyalah milik Allah SWT, semoga penulisan

skripsi ini dapat memberikan tambahan pengetahuan bagi pembaca, mohon maaf

atas segala kekurangan, Terima kasih.

Yogyakarta, 12 Agustus 2014

Penulis

Ratna Sari

viii
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

DAFTAR ISI

HALAMAN JUDUL ........................................................................................... i

HALAMAN PERSETUJUAN PEMBIMBING .................................................... ii
HALAMAN PENGESAHAN ............................................................................. iii
HALAMAN PERNYATAAN PUBLIKASI........................................................ iv
HALAMAN MOTTO DAN PERSEMBAHAN ................................................... v
HALAMAN PERNYATAAN KEASLIAN KARYA TULIS .............................. vi
HALAMAN KATA PENGANTAR ................................................................... vii
HALAMAN DAFTAR ISI.................................................................................. ix
HALAMAN DAFTAR LAMPIRAN ................................................................. xii
ABSTRAK ...................................................................................................... xiii
ABSTRACT .................................................................................................... xiv
BAB I PENDAHULUAN ........................................................................ 1
A. Latar Belakang Masalah .......................................................... 1
B. Rumusan Masalah ................................................................... 5
C. Batasan Masalah .................................................................... 5
D. Tujuan Penulisan .................................................................... 5
E. Manfaat Penulisan ................................................................... 6
F. Metode Penulisan .................................................................... 6
G. Sistematika Penulisan ............................................................. 6
BAB II LANDASAN TEORI .................................................................... 9
A. Grafik Pengendali ................................................................... 9
1. Grafik Pengendali Variabel............................................ 13
2. Grafik Pengendali dan S ............................................ 14
B. Nilai Eigen dan Vektor Eigen ............................................... 19
C. Konsep-Konsep Penting dalam Statistika Univariat .............. 22
1. Nilai Harapan Variabel Random .................................... 22
2. Variansi Variabel Random ............................................. 22

ix
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

3. Kovariansi Dari Dua Variabel Random ........................ 22

4. Independensi Variabel Random ..................................... 23
5. Sifat-Sifat Nilai Harapan dan Kovariansi Dalam Statistika
Univariat ....................................................................... 24
D. Konsep-Konsep Penting dalam Statistika Multivariat .......... 27
1. Vektor Random dan Matriks Random ............................ 27
2. Vektor Rata-Rata dan Matriks Kovariansi ..................... 28
3. Menyekat Matriks Kovariansi ........................................ 31
4. Vektor Rata-Rata dan Matriks Kovariansi untuk
Kombinasi Linear Variabel Random ............................. 33
5. Menyekat Vektor Rata-Rata Sampel dan Matriks
Kovariansi Sampel ........................................................ 36
6. Sampel Random dan Nilai Harapan dari Rata-Rata dan
Matriks Kovariansi Sampel ........................................... 38
7. Variansi yang Diperumum ............................................. 43
8. Distribusi Normal Multivariat ....................................... 44
9. Fungsi Densitas Normal Bivariat .................................. 46
E. Metode Fungsi Pembangkit Momen ..................................... 48
F. Distribusi Sampling yang Berhubungan dengan Distribusi
Normal ................................................................................ 53
BAB III T2 HOTELLING ........................................................................ 58
A. Distribusi T2 Hotelling ........................................................ 58
B. Daerah Kepercayaan Elips ................................................... 59
C. Grafik Pengendali T2 Hotelling ............................................ 64
BAB IV APLIKASI GRAFIK PENGENDALI T2 HOTELLING ............. 71
A. Gambaran Umum Perusahaan............................................... 71
B. Proses Produksi ................................................................... 72
C. Penerapan Pengendalian Mutu Perusahaan ........................... 73
D. Analisis Grafik Pengendali .................................................. 75
1. Grafik Pengendali pH dan Kekeruhan Air ..................... 75
2. Grafik Pengendali Kekeruhan Air dan TDS ................... 77
BAB IV KESIMPULAN DAN SARAN .................................................. 80

x
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

A. Kesimpulan .......................................................................... 80
B. Saran ............................................................................. 81
DAFTAR PUSTAKA ........................................................................................ 82
LAMPIRAN ...................................................................................................... 83

xi
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

DAFTAR LAMPIRAN

Lampiran 1. Faktor-Faktor untuk Menentukan Grafik Pengendali Variabel ....... 83

Lampiran 2. Distribusi, Fungsi Probabilitas, Rata-Rata, Variansi dan Fungsi

Pembangkit Momen ...................................................................... 84
Lampiran 3. Titik Presentase Distribusi F ......................................................... 86
Lampiran 4. Total pemakaian air dan total produksiAMDK pada bulan Januari
hingga April 2006 ......................................................................... 91
Lampiran 5. Proses Produksi AMDK PT. SBQUA ............................................ 92
Lampiran 6. Tabel Perhitungan pH dan Kekeruhan Air ..................................... 93
Lampiran 7. Tabel Perhitungan Kekeruhan Air dan TDS ................................... 94
Lampiran 8. Program MATLAB untuk Daerah Kepercayaan Elips .................... 95

xii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

ABSTRAK

GRAFIK PENGENDALI T2 HOTELLING UNTUK PEMANTAUAN DAN

PENGENDALIAN MUTU DALAM PROSES PRODUKSI
Ratna Sari
103114013
Universitas Sanata Dharma
Yogyakarta
2014

Tujuan dari penelitian ini adalah untuk mengetahui landasan teori matematis
dari grafik pengendali T2 Hotelling dan mengaplikasikan metode T2 Hotelling
pada produk yang terdiri dari dua karakteristik mutu. Untuk memahami grafik
pengendali T2 Hotelling diperlukan pemahaman tentang aljabar linear yaitu nilai
dan vektor eigen, nilai harapan dan variansi dalam statistika univariat dan
multivariat, distribusi sampling yang berhubungan dengan distribusi normal, dan
distribusi T2 Hotelling.
Grafik pengendali T2 Hotelling dapat digunakan untuk menganalisis apakah
suatu proses terkendali atau tidak berdasarkan variabel bivariat yang relevan.
Berdasarkan hasil analisis yang diperoleh pada PT. Sinar Bogor QUA (PT.
SBQUA), dapat disimpulkan bahwa aplikasi grafik pengendali T2 Hotelling
Bivariat untuk karakteristik mutu pH dan kekeruhan air dalam tank penampungan
bahan baku menunjukkan proses yang tidak terkendali karena sampel ke 5, 14,
dan 16 berada diluar batas pengendali. Sedangkan pada grafik pengendali untuk
karakteristik mutu kekeruhan air dan TDS dalam tank penampungan bahan baku
menunjukkan proses yang tidak terkendali karena sampel ke 3, 4, dan 13 berada
diluar batas pengendali.

xiii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

ABSTRACT

T2 HOTELLING CONTROL CHART FOR MONITORING AND

QUALITY CONTROL IN THE PRODUCTION PROCESS
Ratna Sari
103114013
Universitas Sanata Dharma
Yogyakarta
2014

This research aims to understand and apply the foundations of

mathematical theory of T2 Hotelling Control Chart on the product consists of two
quality characteristics. To understand the T2 Hotelling Control Chart it need linear
algebra, eigenvectors and eigenvalues, expectations and variance in univariate and
multivariate statistics, sampling distributions related to the normal distribution,
and the distribution of T2 Hotelling. T2 Hotelling control chart can be used to
analyze whether a process is under control or not based on the relevant variables
bivariat. Based on the data analysis at PT. Sinar Bogor QUA (PT. SBQUA), it can
be concluded that the application of T2 Hotelling Control Chart Bivariate quality
characteristics for pH and turbidity of the water in the tank raw material shelter
indicate uncontrolled process due to sample number 5, 14, and 16 which are
outside of the control limit. While the characteristics of the quality of water
turbidity and TDS in tanks raw material shelter indicate uncontrolled process
because the sample number 3, 4, and 13 are outside of the control limit.

xiv
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

BAB I

PENDAHULUAN

I. LATAR BELAKANG MASALAH

Dewasa ini orang mengenal barang-barang dan jasa yang beraneka ragam

macamnya untuk memenuhi kebutuhannya. Barang dan jasa tersebut dibuat atau di

produksi untuk kebutuhan manusia. Produksi barang dan jasa tersebut menggunakan

faktor-faktor produksi alam, tenaga kerja, modal dan teknologi. Pada hakekatnya

produksi merupakan penciptaan atau penambahan faedah bentuk, waktu dan tempat

atas faktor-faktor produksi sehingga lebih bermanfaat bagi pemenuhan kebutuhan

manusia. Proses perubahan bentuk dan faktor-faktor produksi tersebut disebut proses

produksi.

Dalam era modern seperti saat ini, persaingan dalam dunia industri sangatlah

ketat. Perkembangan teknologi canggih dari tahun ketahun menuntut suatu hasil

produksi dari suatu perusahaan dalam hal ketelitian pekerjaan, ketepatan waktu

produksi, standar produksi, dan persaingan di pasar internasional. Oleh sebab itu

masalah mutu menjadi hal yang penting untuk diperhatikan oleh perusahaan.

Mutu merupakan suatu unsur yang sangat mutlak pada setiap produk atau jasa

yang dihasilkan oleh suatu perusahaan untuk menghasilkan suatu produksi yang

maksimal dengan mutu yang tinggi serta terjangkau oleh konsumen. Pada

kenyataannya masih banyak terdapat produk atau jasa yang tidak memenuhi standar

1
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
2

atau mengalami kegagalan dalam proses produksinya. Penting bagi setiap perusahaan

untuk memperhatikan produksi mulai dari pengadaan bahan sampai dengan proses

produksi selesai.

Pengendalian mutu berfungsi untuk menjaga agar suatu sistem tetap efektif

dalam memperbaiki mutu produk atau jasa yang dihasilkan oleh perusahaan, sehingga

produksi dan pemasaran dapat berada pada tingkat yang paling ekonomis, dengan

demikian pelanggan selalu mendapatkan kepuasan. Untuk mengidentifikasi mutu

yang ingin dicapai dan untuk melihat tingkat kepuasan konsumen terhadap barang

yang dihasilkan, maka statistika pengendalian mutu sangat penting dipelajari untuk

melihat perkembangan mutu barang yang diproduksi. Dengan demikian, perusahaan

dapat meningkatkan mutu suatu barang dengan lebih baik lagi.

PT. I merupakan salah satu perusahaan yang memproduksi kertas dengan

orientasi mutu ekspor. Oleh sebab itu, mutu produk menjadi perhatian utama

perusahaan untuk menjaga loyalitas konsumen terhadap perusahaan dan dengan

demikian meningkatkan dominasi pasar. Salah satu produk yang dihasilkan oleh PT. I

adalah kertas memo. Mutu kertas memo ditentukan oleh beberapa karakteristik,

diantaranya yaitu ketebalan kertas, penyebaran warna, dan kerapatan kertas.

Perusahaan telah menentukan batas spesifikasi untuk masing-masing karakteristik

tersebut. Produk dianggap cacat atau tidak memenuhi standar apabila terdapat

setidaknya satu dari karakteristik tersebut tidak berada dalam interval sepesifikasi

yang telah ditentukan perusahaan.

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
3

Setiap produk memiliki sejumlah unsur yang menggambarkan pikiran pengguna

tentang mutu. Unsur-unsur ini biasanya disebut karakteristik mutu. Terkadang disebut

juga critical-to-quality (CTQ) characteristics. Karakteristik mutu terdiri dari

beberapa jenis, yaitu:

1. Fisik: panjang, berat, tegangan, kekentalan

2. Indera: ras, penampilan, warna

3. Orientasi waktu: tahan uji, daya tahan, berguna

Mutu keteknikan adalah kumpulan cara kerja, managerial, dan aktivitas

keteknikan yang perusahaan gunakan untuk memastikan karakteristik mutu dari

produk berada pada interval yang ditentukan dan faktor-faktor lain yang ada disekitar

produk tersebut berada pada tingkat yang minimal.

Statistika adalah kumpulan teknik pengambilan keputusan tentang proses atau

populasi berdasarkan pada suatu analisis informasi yang terkandung dalam suatu

sampel dari populasi tersebut. Metode statistika juga memainkan peranan penting

dalam pengendalian dan peningkatan mutu. Metode statistika memberikan cara-cara

pokok dalam pengambilan sampel produk, pengujian serta evaluasinya, dan informasi

dalam data itu digunakan untuk mengendalikan dan meningkatkan proses pembuatan.

Salah satu teknik utama dalam pengendalian statistis adalah grafik pengendali

(control chart). Grafik pengendali adalah teknik pengendali proses pada jalur yang

digunakan secara luas yang biasanya digunakan untuk menduga parameter suatu
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
4

proses produksi dan informasi tersebut digunakan untuk menentukan kemampuan

proses.

Berdasarkan banyaknya karakteristik mutu yang diukur, grafik pengendali

dibedakan menjadi 2 jenis yaitu grafik pengendali univariat dan grafik pengendali

multivariat. Grafik pengendali univariat digunakan jika hanya ada satu karakteristik

mutu yang diukur, sedangkan grafik pengendali multivariat digunakan untuk

mengukur dua atau lebih karakteristik mutu.

Secara umum grafik pengendali dibedakan menjadi 2 macam, yaitu grafik

pengendali untuk variabel dan grafik pengendali untuk atribut. Salah satu pendekatan

yang digunakan dalam memantau mutu produk pada kasus multivariat adalah dengan

menggunakan metode grafik pengendali T2 Hotelling. Sebagai contoh jika kita akan

menguji salah satu produk dari PT. I yaitu kertas memo, ada tiga karakteristik yang

harus dipenuhi, yaitu ketebalan kertas ( x 1 ), penyebaran warna ( x 2 ), dan kerapatan

 x1 
kertas ( x 3 ) maka X   x 2  dapat dijadikan sebagai statistik uji. Statistik T 2 disebut
 x 3 

2
T Hotelling untuk menghormati Harold Hotelling, seorang pelopor analisis

multivariat yang pertama kali menghasilkan distribusi sampling.

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
5

Pada tugas akhir ini akan dibahas bagaimana menggunakan grafik pengendali T 2

Hotelling untuk pemantauan dan pengendalian mutu dalam proses produksi.

II. RUMUSAN MASALAH

Berdasarkan latar belakang tersebut, maka dapat dirumuskan permasalahan:

1. Bagaimana landasan matematis dari grafik pengendali T 2 Hotelling ?

2. Bagaimana mengaplikasikan grafik pengendali T2 Hotelling untuk mengendalikan

mutu produk yang terdiri dari beberapa karakteristik mutu?

III. BATASAN MASALAH

Batasan permasalahnya yaitu:

1. Grafik pengendali yang digunakan adalah Grafik pengendali variabel X dan R

2. Grafik pengendali T2 Hotelling digunakan untuk mengendalikan produk yang

terdiri dari dua karakteristik mutu.

3. Dasar-dasar teori yang dibahas hanya materi-materi yang berkaitan langsung

dengan grafik pengendali T2 Hotelling.

IV. TUJUAN PENULISAN

1. Mengetahui landasan teori matematis dari grafik pengendali T 2 Hotelling.

2. Mengaplikasikan metode T2 Hotelling pada produk yang terdiri dari dua

karakteristik mutu.
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
6

V. MANFAAT PENULISAN

Tugas akhir ini diharapkan dapat bermanfaat bagi:

1. Penulis

Penelitian ini merupakan kesempatan yang sangat bermanfaat untuk menambah

pengetahuan dan pengalaman yang berharga dalam menerapkan teori-teori yang

pernah didapatkan ketika kuliah ke dalam kondisi yang nyata.

2. Perusahaan

Penelitian ini diharapkan dapat digunakan oleh perusahaan-perusahaan sebagai

referensi tambahan pada evaluasi proses pemantauan dan pengendalian mutu yang

selanjutnya dapat dipergunakan untuk mengambil tindak lanjut.

3. Universitas Sanata Dharma

Penelitian ini diharapkan dapat memberikan sumbangan pengetahuan dan

informasi bagi peneliti lain.

VI. METODE PENULISAN

Pada penelitian ini akan digunakan metode studi pustaka.

VII. SISTEMATIKA PENULISAN

BAB I : PENDAHULUAN

A. Latar Belakang Masalah

B. Rumusan Masalah

C. Batasan Masalah
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
7

D. Tujuan Penulisan

E. Manfaat Penulisan

F. Metode Penulisan

G. Sistematika Penulisan

H. Daftar Pustaka

BAB II : LANDASAN TEORI

A. Grafik Pengendali

1. Grafik Pengendali Variabel

2. Grafik Pengendali X dan S

B. Nilai Eigen dan Vektor Eigen

C. Konsep-Konsep Penting dalam Statistika Univariat

1. Nilai Harapan Variabel Random

2. Variansi Variabel Random

3. Kovariansi Dari Dua Variabel Random

4. Independensi Variabel Random

5. Sifat-Sifat Nilai Harapan dan Kovariansi dalam Statistika

Univariat

D. Konsep-Konsep Penting dalam Statistika Multivariat

1. Vektor dan Matriks Random

2. Vektor Rata-Rata dan Matriks Kovariansi

3. Menyekat Matriks Kovariansi

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
8

4. Vektor Rata-Rata dan Matriks Kovariansi untuk Kombinasi

Linear Variabel Random

5. Menyekat Vektor Rata-Rata Sampel dan Matriks Kovariansi

Sampel

6. Sampel Random dan Nilai Harapan dari Rata-Rata dan Matriks

Kovariansi Sampel

7. Variansi yang Diperumum

8. Distribusi Normal Multivariat

9. Fungsi Densitas Normal Bivariat

E. Metode Fungsi Pembangkit Momen

F. Distribusi Sampling yang Berhubungan dengan Distribusi Normal

BAB III : T2 HOTELLING

A. Distribusi T2 Hotelling

B. Grafik Pengendali T2 Hotelling

BAB IV : APLIKASI GRAFIK PENGENDALI T 2 HOTELLING

BAB V : KESIMPULAN DAN SARAN

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

BAB II

LANDASAN TEORI

2.1 Grafik Pengendali

Salah satu teknik utama dalam pengendalian statistis adalah grafik

pengendali (control chart). Grafik pengendali adalah teknik pengendali proses

pada jalur yang digunakan secara luas yang biasanya digunakan untuk menduga

parameter suatu proses produksi dan informasi tersebut digunakan untuk

menentukan kemampuan proses.

Gambar 2.1. Grafik pengendali

Bentuk dasar grafik pengendali pada Gambar 2.1 berupa grafik karakteristik

mutu yang telah diukur terhadap nomor atau waktu sampling. Grafik tersebut

memuat garis tengah yang merupakan nilai rata-rata karakteristik mutu, Batas

9
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
10

Pengendali Atas (BPA), dan Batas Pengendali Bawah (BPB). Proses dianggap

terkendali apabila semua titik-titik sampel berada diantara batas pengendali dan

tidak diperlukan tindakan apapun, namun apabila ada satu titik terletak di luar

batas pengendali maka proses tersebut dikatakan tidak terkendali dan diperlukan

tindakan penyidikan dan perbaikan untuk mendapatkan kemudian menyingkirkan

sebab atau sebab dugaan yang menyebabkan proses tersebut tidak terkendali.

Proses juga dikatakan tidak terkendali apabila titik-titik sampel tersebut

berpola secara sistematik atau tak random meskipun semua titik terletak di dalam

batas pengendali. Misalnya apabila 13 dari 15 titik terakhir terletak diantara garis

tengah dan BPA dan hanya dua dari titik-titik ini terletak di antara garis tengah

dan BPB, maka diduga bahwa ada sesuatu yang tidak terkendali. Proses tersebut

terkendali apabila semua titik-titik pada grafik memiliki pola yang pada dasarnya

random. Namun metode melihat pola ini tidak dapat diterapkan sebagai penolong

dalam menyidik keadaan yang tidak terkendali. Biasanya ada alasan mengapa pola

tak random tertentu tampak dalam grafik pengendali.

Buku pedoman Western Electric (1956) mengusulkan sekumpulan aturan

pengambilan keputusan untuk penyidikan pola tak random pada grafik

pengendali. Buku tersebut mengusulkan bahwa proses tak terkendali apabila

memenuhi salah satu dari hal-hal berikut:

1. Satu titik jatuh di luar batas pengendali 3-sigma.

2. Dua dari tiga titik yang berurutan jatuh di luar batas peringatan 2-sigma.
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
11

3. Empat dari lima titik yang berurutan jatuh pada jarak 1-sigma atau lebih jauh

dari garis tengah.

4. Delapan titik yang berurutan jatuh pada satu sisi dari garis tengah.

Aturan-aturan tersebut berlaku pada satu sisi antara garis tengah dan batas

pengendali pada satu waktu. Aturan-aturan ini sangat efektif dalam praktek untuk

mempertinggi kepekaan grafik pengendali. Terdapat juga beberapa kriteria yang

digunakan secara luas dalam praktek, ketika kita memeriksa grafik pengendali dan

menyimpulkan bahwa proses tersebut tidak terkendali apabila dipenuhi salah satu

atau beberapa kriteria dibawah.

1. Satu atau beberapa titik berada di luar batas pengendali.

2. Suatu siklus dengan paling sedikit tujuh atau delapan titik, dengan macam

siklus dapat berbentuk siklus naik atau turun, siklus di atas atau di bawah garis

tengah, atau siklus di atas atau dibawah median.

3. Dua atau tiga titik yang berurutan berada di luar batas peringatan 2-sigma,

tetapi masih di dalam batas pengendali.

4. Empat atau lima titik yang berurutan berada di luar batas 1-sigma.

5. Pola tak biasa atau tak random dalam data.

6. Satu atau beberapa titik berada di dekat satu batas peringatan atau pengendali.

Misalkan w adalah statistik sampel yang mengukur suatu karakteristik mutu,

dan adalah rata-rata w dan standar deviasi w, maka model umum untuk

grafik pengendali adalah

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
12

BPA   w  k w

Garis Tengah   w (2.1)

BPB   w  k w

dengan k adalah “jarak” batas-batas pengendali dari garis tengah yang

dinyatakan dalam unit standar deviasi. Teori ini pertama kali ditemukan oleh Dr.

Walter A. Shewhart, dan grafik pengendali yang dikembangkan menurut asas-asas

ini seringkali dinamakan Grafik Pengendali Shewhart.

Berdasarkan banyaknya karakteristik mutu yang diukur, grafik pengendali

dibedakan menjadi 2 jenis yaitu grafik pengendali univariat dan grafik pengendali

multivariat. Grafik pengendali univariat digunakan jika hanya ada satu

karakteristik mutu yang diukur, sedangkan grafik pengendali multivariat

digunakan untuk mengukur dua atau lebih karakteristik mutu.

Grafik pengendali dapat diklasifikasikan ke dalam dua tipe umum. Apabila

karakteristik mutu dapat diukur dan dinyatakan dalam suatu bilangan, grafik

pengendalinya dinamakan grafik pengendali variabel. Dalam hal seperti itu, tepat

sekali menggambarkan karakteristik mutu dengan ukuran tengah dan ukuran

variabilitas. Grafik pengendali untuk nilai tengah dan variabilitas bersama-sama

dinamakan grafik pengendali variabel. Grafik merupakan grafik yang paling

luas digunakan untuk pengendalian nilai tengah, sedangkan grafik yang

berdasarkan rentang sampel atau standar deviasi sampel digunakan untuk

mengendalikan variabilitas proses. Banyak karakteristik mutu tidak dapat tepat

digambarkan secara numerik. Dalam beberapa kasus, kita biasanya

menggolongkan setiap produk untuk memeriksanya apakah sesuai atau tidak

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
13

dengan spesifikasi karakeristik mutu. Istilah “cacat” atau “tidak cacat” sering

digunakan untuk mengidentifikasi kedua klasifikasi produk tersebut. Kedua istilah

tersebut dapat diklasifikasikan ke dalam variabel khusus yang biner. Grafik untuk

karakteristik mutu seperti ini dinamakan grafik pengendali sifat (atribut).

2.1.1 Grafik Pengendali Variabel

Banyak karakteristik mutu yang dapat dinyatakan dalam suatu bilangan.

Misalnya, diameter ban dapat diukur dengan mikrometer dan dinyatakan dalam

centimeter. Suatu karakteristik mutu yang dapat diukur seperti dimensi, berat, atau

volume, dinamakan variabel.

Apabila yang diukur adalah karakteristik mutu (variabel), maka perlu

mengendalikan nilai rata-rata karakteristik mutu dan variabilitasnya. Pengendalian

rata-rata tingkat mutu biasanya dengan grafik pengendali rata-rata atau grafik .

Variabilitas atau pemencaran proses dapat dikendalikan dengan grafik pengendali

untuk standar deviasi, yaitu grafik S, atau grafik pengendali untuk rentang, yaitu

grafik R.

Sangat penting untuk memelihara pengendalian rata-rata dan variabilitas

proses, Gambar 2.2 menunjukkan hasil suatu proses produksi. Dalam Gambar

2.2(a) rata-rata dan standar deviasi terkendali pada nilai nominalnya ( dan

), karena itu kebanyakan proses jatuh dalam batas spesifikasi. Namun dalam

Gambar 2.2(b) telah bergeser ke nilai , mengakibatkan produk yang

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
14

tidak sesuai lebih tinggi. Dalam Gambar 2.2(c) standar deviasi proses telah

bergeser ke suatu nilai . Hal ini mengakibatkan proses yang tidak

terkendali lebih tinggi, meskipun masih pada nilai nominal.

(a)

(b) (c)

Gambar 2.2 Perlunya mengendalikan rata-rata proses dan variabilitas proses

2.1.2 Grafik Pengendali dan S

Andaikan karakteristik mutu berdistribusi Normal dengan rata-rata dan

standar deviasi yang diketahui. Jika merupakan sampel berukuran

n, maka rata-rata sampelnya adalah

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
15

x1  x 2    x n
X 
n

menurut Dennis D.Wackerly, William Mendenhall III, dan Richard L. Scheaffer

(2008) bahwa X berdistribusi Normal dengan rata-rata dan standar deviasi

. Setiap rata-rata sampel akan berada di antara


  Z  / 2 x    Z  / 2 (2.2a)
n

dan


  Z  / 2 x    Z  / 2 (2.2b)
n

dengan probabilitas 1 .

Dengan demikian, jika dan diketahui, persamaan (2-2a) dan (2-2b) dapat

digunakan sebagai BPA dan BPB pada grafik pengendali rata-rata sampel. Nilai

Z  / 2 diganti dengan 3, sehingga digunakan batas 3-sigma. Jika suatu rata-rata

sampel berada di luar batas ini, maka rata-rata proses tidak lagi sama dengan .

Dalam praktek, biasanya dan tidak diketahui. Oleh karena itu nilai-nilai

tersebut harus diduga dari sampel-sampel pendahuluan yang diambil ketika proses

tersebut diduga terkendali. Dugaan ini harus didasarkan pada paling sedikit 20

sampai 25 sampel. Misalkan tersedia m sampel, masing-masing memuat n

observasi pada karakteristik mutu tersebut dan misalkan adalah rata-

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
16

rata tiap sampel. Maka penduga terbaik untuk rata-rata proses adalah rata-rata

keseluruhan, yaitu

x1  x 2    x m
X  (2.3)
m

Jadi X akan digunakan sebagai garis tengah grafik x itu.

Jika adalah variansi dari distribusi probabilitas yang tidak diketahui,

maka penduga tak bias untuk adalah variansi sampel

 (x  x)
2
i
i 1

2
S
n 1

namun, standar deviasi sampel S bukan penduga tak bias untuk . Jika distribusi

yang melandasi adalah Normal, sebenarnya S menduga c 4 dengan c4 adalah

suatu konstanta yang bergantung pada ukuran sampel n. Selanjutnya menurut

Douglas C. Montgomery, bahwa dalam Pengantar Pengendalian Mutu Statistik

4 ( n  1)
(1990), standar deviasi S adalah  1  c 42 dengan c 4  . Informasi ini
4n  3

dapat digunakan untuk membuat grafik pengendali dan S.

Karena E(S)= c 4 , garis tengah grafik tersebut adalah c 4 . Batas

pengendali 3-sigma bagi S adalah

BPA  c 4   3 1  c4
2

(2.4)
BPB  c 4   3 1  c4
2
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
17

didefinisikan konstanta untuk

B 5  c 4   3 1  c 4
2
(2.5a)

dan

B 6  c 4   3 1  c 4
2
(2.5b)

dengan demikian batas pengendali untuk grafik S menjadi

BPA  B 6 
Garis tengah  c 4  (2.6)
BPB  B 5 

Nilai-nilai c 4 , B 5 , dan B 6 ditabelkan dalam Tabel Lampiran 1 untuk berbagai

himpunan bagian. Parameter grafik x adalah

BPA    A 
Garis tengah   (2.7)
BPB    A 

dengan A = 3 / n .

Jika nilai standar bagi  tidak diberikan, maka diduga dengan data yang

lalu. Andaikan ada m sampel awal masing-masing berukuran n, dan misalkan S i

adalah standar deviasi sampel ke-i. Rata-rata m standar deviasi tersebut adalah

m
1
S 
m
S i
i 1
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
18

Statistik S / c 4 adalah penduga tak bias untuk  . Dengan demikian, parameter

grafik S menjadi

S
BPA  S  3 1  c4
2

c4
Garis tengah  S (2.8)
S
BPB  S  3 1  c4
2

c4

Biasanya didefinisikan konstanta

3
B3  1  1  c4
2
(2.9a)
c4

dan

3
B4  1  1  c4
2
(2.9b)
c4

Dengan demikian parameter grafik S dapat ditulis sebagai

BPA  B 4 S
Garis tengah  S (2.10)
BPB  B 3 S

Perhatikan bahwa B 4  B 6 / c 4 dan B 3  B 5 / c 4 .

Apabila S / c 4 digunakan untuk menduga  , batas pengendali grafik

dapat didefinisikan sebagai

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
19

3S
BPA  x 
c4 n
Garis tengah  x (2.11)
3S
BPB  x 
c4 n

Andaikan konstanta A3  3 /( c 4 n ) . Maka parameter grafik menjadi

BPA  x  A 3 S
Garis tengah  x (2.12)
BPB  x  A 3 S

2.2 Nilai Eigen dan Vektor Eigen

Definisi 2.2.1 (Nilai Eigen dan Vektor Eigen) Andaikan A adalah suatu

matriks yang berukuran . Skalar  disebut sebagai nilai eigen atau nilai

karakteristik dari A jika terdapat suatu vektor taknol x, sehingga Ax =  x . Vektor

x disebut vektor eigen atau vektor karakteristik dari A yang bersesuaian dengan 

Contoh 2.2.1

4  2 2
Andaikan A    dan x   
1 1  1 

Karena

4  2 2  6  2
Ax    
     3    3x
1 1  1  3  1 
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
20

dari persamaan terlihat bahwa   3 adalah nilai eigen dari A dan x  [ 2 ,1 ]'

adalah vektor eigen dari  . Sebarang kelipatan taknol dari x akan menjadi vektor

eigen, karena

A ( x )   A x    x   ( x )

Jadi, sebagai contoh, [4,2]’ juga merupakan vektor eigen dari   3.

4  2   4  12  4
        3 
1 1  2  6  2

Persamaan Ax =  x dapat dituliskan dalam bentuk

 A   I x  0 (2.13)

Jadi  adalah nilai eigen dari A jika hanya jika (2.13) memiliki penyelesaian tak

trivial. Persamaan (2.13) akan memiliki peyelesaian tak trivial jika hanya jika

 A   I  singular atau

det  A   I   0 (2.14)

Jika determinan pada (2.14) diuraikan, akan didapatkan suatu polinom berderajat

ke-n dalam peubah  .

p (  )  det  A   I 

Polinom ini disebut polinom karakteristik dan (2.14) disebut persamaan

karakteristik untuk matriks A. Akar dari polinom karakteristik adalah nilai eigen

dari A.
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
21

Contoh 2.2.2

Carilah nilai-nilai eigen dan vektor eigen yang bersesuaian dari matriks

3 2 
A  
3  2

Persamaan karakteristiknya adalah

3 2
 0 atau     12  0
2

3 2

Nilai-nilai eigen dari A adalah  1  4 dan  2  3 . Untuk mencari vektor eigen

dari  1  4, harus ditentukan kernel (ruang nol) dari A  4I .

 1 2 
A  4I   
 3  6

Dengan menyelesaikan  A  4 I x  0 , didapatkan


x  2 x 2 ,x 2 

Jadi semua kelipatan taknol dari [2,1]’ adalah vektor eigen dari  1 . Dengan cara

yang sama, untuk mendapatkan vektor eigen dari  2 harus diselesaikan

 A  3 I x  0. Vektor eigen dari  2 adalah semua kelipatan taknol dari [-1,3]’.

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
22

2.3 Konsep-Konsep Penting dalam Statistika Univariat

2.3.1 Nilai Harapan Variabel Random

Definisi 2.3.1 Nilai harapan suatu variabel random X didefinisikan oleh

 jika X variabel random kontinu

  x f ( x ) dx
   dengan fungsi densitas f (x)
E(X )   (2.15)
 jika X variabel random diskret
 x p ( x)
  x dengan fungsi probabilit as p ( x )

2.3.2 Variansi Variabel Random

Definisi 2.3.2 Variansi dari suatu variabel random X dengan E(X) = μ adalah

nilai harapan dari  X    . Yaitu

2


Var ( X )  E  X   
2
 (2.16)

2.3.3 Kovariansi Dari Dua Variabel Random

Definisi 2.3.3 Jika X dan Y adalah variabel random dengan distribusi

probabilitas bersama f (x,y), Kovariansi dari X dan Y adalah


Cov ( X , Y )  E  X   x Y   y  (2.17)

dengan  x  E ( X ) dan  y  E (Y ) .
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
23

2.3.4 Independensi Variabel Random

Definisi 2.3.4.1 Independen Secara Statistis Jika probabilitas bersama

P [ X i  x i dan X k  x k ] dapat ditulis sebagai perkalian probabilitas marginal,

sedemikian sehingga

P [ X i  x i dan X k  x k ]  P [ X i  x i ] P [ X k  x k ] (2.18)

Untuk semua nilai pasangan x i , x k , maka X i dan X k dikatakan independen secara

statistis.

Jika X i dan X k adalah variabel random kontinu dengan fungsi densitas

bersama f ik ( x i , x k ) dan densitas marginal f i ( x i ) dan f k ( x k ) , maka

f ik ( x i , x k )  f i ( x i ) f k ( x k ) (2.19)

Untuk semua pasangan ( x i , x k ) .

Definisi 2.3.4.2 Variabel Random Kontinu yang Independen Secara Statistis

Variabel random kontinu X 1 , X 2 ,  , X p dikatakan saling independen secara

statistis jika fungsi densitas bersamanya dapat difaktorkan sebagai

f 12  p ( x 1 , x k ,  , x p )  f 1 ( x 1 ) f 2 ( x 2 k )  f p ( x p ) (2.20)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
24

Untuk semua p -tuple ( x1 , x 2 ,  x p ) .

2.3.5 Sifat-Sifat Nilai Harapan dan Kovariansi Dalam Statistika Univariat

Teorema 2.3.5.1 Andaikan X dan Y adalah variabel random yang independen,

dan c adalah konstanta, maka

1 . E ( X  Y )  E ( X )  E (Y )
2 . E ( XY )  E ( X ) E (Y )
3 . E ( cX )  cE ( X )
4 . Var ( cX )  c Var ( X )
2

Bukti

Jika X dan Y adalah variabel random kontinu, maka

1. E ( X  Y )   ( x  y ) f ( x , y ) dx dy

  xf ( x ) dx   yf ( y ) dy
 E ( X )  E (Y )

2 . E ( XY )   ( xy ) f ( x , y ) dx dy
  x f ( x ) dx  y f ( y ) dy 
 E ( X ) E (Y )

3. E (c X )   ( c x ) dx
 c  ( x ) dx

 c E(X )
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
25

4. 
Var ( cX )  E cx  c  
2


 E ( cx )  ( c  )  2 c x 
2 2 2

 E c  x   2 x 
2 2 2

 E (c ) E x  
2
 2 2
 2 x 

 c E (x   )
2 2

 c Var ( X )
2

Bukti untuk X dan Y adalah variabel random diskret dapat diselesaikan secara

analog.

Teorema 2.3.5.2 Jika X dan Y merupakan variabel random independen, maka

Cov ( X , Y )  0 (2.21)

Bukti:

Cov ( X , Y )  E  X  E ( X ) Y  E (Y ) 
 E  XY  YE ( X )  XE (Y )  E ( X ) E (Y ) 
 E ( XY )  E (Y ) E ( X )  E ( X ) E (Y )  E ( X ) E (Y )
 E ( XY )  E (Y ) E ( X )
 E ( XY )  E ( XY )
 0

Teorema tersebut tidak berlaku sebaliknya, ada situasi dimana Cov ( X , Y )  0

namun X dan Y tidak independen.

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
26

Teorema 2.3.5.3 Kovariansi dari dua variabel random independen X dan Y

dengan E ( X )   x dan E (Y )   y , secara berturut-turut adalah

Cov ( X , Y )  E ( X Y )   x  y . (2.22)

Bukti:


Cov ( X , Y )  E  X   x Y   y  
 E  XY     Y    X      
x y x y

 E  XY   E   Y   E  X     
x y x y

 E  XY    x  y   x  y   x  y
 E  XY    x  y

Teorema 2.3.5.4 (Kovariansi dari Kombinasi Linear Variabel Random) Jika

X dan Y adalah variabel random dan a dan b adalah konstanta, maka

Cov ( X , Y )  ab  12

Dari kombinasi linear aX  bY didapatkan

E ( aX  bY )  a  1  b  2
(2.23)
Var ( aX  bY )  a  11  b   2 ab  12
2 2
22
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
27

Bukti

Cov ( aX , bY )  E ( aX  a  1 )( bY  b  2 )
 abE ( X   1 )( Y   2 )
 abCov ( X , Y )
 ab  12

E ( aX  bY )  aE ( X )  bE (Y )  a  1  b  2

Var ( aX  bY )  E ( aX  bY )  ( a  1  b  2 ) 
2

 E a ( X   1 )  b ( Y   2 ) 
2


 E a ( X   1 )  b (Y   2 )  2 ab ( X   1 )( Y   2 )
2 2 2 2

 a Var ( X )  b Var (Y )  2 abCov ( X , Y )
2 2

 a  11  b   2 ab  12
2 2
22

2.4 Konsep-Konsep Penting dalam Statistika Multivariat

2.4.1 Vektor Random dan Matriks Random

Definisi 2.4.1.1 (Vektor Random) Vektor random adalah vektor yang elemen-

elemennya merupakan variabel random, dan matriks random adalah matriks yang

elemen-elemennya adalah variabel random

Contoh 2.4.1.1 (Vektor dan Matriks Random)

Vektor random X yang elemen-elemennya merupakan p variabel random dapat

ditulis sebagai
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
28

 X1 
 
X2
X   
  
 
 X p 

sedangkan matriks random X yang berukuran p q yang elemen-elemennya

merupakan variabel random dapat ditulis sebagai

 X 11 X 12  X 1q 
 
X 21 X  X 2q
X   
22

     
 
 X p 1 X p2
 X pq 

2.4.2 Vektor Rata-rata dan Matriks Kovariansi

Definisi 2.4.2.1 Rata-rata vektor random X yang berukuran p 1

didefinisikan sebagai

 E ( X 1 )   1 
   
E(X 2) 2
μ  E (X )       (2.24)
     
   
 E ( X p )    p 

Definisi 2.4.2.2 Matriks kovariansi dari dua vektor random X dan Y adalah


Cov ( X , Y )  E ( X  μ x )( Y  μ y )'  (2.25)
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
29

Definisi 2.4.2.3 Andaikan terdapat dua vektor random X dan Y, dengan X=Y

maka Cov(X,X) dapat ditulis sebagai Σ  Cov ( X ) , yang disebut sebagai matriks

dispersi (variansi-kovariansi) dari X.

Σ  E ( X  μ )( X  μ )' 

 E ( X 1  1 )
2
E ( X 1   1 )( X 2   2 )  E ( X 1   1 )( X  p)
p
 
E ( X 2   2 )( X 1   1 ) E(X 2  2) E ( X 2   2 )( X p   p ) 
2

 
     
 
 E ( X p   p )( X 1   1 )   p )( X 2   2 ) E(X p   p )
2
E(X p
 

Atau

  11  12   1p 
 
 21  22   2p
Σ  Cov ( X )    (2.26)
     
 
 p 1  p2
  pp 

Karena  ik  E ( X i   i )( X k   k )   ki , maka

  11  12   1p 
 
 21  22   2p
Σ  E ( X  μ )( X  μ )'    (2.27)
     
 
 p 1  p2
  pp 
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
30

Teorema 2.4.2.1 X dan Y adalah matriks random yang independen dengan

dimensi yang sama, A dan B adalah matriks konstanta yang sesuai. Maka,

1. E (X  Y )  E (X )  E (Y )
.
2. E ( AXB )  A E ( X ) B

Bukti:

1. Jika X dan Y adalah matriks variabel random yang diskret, maka

E ( X  Y )  E ( X ij  Y ij )

   (x  y ) p ij ij ij
( x ij , y ij )

   x p (x )  ij ij ij
y ij p ij ( y ij )

  x p (x )  
ij ij ij
y ij p ij ( y ij )
 E (X )  E (Y )

2. E ( AXB )  A E ( X)B

 n n 
E ( AXB )  E    A ik X k  B  j 
 k 1  1 
n n

  A ik E ( X k  ) B  j
k 1  1

 A E ( X )B

Bukti untuk X dan Y adalah matriks variabel random kontinu dapat dikerjakan

secara analog.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
31

2.4.3 Menyekat Matriks Kovariansi

Sebanyak p buah karakteristik yang termuat dalam vektor random X yang

berukuran p 1 dapat disekat menjadi, misalnya, dua kelompok yang berukuran

q dan p  q

 X1   1 
    
  
   
 Xq   q
  q   μ (1 ) 
 X (1 ) 
     
   
X            dan μ  E ( X )             (2.28)

X    X (2)     μ (2) 

q 1
   
q 1
  
pq
      
 X     
 p   p 

Dengan definisi perkalian dan transpose matriks didapatkan

μ μ
(1 ) (1 ) (2) (2)
(X )( X )'
 X1  1 
 
X2  2
 

 X

 q 1
  q 1, X q2
  q 2,  , X p
p 

 
 X q   q 

 ( X 1   1 )( X q  1   q  1 ) ( X 1   1 )( X q2
  q 2, )  ( X 1   1 )( X p
 p)
 
( X 2   2 )( X q  1   q  1 ) (X   2 )( X   q  2, )  (X   2 )( X  p)
  
2 q2 2 p

     
 
 ( X q   q )( X q  1   q  1 ) (X q
  q )( X q2
  q  2, )  (X q
  q )( X p
  p ) 

Nilai harapan dari matriks ( X  μ )( X  μ )' adalah

(1 ) (1 ) (2) (2)

  1, q 1  1, q  2   1p 
 
 2 , q 1  2 ,q  2   2p
μ  μ )' )     Σ
(1 ) (1 ) (2) (2)
E (( X )( X (2.29)
     
12

 
 q , q  1  q ,q  2   qp 
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
32

Semua kovariansi  ij , i  1, 2 ,  , q , j  q  1, q  2 ,  , p . Matriks Σ 12 tidak selalu

simetris walaupun persegi.

Menyekat matriks dapat dilakukan secara

 ( X (1 )  μ (1 ) ) ( X (1 )  μ (1 ) )' (X
(1 )
μ
(1 )
) (X
(2)
μ
(2)
)' 
( X  μ )( X  μ )'   
( q 1 ) (1 q ) ( q 1 ) (1 ( p  q ))

 ( X ( 2 )  μ ( 2 ) ) ( X (1 )  μ (1 ) )' (X
(2)
μ
(2)
) (X
(2)
μ
(2)
)' 
 (( p  q ) 1 ) (1 q ) (( p  q ) 1 ) (( p  q ) 1 ) 

(2.30)

Akibatnya,

q pq

q  Σ 11 Σ 12 
Σ  E ( X  μ )( X  μ )'   
 Σ 21 Σ 22 
( p p )
pq
( p p )

  11   1q  1, q 1   1p

 
     
  (2.31)
  q1   qq  q , q 1   qp 
 
  
  q  1 ,1   q 1, q  q 1, q 1   q 1, p 
 
     
 
  p1      pp 
 pq p , q 1

Didapatkan Σ 12  Σ 21 , kovariansi matriks X (1) adalah Σ 11 dan X ( 2 ) adalah Σ 22 ,

, maka Cov ( X , X )  Σ 12
(1 ) (2)
elemen-elemen X
(1 )
dan X
(2)
adalah Σ 12 atau Σ 21

adalah matriks dengan elemen semua kovariansi antara X

(1 )
dan X
(2)
.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
33

2..4.4 Vektor Rata-Rata dan Matriks Kovariansi untuk Kombinasi Linear

Variabel random

Diketahui c'  [ a , b ], aX 1
 bX 2
dapat ditulis sebagai berikut

X1
a b    c' X
X 2

Jika E ( aX 1
 bX 2 )  a  1  b  2 , maka

 1 
a b     c' μ
 2 

  12 
Apabila Σ   11  dijadikan matriks variansi-kovariansi dari X , maka
 21  22 

persamaannya menjadi

Var ( aX 1
 bX 2 )  Var ( c' X )  c' Σc (2.32)

Karena

  11  12   a 
c' Σc  [ a     a  11  2 ab  12  b  22 .
2 2
b] 
 21  22  b 

Hasil diatas dapat diperluas ke dalam kombinasi linear dari p variabel random.
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
34

Teorema 2.4.4.1 Kombinasi linear c' X  c 1 X 1    c p 1 X 1 p mempunyai

Rata  Rata  E ( c' X )  c' μ

(2.33)
Variansi  Var ( c' X )  c' Σc

Dengan μ  E ( X ) dan Σ  Cov ( X ) .

Bukti:

E ( c' X )  E ( c1 X 1    c p X p )
 c1 E ( X 1 )    c p E ( X p )
 c1  1    c p  p

 1 
 

 c1  c p   
 p 
 
 c μ

Var ( c' X )  Var ( c 1 X 1    c p X p )

 Var ( c 1 X 1 )    Var ( c p X p )

 c 1 Var ( X 1 )    c p Var ( X p )
2 2

 c 1 c 1 1     c p c p  p

 c 1 1 c 1    c p  p
c p

 c1 
 

 c1 1     c p  p     
c p 
 
 1   c1 
   

 c1  c p       
 p  c p 
   
 c' Σc
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
35

Secara umum, q kombinasi linear dari p variabel random adalah:

Z 1  c 11 X 1  c 12 X 2   c 1 p X p

Z 2  c 21 X 1  c 22 X 2   c 2 p X p


Z q  c q 1 X 1  c q 2 X 2   c qp X p

Atau

 Z 1   c 11 c 12  c1 p   X1 
     
Z2 c 21 c 22  c2 p X
Z        2   CX (2.34)
           
     
 Z q   c p 1 c p2  c pp   X p 
( q 1 ) ( p 1 )

Definisi 2.4.4.1 Kombinasi linear Z  CX mempunyai persamaan

μ z  E ( Z )  E ( CX )  C μ x
(2.35)
Σ z  Cov ( Z )  Cov ( CX )  C Σ X C'

μx merupakan vektor rata-rata dan Σx adalah matriks variansi –kovariansi X .

Contoh 2.4.4.1 (Rata-rata dan kovariansi kombinasi linear)

Diberikan vektor random X '  X 1 , X 2

 dengan vektor rata-rata μ ' x   1 ,  2  dan

  12 
matriks variansi-kovariansi Σ x   11  . Tentukan vektor rata-rata dan
  21
 22 

matriks kovariansi untuk kombinasi linear

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
36

Z1  X 1  X 2
Z2  X1  X 2

atau

 Z 1  1  1  X1
Z      CX
 Z 2  1 1  X 2

1  1  1   1   2 
μ z  E ( Z )  E ( CX )  C μ x      
1 1    2   1   2 

1  1   11  12   1 1
Σ z  Cov ( Z )  Cov ( CX )  C Σ X C'       
1 1   21  22    1 1

 11  2 12   22  11   22 
  
  11   22  11  2 12   22 

Perhatikan bahwa jika  11   22 , yaitu, jika X1 dan X 2

mempunyai variansi yang

sama, bentuk off-diagonal di Σz hilang. Hal ini menunjukkan bahwa hasilnya

diketahui dengan baik bahwa penjumlahan dari dua variabel random dengan

variansi yang sama tidak berkorelasi.

2.4.5 Menyekat Vektor Rata-Rata Sampel dan Matriks Kovariansi Sampel

Andaikan x '  x 1 , x 2 ,  , x p  merupakan vektor rata-rata sampel dari n

observasi dalam p variabel X 1 , X 2 ,  , X p dan

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
37

 s 11  s1 p 
 
Sn      
 s1 p  s pp 

 1 n
1 n
 .
 ( x j1  x 1 )  (x  x 1 )( x jp  x p ) 
2
  j1
n n
 j 1 j 1

     
n n
1 1 
 ( x j 1  x 1 )( x jp  x p )  (x  xp)
2

n n
jp

j 1 j 1
 

Vektor rata-rata sampel dan matriks kovariansi dapat disekat untuk melihat

dengan jelas jumlah yang sesuai dengan grup variabel. Maka,

 x1 
 

 
 x q   x (1 ) 
x      (2)  (2.36)
( p 1 )
 x q 1   x 
  
 
 x p 

dan

 s 11  s1q s 1, q 1  s1 p 
 
     
 
 s q1  s qq s q , q 1  s qp 
 
S n
  
( p p )
 s q  1 ,1  s q 1, q s q 1, q 1  s q 1, p 
 
     
 
 s p1  s pq s p , q 1  s pp 


q pq

p  S 11 S 12 
   (2.37)
pq  S 21 S 22 
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
38

(1 )
x dan x ( 2 ) adalah vektor rata-rata sampel yang diperoleh dari pengamatan

x
(1 )

 x1 ,  , x q   dan x
(2)

 x q 1 ,  , x p . Secara berturut-turut S 11 adalah

matriks kovariansi sampel dari pengamatan x (1) , S 22 adalah matriks kovariansi

sampel dari pengamatan x ( 2 ) , dan S 12  S 21 adalah matriks kovariansi sampel

untuk elemen x (1) dan x ( 2 ) .

2.4.6 Sampel Random dan Nilai Harapan dari Rata-Rata dan Matriks

Kovariansi Sampel

Dalam rangka mempelajari statistik variabilitas sampling seperti X dan Sn

dengan tujuan utama membuat kesimpulan, perlu membuat asumsi tentang

variabel dengan nilai-nilai yang diamati merupakan kumpulan data X.

Andaikan data X belum diamati tetapi akan dikumpulkan sebanyak n

himpunan dari pendugaan p variabel. Sebelum dilakukan pendugaan, secara

umum nilai dugaannya tidak dapat diprediksi secara tepat, akibatnya dianggap

sebagai variabel random. Entri ke- ( j , k ) dalam matriks merupakan variabel

random X jk . Tiap himpunan pendugaan X j dalam p variabel merupakan suatu

vektor random, dan matriks randomnya adalah

 X 11 X 12  X 1 p   X 1 
   
X 21 X  X 2p X
X      2
22
(2.38)
( n p )         
   
 X n 1 X n2
 X np   X n 
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
39

sekarang sampel random dapat didefinisikan.

Jika vektor baris X 1 , X 2 ,  , X n merupakan pengamatan independen dari

distribusi bersama yang sama dengan fungsi densitas f ( x )  f ( x 1 , x 2 ,  , x p ) ,

maka X 1 , X 2 ,  , X n merupakan suatu bentuk sampel random dari f (x ) . Secara

matematis, X 1 , X 2 ,  , X n merupakan bentuk suatu sampel random jika fungsi

densitas bersamanya diberikan oleh hasil perkalian f ( x 1 ) f ( x 2 )  f ( x n ) , dengan

f ( x j )  f ( x j 1 , x j 2 ,  , x jp ) adalah fungsi densitas untuk vektor baris ke- j .

Akibat 2.4.6.1 Sifat X Andaikan X 1 , X 2 ,  , X n sampel random dari distribusi

bersama dengan vektor rata-rata μ dan matriks kovariansi Σ , maka X adalah

suatu penduga tak bias dari μ dan matriks kovariansinya

1
Σ
n

sehingga,

E (X )  μ
(vektor rata - rata populasi)
1 (2.39)
Cov ( X )  Σ (matriks variansi - kovariansi populasi dibagi ukuran sampel)
n

Untuk matriks kovariansi S n ,

n 1 1
E (S n )  Σ  Σ Σ
n n
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
40

Maka,

 n 
E Sn   Σ (2.40)
 n 1 

 n 
Jadi  S n  merupakan penduga tak bias dari .
 n 1 

Bukti:

X  (X 1  X 2 ,  X n ) / n , dengan sifat nilai harapan maka

1 1 1 
E (X )  E  X1  X 2    X n 
n n n 
1  1  1 
 E X1   E X 2     E X n 
n  n  n 
1 1 1
 E (X 1 )  E (X 2 )    E (X n )
n n n
1 1 1
 μ μ   μ
n n n
μ

Selanjutnya,


1 n
1 n

( X  μ )( X  μ )'  
n  (X j
 μ) 
 n  (X   μ) 
 j 1   1 
n n
1

n
2   (X j
 μ ) (X   μ )
j 1  1

 1  n n 
Cov ( X )  E ( X  μ ) ( X  μ )'  2    ( X j  μ ) ( X   μ )  
n  j 1  1 

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
41

Dengan j   dan tiap entri di ( X j  μ ) ( X   μ )  sama dengan nol karena

entrinya adalah kovariansi antara satu komponen di X j dan satu komponen di X 

, dan independen. Maka dari itu,

1  n n 
Cov ( X )  2    ( X j  μ ) ( X   μ )  
n  j 1  1 


Karena Σ  ( X j  μ ) ( X   μ )  adalah populasi kovariansi yang sama untuk tiap

X j , maka

1  n n  1
2  
Cov ( X )   (X j  μ ) (X   μ )   2 (Σ  Σ    Σ )
n  j 1  1      
 n sebany ak n

1 1
 2
(n Σ )    Σ
n n

Untuk memperoleh nilai harapan Sn , pertama ingat bahwa

(X ji
 X i) (X jk
 X k ) adalah elemen ke- ( i , k ) dari ( X j  X ) (X j  X )  .

Matriksnya menunjukkan penjumlahan kuadrat dan perkalian silang dan dapat

dituliskan sebagai

n n
 n 
 (X j
 X ) (X j
 X )   (X j
 X ) X j    ( X
 j
 X )  ( X )

j 1 j 1  j 1 
n

 X j
X j  n X X 
j 1

n n

Karena  ( X j  X )  0 dan n X    X j , nilai harapannya adalah

j 1 j 1
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
42

 n  n

E   X j X j  n X X   
   E X j
X j   n E ( X X )
 j 1  j 1

Untuk sebarang vektor random V dengan E ( V )  μ V dan Cov ( V )  Σ V ,

didapatkan E ( V V )  Σ V  μ V μ V , akibatnya

E X j X j   Σ  μ μ 
1
dan E ( X X )  Σ  μ μ
n

Hasilnya,

1 
n

 E X j
X j   n E ( X X  )  n Σ  n μ μ   n  Σ  μ μ    ( n  1) Σ
j 1 n 

1 n 
Dan karena S n    E X j X j   n E ( X X )  , menunjukkan bahwa
n  j 1 


 n 
E (S n )  E  Sn  Σ
n 1 

Definisi 2.4.6.1 Matriks Variansi Sampel-Kovariansi (Tak Bias) adalah

n
1
S 
n 1
 (X j
 X) (X j
 X ) (2.41)
j 1

S memiliki entri ke- ( j , k ) ( n  1) 1  ( X ji

 X i)(X jk
 Xk).
j 1
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
43

2.4.7 Variansi yang Diperumum

Variansi sampel sering digunakan untuk menggambarkan besarnya variansi

dalam pendugaan suatu variabel tunggal. Ketika p variabel diamati dalam tiap

unit, variansi digambarkan oleh matriks variansi-kovariansi

 s 11 s 12  s1 p 
 
s 21 s 22  s2 p 1 n

S    dengan s ik   (x  x i )( x jk  x k )
      n 1 j 1
ji

 
 s 1 p s2 p  s pp 

Variansi yang diperumum dapat diintepretasikan dalam ruang sebaran data

berdimensi-p. Interpretasi yang paling intuitif memperhatikan penyebaran titik

rata-rata sampel. Bentuk penyebarannya didasari oleh titik rata-rata sampel


x   x1 , x 2 ,  , x p . Andaikan jarak kuadrat dari titik x   x 1 , x 2 ,  x p  ke titik

asal diberikan oleh x Ax dengan A adalah matriks definit positif dan simetris

yang berukuran ( p  p) . Maka jarak kuadrat dari x ke titik tetap


μ    1 ,  2 ,  p  diberikan oleh bentuk umum ( x  μ ) A ( x  μ ) . Pertimbangkan

ukuran jarak yang diberikan dalam pernyataan di atas. Andaikan x menggantikan

1
titik tetap μ dan S menggantikan A. Maka jarak untuk suatu konstanta c,


x   x1 , x 2 ,  x p  dari x memenuhi

1
( x  x ) S ( x  x )  c
2
(2.42)

1
Bila p  1, ( x  x ) S ( x  x )  ( x 1  x 1 ) / s 11 adalah jarak kuadrat dari
2
x1 ke x

dalam satuan standar deviasi.

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
44

2.4.8 Distribusi Normal Multivariat

Fungsi densitas Normal multivariat adalah generalisasi dari fungsi densitas

Normal univariat ke dimensi p > 2. Distribusi Normal univariat dengan rata-rata

 dan variansi  2
memiliki fungsi densitas

1  ( x   ) /  2 / 2
f ( x)  e   x (2.43)
2 
2

Gambar 2.3 Fungsi densitas Normal dengan rata-rata  dan variansi  2

dan

daerah-daerah yang di pilih dibawah kurva

Gambar tersebut merupakan pendekatan luas daerah dibawah kurva dengan

standar deviasi ±1 dan ±2 dari rata-rata. Luas daerah tersebut menunjukkan

probabilitas untuk variabel random Normal X.

P (     X     )  0 . 68
P (   2  X    2 )  0 ,95

Selanjutnya fungsi densitas Normal dengan rata-rata  dan variansi  2

akan

ditulis N ( , ) .

Istilah
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
45

2
x
   x     x   
2 1
 (2.44)
  

dalam eksponen fungsi densitas Normal univariat mengukur jarak kuadrat dari x

ke  dalam satuan standar deviasi. Hal ini dapat diperumum untuk suatu vektor

pengamatan x berukuran p 1 dalam beberapa variabel sebagai

x  μ  Σ  1 x  μ  (2.45)

Vektor μ yang berukuran p 1 menunjukkan nilai harapan vektor random X,

dan matriks Σ yang berukuran p p merupakan matriks variansi-kovariansi.

Diasumsikan matriks simetris Σ adalah matriks definit positif, jadi (2.45) adalah

jarak kuadrat yang diperumum dari x ke μ .

Fungsi densitas Normal multivariat diperoleh dengan mensubtitusikan jarak

univariat dalam (2.44) dengan jarak multivariat yang diperumum dari (2.45)

dalam fungsi densitas (2.43). Jika sudah disubtitusi, konstanta Normal univariat

1 / 2 1 / 2
( 2 ) ( )
2
harus disubtitusi ke konstanta yang lebih umum yang dapat

membuat volume dibawah permukaan fungsi densitas multivariat bernilai satu

untuk setiap p. Konstanta pengganti tersebut adalah 2 

p/2 1/ 2
Σ .

Definisi 2.4.8.1 Andaikan x   ( x1 , x 2 ,  , x p ) merupakan vektor random

berdimensi p, x dikatakan berdistribusi Normal multivariat jika fungsi densitasnya

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
46

1  1
x μ  Σ x μ  / 2
f (x)  e (2.46)
2  p / 2
1/ 2
Σ

dengan    x i   , i  1, 2 ,  , p dan Σ adalah matriks definit positif, ditulis

N p ( μ, Σ ) .

Secara khusus, skripsi ini berkaitan dengan distribusi Normal Bivariat

yaitu p = 2.

2.4.9 Fungsi Densitas Normal Bivariat


Himpunan semua x sedemikian sehingga x  μ  Σ  1 x  μ   c 2 merupakan

permukaan elipsoid yang berpusat di μ .

Sumbu setiap elipsoid dari fungsi densitas bersesuaian dengan vektor eigen

1
Σ dan panjangnya proporsional dengan akar kuadrat dari kebalikan nilai eigen
1
Σ . Perhitungan Σ 1 dapat dihindari ketika menentukan sumbu elipsoid, karena

elipsoid dapat ditentukan oleh nilai eigen dan vektor eigen Σ .

Akibat 2.4.9.1 Jika Σ adalah matriks definit positif sehingga Σ 1 ada, maka

1
Σe   e mengakibatkan Σ  1 e   e
 
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
47

jadi (  , e ) adalah pasangan nilai dan vektor eigen untuk Σ yang bersesuaian

dengan pasangan (1 /  , e ) untuk Σ 1 . Jadi Σ 1 adalah matriks definit positif.

Bukti

Untuk matriks definit positif Σ dan e ≠ 0 adalah vektor eigen, terdapat

1 1
0  e ' Σe  e ' ( Σe )  e ' (  e )   ee '   . Selain itu, e  Σ ( Σe )  Σ (  e ) atau

1
e  Σ
1
e dan pembagian oleh   0 diberikan oleh Σ e  (1 /  ) e . Maka

(1 /  ) e adalah pasangan nilai dan vektor eigen untuk Σ 1 . Untuk setiap x yang

berukuran ,

 p  1  
xΣ x  x '    e i e i  x
1

   
 i 1  i  
p
 1 
    x ' e 
2
 i
 0
i 1  i 

 1 
karena setiap bentuk   x ' e i  tidak negatif, dan x ' e i  0 untuk semua i jika
2

 i 

p
1  
    x ' e 
1
hanya jika x = 0. Jadi x ≠ 0 mengakibatkan
2
i
 0 dan Σ adalah
i 1  i 

matriks definit positif.

Definisi 2.4.9.1 Peta fungsi densitas konstanta distribusi Normal berdimensi p

adalah elips yang di definisikan oleh x sehingga

x  μ  Σ  1 x  μ   c 2 (2.47)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
48

Dengan pusat μ dan panjang sumbu utama  c i e i , dengan

Σe i   i e i i  1, 2 ,  , p

Sub bab 2.5 sampai dengan sub bab 2.6 dibahas untuk memberikan landasan

teori bagi pokok bahasan T2 Hotelling yang ada dalam BAB III.

2.5 Metode Fungsi Pembangkit Momen

Metode fungsi pembangkit momen digunakan untuk mencari distribusi

probabilitas dari suatu fungsi variabel random Y1 , Y 2 ,  , Y n yang didasari oleh

teorema berikut.

Teorema 2.5.1 (Teorema Ketunggalan)

Andaikan m X (t ) dan m Y (t ) secara berturut-turut merupakan fungsi pembangkit

momen dari variabel random X dan Y. Jika kedua fungsi pembangkit momen ada

dan m X (t )  m Y (t ) untuk semua nilai t, maka X dan Y mempunyai distribusi

probabilitas yang sama.

Jika U merupakan fungsi dari n variabel random, Y1 , Y 2 ,  , Y n , langkah

pertama menggunakan Teorema 2.5.1 adalah adalah mencari fungsi pembangkit

momen dari U:
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
49

m U (t )  E ( e
tU
). (2.48)

Jika fungsi pembangkit momen untuk U sudah ditemukan, bandingkan

dengan fungsi pembangkit momen untuk variabel random dengan distribusi yang

sudah diketahui dengan baik (well-known distributions). Jika m U (t ) sama dengan

salah satunya, katakanlah fungsi pembangkit momen untuk variabel random V.

Dengan menggunakan Teorema 2.5.1, U dan V memiliki distribusi probabilitas

yang sama. Bukti untuk teorema ini dapat ditemukan di Hongki Julie (1999).

Fungsi densitas, rata-rata, variansi, dan fungsi pembangkit momen untuk beberapa

variabel random yang seringkali ditemui dan ditunjukkan pada Lampiran 2.

Contoh 2.5.1

Andaikan Z variabel random yang berdistribusi Normal dengan rata-rata = 0

dan variansi = 1. Gunakan metode fungsi pembangkit momen untuk mencari

distribusi probabilitas Z2.

Fungsi pembangkit momen untuk Z2 adalah

  2
z /2
2 2 2 e
m z 2 (t )  E ( e ) e f ( z ) dz  e
tZ tZ tZ
dz
  2

1 2
 ( z / 2 ) (1  2 t )
  2
e dz


Integral tersebut dapat dievaluasi baik dengan tabel integral atau dengan mencatat

bahwa, jika 1 – 2t > 0 (ekivalen dengan t < ½), integran

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
50

  z2     z2  
exp     (1  2 t )  exp     (1  2 t ) 1 
 
  2     2  

2 2

sebanding dengan fungsi densitas variabel random berdistribusi Normal dengan

rata-rata 0 dan variansi (1 – 2t)-1. Untuk membuat integran suatu fungsi densitas

Normal (integral definit = 1), kalikan numerator dan denumerator dengan standar

1 / 2
deviasi, (1  2 t ) . Maka


1 1  z 2
 1

m z 2 (t ) 
(1  2 t )
1/ 2  2  (1  2 t )
1 / 2
exp    
 (1  2 t )  dz .
   2  

Karena integralnya sama dengan 1, jika t < ½,

1 1 / 2
m z 2 (t )   (1  2 t )
(1  2 t )
1/ 2

Perbandingan m z ( t ) dengan fungsi pembangkit momen dalam Lampiran 2

2

menunjukkan bahwa m z ( t ) sama dengan fungsi pembangkit momen untuk

2

variabel random berdistribusi gamma dengan   1 / 2 dan   2 . Dengan

demikian Z2 berdistribusi  dengan derajat bebas 1.

2

Teorema 2.5.2 Andaikan Y1 , Y 2 ,  , Y n merupakan variabel random yang

independen dengan fungsi pembangkit momen secara berturut-turut

m Y1 ( t ), m Y 2 ( t ),  , m Y n ( t ) . Jika U  Y1  Y 2    Y n , maka
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
51

m U ( t )  m Y1 ( t )  m Y 2 ( t )    m Y n ( t ) . (2.49)

Bukti

Karena Variabel random Y1 , Y 2 ,  , Y n independen, maka

m U (t )  E e  t ( Y1    Y n )
  (e tY 1
e
tY 2
e
tY n
)

 E (e 1 )  E (e )    E (e
tY tY 2 tY n
).

Dengan menggunakan definisi fungsi pembangkit momen,

m U ( t )  m Y1 ( t )  m Y 2 ( t )    m Y n ( t )

Teorema 2.5.3 Andaikan Y1 , Y 2 ,  , Y n merupakan variabel random independen

yang berdistribusi Normal dengan E (Y i )   i dan V (Y i )   2 , untuk i  1, 2 ,  , n ,

dan andaikan a 1 , a 2 ,  , a n adalah konstanta. Jika

U  aY i i
 a 1 Y1  a 2 Y 2    a n Y n , (2.50)
i 1

maka U adalah variabel random berdistribusi Normal dengan

E (U )  a i
 i  a1  1  a 2  2    a n  n
i 1

dan
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
52

V (U )  a  i  a1  1  a 2  2    a n  n .
2 2 2 2 2 2 2 2
i
i 1

Bukti

Karena Yi berdistribusi Normal dengan rata-rata  i dan variansi  i2 , Yi memiliki

fungsi pembangkit momen yang diberikan oleh

 i t
2 2

m Yi ( t )  exp   i t  .
 2 
 

Jadi fungsi pembangkit momen a i Y i diberikan oleh

  t
2 2

m a i Yi ( t )  E ( e )  m Yi ( a i t )  exp   i a i t  i .
ta i Yi
 2 
 

Karena variabel random Yi independen, variabel random a i Y i juga independen,

untuk i  1, 2 ,  , n , Teorema 2.5.2 mengakibatkan

m U ( t )  m a1Y1 ( t )  m a 2 Y 2 ( t )    m a n Y n ( t )

 a1  1 t
2 2 2
  a n 1 n t
2 2 2

 exp   1 a 1 t      exp   n ant  
2   2 
   
 n t
2 n

 exp  t  a i  i  a  i 
2 2
i
 i 1 2 i 1 

yang merupakan fungsi pembangkit momen dari distribusi Normal dengan

n n

U   ai  i dan Var (U )  a i
2 2
i
i 1 i 1
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
53

Jadi, berdasarkan teorema ketunggalan U berdistribusi Normal dengan rata-rata

n n

 a  dan variansi  a i .
2 2
i i i
i 1 i 1

2.6 Distribusi Sampling yang Berhubungan dengan Distribusi Normal

Teorema 2.6.1 Andaikan Y1 , Y 2 ,  , Y n merupakan sampel random berukuran n

dari distribusi Normal dengan rata-rata  dan variansi  2 . Maka

n
1
Y 
n
Y i
(2.50)
i 1

Berdistribusi Normal dengan rata-rata  Y   dan variansi  Y2   2 / n .

Bukti

Karena Y1 , Y 2 ,  , Y n merupakan sampel random dari suatu distribusi Normal

dengan rata-rata  dan variansi  2 , Y i , i  1, 2 ,  , n , adalah independen,

berdistribusi Normal, dengan E (Y i )   dan V (Y i )   2 . Selanjutnya,

n
1 1 1 1
Y 
n
Y i

n
( Y1 ) 
n
(Y 2 )   
n
(Y n )
i 1

 a 1 Y1  a 2 Y 2    a n Y n dengan a i  1 / n , i  1, 2 ,  , n .
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
54

Y adalah kombinasi linear dari Y1 , Y 2 ,  , Y n , dan Teorema 2.13.3 dapat

diaplikasikan untuk menyimpulkan bahwa Y berdistribusi Normal dengan

1 1  1 1
E ( Y )  E  ( Y1 )    ( Y n )   (  )    (  )  
n n  n n

dan


2
1 1  1 1 1
V (Y )  V  (Y1 )    (Y n )   2 ( )    2 ( )  2 ( n  ) 
2 2 2
.
n n  n n n n

Oleh karena itu, distribusi sampling Y adalah Normal dengan dengan rata-rata

 Y   dan variansi  Y2   2 / n .

Distribusi  memainkan peranan penting dalam banyak langkah-langkah

2

penarikan kesimpulan. Sebagai contoh, andaikan akan dibuat suatu penarikan

kesimpulan tentang variansi populasi  2

yang didasari sampel random

Y1 , Y 2 ,  , Y n dari populasi yang berdistribusi Normal. Penduga baik dari  2

adalah variansi sampel

n 2

 Y 
1
 Y
2
S i . (2.52)
n 1 i 1

Teorema 2.6.2 Andaikan Y1 , Y 2 ,  , Y n merupakan sampel random berdistribusi

Normal dengan rata-rata  dan variansi  2 . Maka

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
55

2
( n  1) S
2 n

 Y 
1
 i
Y (2.53)
 
2 2
i 1

berdistribusi  2 dengan derajat bebas (n – 1). Y dan S2 variabel random yang

independen.

Bukti

Bukti berikut digunakan untuk mengantarkan generalisasi dari distribusi t

(univariat) ke T2 Hotelling (multivariat). Diasumsikan n = 2 dan akan ditunjukkan

( n  1) S
2

berdistribusi  dengan derajat bebas 1. Dalam kasus n = 2,

2
bahwa

2

1
Y  (Y1  Y 2 ) ,
2

Maka

2 2

 Y 
1
 Y
2
S i
2 1 i 1

 Y1  Y   Y 2  Y 
2 2

2 2
 1   1 
  Y1  (Y1  Y 2 )    Y 2  (Y1  Y 2 ) 
 2   2 
2 2
1   1 
  (Y1  Y 2 )     (Y1  Y 2 ) 
2   2 
2
1 
 2  (Y1  Y 2 ) 
2 
(Y1  Y 2 )
2


2

sehingga,
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
56

2
( n  1) S
2
(Y1  Y 2 )
2
 Y  Y2 
   1  .

2
2
2  
 2
2


Akan ditunjukkan jumlah tersebut sama dengan kuadrat variabel random

Normal standar, yaitu Z2 yang berdistribusi  2 dengan derajat bebas 1.

Karena Y1  Y 2 adalah kombinasi linear dari variabel random yang

independen, maka variabel random berdistribusi Normal

(Y1  Y 2  a 1Y1  a 2 Y 2 dengan a 1  1 dan a 2   1) , Teorema 6.3 mengatakan

bahwa Y1  Y 2 berdistribusi Normal dengan rata-rata 1  1  0 dan variansi

(1 )   (  1)   2 . Oleh karena itu,

2 2 2 2 2

Y1  Y 2
Z 
2
2

berdistribusi Normal standar. Karena untuk n = 2

2
( n  1) S
2
 Y  Y2 
 1   Z
2
 
,

2
 2
2


( n  1) S
2

berdistribusi 
2
Hal ini menunjukkan bahwa menurut Contoh 2.13.1

2

dengan derajat bebas 1.

Y1  Y 2 Y1  Y 2
Karena U 1  dan U 2  adalah variabel random yang
 

independen. Karena n = 2,
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
57

(Y1  Y 2 )  U1 ( Y1  Y 2 ) ( U 2 )
2 2

Y   dan S 2   .
2 2 2 2

Karena Y merupakan fungsi dari U1 dan S

2
merupakan fungsi dari U 2
,

independensi U1 dan U 2
mengakibatkan independesi dari Y dan S
2
. Terbukti

bahwa Y dan S
2
variabel random yang independen.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

BAB III

T2 HOTELLING

3.1 Distribusi T2 Hotelling

Definisi 3.1.1 (Menurut Dennis D.Wackerly, William Mendenhall III, dan

Richard L. Scheaffer)

Andaikan Z merupakan variabel random yang berdistribusi Normal Standar dan

andaikan W merupakan variabel random yang berdistribusi  2 dengan derajat

bebas v. Kemudian jika Z dan W independen, maka

Z
T  (3.1)
W /v

dikatakan berdistribusi t dengan derajat bebas v.

Jika Y1 , Y 2 ,  , Y n merupakan sampel random dari populasi Normal dengan

rata-rata  dan variansi  2 , Teorema 2.6.1 dapat diaplikasikan untuk

menunjukkan Z  n Y    /  berdistribusi Normal Standar. Teorema 2.6.2

mengatakan bahwa W  ( n  1) S 2 /  2
berdistribusi  2 dengan derajat bebas v =

n – 1, Z dan W independen ( karena Y dan S2 independen ). Oleh karena itu

dengan Definisi 3.1.1,

Z n (Y   ) /  Y   
T    n   (3.2)
W /v ( n  1) S 2
/
2
 /( n  1)  S 

58
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
59

berdistrinbusi t dengan derajat bebas (n – 1).

Jarak kuadrat persamaan diatas adalah

2
  Y   
   n Y   ( S ) Y   
2 1
 n 
2
T
 
(3.3)
  S 

Generalisasi dari statistik di atas dalam notasi matriks disebut statistik T 2

Hotelling yang berbentuk

 n Y  μ (S) Y  μ  .
2 1
T (3.4)

( n  1) p
Statistik T2 berdistribusi F p ,n  p dengan F p , n  p menunjukkan variabel
(n  p )

random berdistribusi F dengan p karakteristik dan derajat bebas n – p.

3.2 Daerah Kepercayaan Elips

Andaikan  adalah vektor dari parameter populasi yang tidak diketahui

dan  adalah himpunan semua kemungkinan nilai-nilai  . Daerah kepercayaan

adalah daerah kemungkinan nilai-nilai  . Daerah ini ditentukan oleh data dan

didenotasikan dengan R ( X ) ,dengan X  X 1 , X 2 ,  , X n  adalah matriks data.

Daerah R ( X ) dikatakan memiliki daerah kepercayaan 100 (1   )% jika

sebelum sampel dipilih,

P R (X ) akan memenuhi   1 (3.5)

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
60

Probabilitas ini dihitung berdasarkan kebenaran, tetapi nilai  tidak diketahui.

Daerah kepercayaan untuk rata-rata μ dari populasi Normal berdimensi p

adalah

  1 ( n  1) 
P  n X  μ  S X  μ   F p , n  p ( )   
 (n  p ) 

Sebelum sampel dipilih,

  1 ( n  1) 
P  n X  μ  S X  μ   F p , n  p ( )   1  
 (n  p ) 

berapapun nilai nilai μ dan Σ yang tidak diketahui. Dengan kata lain, X tidak

akan lebih dari

1/ 2
 ( n  1) p 
 F p , n  p ( ) 
 (n  p ) 

dari μ , dengan probabiitas 1   , jarak yang diberikan didefinisikan dalam bentuk

S / n   1 . Untuk suatu sampel khusus, x dan S dapat dihitung dan ketaksamaannya

 1 ( n  1) p
n X  μ  S X  μ   F p , n  p ( )
(n  p )

akan mendefinisikan suatu daerah R ( X ) dengan ruang dari semua kemungkinan

nilai parameter. Dalam kasus seperti ini, daerahnya adalah suatu elips dengan

pusat x . Elips ini merupakan daerah kepercayaan 100 (1   )% untuk μ .

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
61

Definisi 3.2.1 Suatu daerah kepercayaan 100 (1   )% untuk rata-rata distribusi

Normal berdimensi p didefinisikan untuk semua μ adalah

 1 p ( n  1)
n X  μ  S X  μ   F p , n  p ( ) (3.6)
(n  p )


n n

 x  x x j  x 
1 1
dengan x 
n
 xj , S 
( n  1)
j
dan x 1 , x 2 ,  , x n adalah
j 1 j 1

sampel pengamatan.

Untuk menentukan apakah sebarang μ 0 berada di dalam daerah

kepercayaan (nilai c yang masuk akal), perlu menghitung jarak kuadrat yang

  p ( n  1) 
diperumum n  x  μ 0  S 1  x  μ 0  dan dibandingkan dengan   F p , n  p ( ) .
 (n  p ) 

 p ( n  1) 
Jika jarak kuadrat lebih besar daripada   F p , n  p ( ) , maka μ 0 tidak
 (n  p ) 

berada di dalam daerah kepercayaan.

Sumbu dan panjang daerah kepercayaan elips dapat ditentukan dari nilai

eigen  i dan vektor eigen e i dari S. Pada (2.47), arah dan panjang sumbu dari

 1 p ( n  1)
n x  μ  S x  μ   c  F p , n  p ( )
2

(n  p )

ditentukan oleh

i c p ( n  1)
 i F p , n  p ( )
n n(n  p )
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
62

yang berada di sepanjang vektor eigen e i . Dimulai pada pusat x , sumbu daerah

kepercayaan elips adalah

p ( n  1)
 i F p , n  p ( ) e i dimana Se i   i e i , i  1, 2 ,  , p (3.7)
n(n  p )

Contoh 3.2.1

Suatu perusahaan yang memproduksi microwave akan memantau banyaknya

pemencaran radiasi ketika pintu microwave terbuka dan tertutup. Diambil sampel

dari masing-masing karakteristik mutu sebanyak n = 42, kemudian diuji apakah

μ   0 . 562 , 0 ,589  berada di dalam selang kepercayaan dengan   0 . 05 .

No Terbuka Tertutup No Terbuka Tertutup

1 0,15 0,30 22 0,05 0,10
2 0,09 0,09 23 0,03 0,05
3 0,18 0,30 24 0,05 0,05
4 0,10 0,10 25 0,15 0,15
5 0,05 0,10 26 0,10 0,30
6 0,12 0,12 27 0,15 0,15
7 0,08 0,09 28 0,09 0,09
8 0,05 0,10 29 0,08 0,09
9 0,08 0,09 30 0,18 0,28
10 0,10 0,10 31 0,10 0,10
11 0,07 0,07 32 0,20 0,10
12 0,02 0,05 33 0,11 0,10
13 0,01 0,01 34 0,30 0,30
14 0,10 0,45 35 0,02 0,12
15 0,10 0,12 36 0,20 0,25
16 0,10 0,20 37 0,20 0,20
17 0,02 0,04 38 0,30 0,40
18 0,10 0,10 39 0,30 0,33
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
63

19 0,01 0,01 40 0,40 0,32

20 0,40 0,60 41 0,30 0,12
21 0,10 0,12 42 0,05 0,12

Dengan menggunakan program MATLAB, didapatkan hasil sebagai berikut:

 0 . 5643   0 . 0144 0 . 0114  1  208 . 4739  167 . 9121 

x    , S    , S   
 0 . 6030   0 . 0114 0 . 0142    167 . 9121 205 . 6680 

 1 p ( n  1)
n x  μ  S x  μ   F p , n  p ( )
(n  p )
 1 . 2867  6 . 6215

Karena 1.2867 ≤ 6.6215 maka proses terkendali.

Gambar 3.1 Daerah kepercayaan 95% elips untuk μ.

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
64

3.3 Grafik Pengendali T2 Hotelling

Banyak keadaan yang memerlukan pengendalian bersama dua atau lebih

karakteristik mutu yang berhubungan. Masalah pengendalian mutu dengan

beberapa karakteristik mutu yang berhubungan disebut masalah pengendalian

mutu multivariat. Grafik pengendali T 2 Hotelling digunakan untuk mengendalikan

beberapa karakteristik mutu yang berhubungan. Andaikan dua karakteristik mutu

X1 dan X2 berdistribusi bersama menurut distribusi Normal bivariat. x1 dan x2

merupakan nilai rata-rata dari karakteristik mutu, dan S 12 dan S 22 variansi sampel

X1 dan X2 . Kovarian antara X1 dan X2 adalah S 12 . Asumsikan bahwa  1 ,  2 ,

dan  12 diketahui. Jika X 1 dan X 2 adalah rata-rata sampel dari dua karakteristik

mutu yang dihitung dari sampel berukuran n, maka statistik

T
2

n

S 2 X  X
 2 1 1

2

 S1 X 2  X 2
2

2
 
 2 S 12 X 1  X 1 X 2  X 2 

(3.8)
S
2 2 2
S S
1 2 12

akan berdistribusi Hotelling dengan derajat bebas 2 dan (n – 1). Jika T 2  T2; 2 ; n 1 ,

maka paling sedikit satu dari karakteristik mutu itu tidak tekendali dengan T 2; 2 ; n 1

adalah titik presentase  atas distribusi T2 Hotelling dengan derajat bebas 2 dan

(n – 1).

Nilai-nilai T2 yang dihitung dari persamaan (3.8) untuk tiap sampel pada

grafik pengendali dengan hanya batas pengendali atas T 2; 2 ; n 1 (Gambar 3.2).

Grafik pengendali ini biasanya disebut grafik pengendali T 2 Hotelling. Perhatikan

bahwa urutan waktu data tersebut tetap ada dengan grafik pengendali ini, sehingga
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
65

pengendalian atau pola tak random tersebut dapat diselidiki. Selain itu, grafik ini

memiliki keuntungan tambahan bahwa “keadaan” proses dikarakterisasi oleh satu

bilangan (nilai statistik T2). Hal ini sangat berguna ketika ada dua atau lebih

karakteristik mutu yang diminati.

Gambar 3.2 Grafik pengendali T2 Hotelling untuk p = 2 karakteristik mutu.

Hal ini memungkinkan untuk memperluas hasil ini untuk kasus dengan p

karakteristik mutu yang terkait dikendalikan bersama. Diasumsikan distribusi

bersama p karakteristik mutu adalah distribusi Normal p-variat. Prosedurnya

memerlukan perhitungan rata-rata sampel dari tiap p karakteristik mutu dari suatu

sampel berukuran n. Himpunan rata-rata karakeristik mutu ditunjukkan oleh

vektor X yang berukuran p  1

X1 
 
X2
X  
  
 
 X p 
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
66

Statistik uji yang di plot pada grafik pengendali T 2 Hotelling untuk tiap

sampel adalah

 1
T
2

 n X X S X X    (3.9)


dengan X  X 1 , X 2 ,  , X p
 adalah vektor rata-rata dari tiap karakteristik mutu
dan S adalah matriks kovarian. Batas pengendali atas pada grafik pengendali

adalah T 2; p ; n 1 . Titik presentase distribusi F dapat diperoleh melalui hubungan

p ( n  1)
T  ; p ; n 1 
2
F ; p ; n  p (3.10)
n p

Dalam praktek, biasanya perlu menduga X dan S dari analisa sampel awal

dengan ukuran n, diambil ketika proses diasumsikan terkendali. Andaikan

diketahui m sampel berdistribusi Normal yang terdiri dari p karakteristik mutu dan

masing-masing sampel berukuran n. Rata-rata dan variansi sampel dapat dihitung

dari tiap sampel, maka

n
1
X jk

n
X ijk
j  1, 2 ,  , p k  1, 2 ,  , m (3.11)
i 1

 X 
1 2
s jk   X j  1, 2 ,  , p k  1, 2 ,  , m
2
ijk jk
(3.12)
n 1 i 1

dengan X ijk adalah pengamatan ke-i pada karakteristik mutu ke-j dalam sampel

ke-k. Kovarian antara karakteristik mutu j dan h dalam sampel ke-k adalah
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
67

 X  X 
1
s jhk  ijk
 X jk ihk
 X hk k  1, 2 ,  , m j  h (3.13)
n 1 i 1

Statistik X jk , s 2jk , s jhk merupakan rata-rata dari semua m sampel untuk

mendapatkan

m
1
X j

m
 X jk
j  1, 2 ,  , p (3.14)
k 1

m
1
sj  s j  1, 2 ,  , p
2 2
jk
(3.15)
m k 1

dan

m
1
s jh 
m
s jhk
j  h (3.16)
k 1

 X  merupakan elemen dari vektor X , dan matriks kovarian

j
p p S adalah

 s 12 s 12  s1 p 
 2 
s  s2 p 
S  
2
(3.17)
   
 2

 s p 

Contoh 3.3.1

Perusahaan Manufaktur ”OSIK Baja” melakukan pengendalian statistik

terhadap kuat tarik dan berat yang merupakan karakteristik mutu yang penting

dalam industri baja, 20 buah sampel masing-masing berukuran 4 buah dipilih

secara random. Dengan data sebagai berikut

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
68

No Rata-rata Sampel No Rata-rata Sampel

Sampel, Kekuatan Berat Sampel, Kekuatan Berat
k ( x1 ) ( x2 ) k ( x1 ) ( x2 )
1 81,25 20,25 11 85,25 22,25
2 79,50 21,00 12 81,75 21,75
3 85,00 21,50 13 82,00 18,25
4 81,50 17,75 14 78,75 22,00
5 81,75 21,00 15 81,00 20,00
6 85,50 21,25 16 84,00 20,50
7 84,75 20,75 17 81,50 19,00
8 80,00 19,00 18 82,50 20,75
9 86,25 17,50 19 83,75 20,50
10 80,50 18,75 20 82,75 19,75
Rata-rata 82,46 20,17

Kemudian dihitung rata-rata dari tiap sampel, variansi dan kovariansi. Nilai

statistik T2 dihitung dengan memasukkan nilai-nilai x 1  82 , 46 dan x 2  20 ,175 ke

dalam (3.8) dengan hasil sebagai berikut.

No Rata-rata Sampel Variansi dan Kovariansi

Sampel, Kekuatan Berat 2 2 T²
S 1k S 2k S 12 k
k ( x1 ) ( x2 )
1 81,25 20,25 8,917 1,583 0,917 0,783
2 79,50 21,00 15,000 6,000 -9,000 5,247
3 85,00 21,50 3,333 4,333 3,000 5,977
4 81,50 17,75 5,667 2,917 1,167 7,947
5 81,75 21,00 10,917 4,667 5,333 1,035
6 85,50 21,25 1,667 1,583 0,167 6,725
7 84,75 20,75 6,250 4,250 4,583 3,356
8 80,00 19,00 13,333 4,667 -7,333 5,265
9 86,25 17,50 2,250 3,667 -2,500 15,245
10 80,50 18,75 4,333 0,917 -0,500 4,863
11 85,25 22,25 0,917 2,917 0,917 10,083
12 81,75 21,75 0,917 0,917 0,583 3,172
13 82,00 18,25 8,667 2,917 -0,333 4,743
14 78,75 22,00 8,917 0,667 1,333 10,664
15 81,00 20,00 16,667 3,333 -7,333 1,211
16 84,00 20,50 2,667 5,667 -2,667 1,452
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
69

17 81,50 19,00 12,333 4,667 3,000 2,312

18 82,50 20,75 8,333 2,917 -4,500 0,407
19 83,75 20,50 14,250 4,333 3,167 1,064
20 82,75 19,75 4,917 2,917 2,917 0,251
Rata-
82,4625 20,175 7,512 3,292 -0,354
rata

Grafik T² Hotelling
60

50

40

30 T²
T2

BPA
20

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Gambar 3.3 Grafik Pengendali untuk Contoh 3.1

Dari persamaan (3.8) diperoleh statistik penguji yang harus digambarkan pada

grafik T2 sebagai

4  ( 3 , 29 )  X  ( 82 , 46 )  2  ( 7 , 51 )  X  ( 20 ,17 )  2 

2
  (3.18)
1 2
T
( 7 , 51 )( 3 , 29 )  (  0 , 35 )   2 (  0 ,35 )  X 1  ( 82 , 46 )  X 2  ( 20 ,17 ) 
2
 

dan jika   0 ,05 , batas pengendali atas grafik tersebut adalah

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
70

( 2 )( 3 )
T 0 , 01 ; 2 ; 3 
2
F 0 , 05 ; 2 ; 2
42
6
 (19 )
2
 57

Dari grafik pada Gambar 3.3 dapat dilihat bahwa semua sampel berada di dalam

batas pengendali, maka dapat disimpulkan bahwa proses terkendali.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

BAB IV

APLIKASI GRAFIK PENGENDALI T 2 HOTELLING

Pada bab ini akan dibahas aplikasi grafik pengendali T 2 dengan data yang

bersumber dari skripsi Mutia Umar Ahmad Batarfie (2006) di PT. Sinar Bogor

QUA (PT. SBQUA).

4.1 Gambaran Umum Perusahaan

4.1.1 Sejarah dan Perkembangan Perusahaan

PT. Sinar Bogor QUA (PT. SBQUA) merupakan perusahaan khusus yang

memproduksi Air Minum Dalam Kemasan (AMDK) dengan jenis produksi

kemasan galon. PT SBQUA didirikan pada bulan September 2001 di Jl. Pajajaran

no 21 Warung Jambu Bogor dengan bentuk perusahaan perseorangan dan

memiliki total investasi (tidak termasuk tanah dan bangunan tempat usaha)

sebesar Rp. 23.500.000. Pada tahun 2002, PT. SBQUA mengadakan kerjasama

dengan Perusahaan Daerah Air Minum (PDAM) Kota Bogor tentang pengadaan

air bersih untuk bahan baku produksi Air Minum Dalam Kemasan (AMDK)

dengan nomor perjanjian kerjasama No. 695.2/SPK.05-PDAM-SBQUA/2002.

Tahun 2003 bentuk perusahaan SBQUA berubah menjadi Perseroan Terbatas

(PT).

PT. SBQUA memiliki izin usaha industri dengan nomor tanda daftar industri

535/45.TDI-Diperindagkop, dan telah memiliki SNI 01-3553-1996 dengan

71
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
72

sertifikat produk penggunaan tanda SNI nomor : 0283/PUSTAN/SNI-

BW/X/2001, serta merek dalam negeri dari Badan Pengawasan Obat dan

Makanan (BPOM) MD. 249110001624. Bahan baku dalam produksi juga telah

memenuhi syarat kualitas air minum Menkes R.I No. 907/Menkes/VII/2002

tanggal 26 Juli 2002.

4.1.2 Kebijakan Mutu Perusahaan

PT. SBQUA percaya bahwa mutu merupakan kepentingan setiap orang, serta

menetapkan kebijakan mutu yang dituangkan dalam pernyataan berikut :

”Memproduksi Air Minum Dalam Kemasan Sesuai dengan Keinginan Pelanggan

dengan Penyerahan Barang Tepat Waktu”. Sasaran mutu yang ditetapkan adalah

memproduksi AMDK minimal sesuai dengan SNI 01-3553-1996. Untuk

mencapai sasaran tersebut, perusahaan menerapkan dan mengelola sistem mutu

dengan mengacu kepada pedoman BSN-10 dan kebijakan serta sasaran mutu

disebarluaskan kepada setiap personil yang ada dalam perusahaan untuk

diterapkan dalam pelaksanaan tugasnya masing – masing.

4.2 Proses Produksi

Produksi AMDK di PT. SBQUA dilakukan setiap hari, kecuali hari

minggu/libur, dengan jumlah produksi sesuai dengan pesanan saat itu. Total

pemakaian air dan produksi AMDK PT. SBQUA pada bulan Januari hingga April

2006 terdapat pada Lampiran 3. Produk yang telah jadi akan dikirimkan

langsung kepada pemesan.

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
73

Pada proses produksi, air baku akan diproses melalui beberapa tahap filtrasi

yang bertujuan untuk menghilangkan bau dan kekeruhan serta melalui proses

sterilisasi (ozonisasi dan ultra violet). Secara umum diagram alir proses produksi

dapat dilihat pada Lampiran 4. Pada diagram alir tersebut dapat dilihat air baku

dari PDAM ditampung di tank penampungan bahan baku, lalu dipompa untuk

dialirkan ke carbon active filter I. Carbon active filter I ini berfungsi untuk

menangkap ion-ion negatif serta menyaring kotoran dan bau dalam air. Tahapan

berikutnya adalah ressin filter yang berfungsi untuk menstabilkan pH pada air. Air

kemudian dialirkan kembali ke carbon active filter II untuk disaring kembali

kotoran dan bau yang masih tersisa. Tahap filtrasi berikutnya adalah penyaringan

melalui filter cartridge dengan kekuatan penyaring 5 sampai 1 mikron, dimana

kotoran – kotoran, endapan, serta mineral yang ada didalam air akan disaring. Air

yang telah melalui tahapan filtrasi tersebut, dialirkan ke ozon generator, dimana

air akan diberi ozon untuk melemahkan bakteri – bakteri yang terkandung dalam

air. Ozon dan air tersebut akan dicampur secara merata didalam ozon reactor.

Setelah melalui tahap ozonisasi, air ditampung di tank penampungan bahan jadi,

dan dialirkan melalui sinar ultra violet (UV) dengan kekuatan 10 gpm

(galon/menit) untuk mematikan bakteri –bakteri dalam air. Tahap terakhir adalah

pengisian air melalui mesin filler.

4.3 Penerapan Pengendalian Mutu Perusahaan

Pengendalian mutu pada PT SBQUA terbagi menjadi empat tahap yaitu

pengendalian mutu bahan baku, pengendalian mutu dalam proses, pengendalian

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
74

mutu produk jadi, dan pengendalian mutu kemasan. Agar kualitas air tetap

terjamin, perusahaan dilengkapi dengan laboratorium QC yang cukup memenuhi

syarat dimana setiap hari dilakukan pengujian fisika dan kimia mulai dari air baku

hingga AMDK serta secara mikrobiologi dilakukan uji bakteri e-coli. AMDK

yang diuji di laboratorium PT.SBQUA secara berkala akan dilakukan

perbandingan dengan pengujian kembali di laboratorium yang sudah terakreditasi

seperti BBIA (Balai Besar Industri Agro) Bogor.

Pada skripsi ini yang akan dibahas adalah tahap pengendalian mutu bahan baku

untuk karakteristik mutu nilai pH, kekeruhan air, dan TDS pada tank

penampungan bahan baku.

4.3.1 Pengendalian Mutu Bahan Baku

Bahan baku utama dalam produksi AMDK SBQUA adalah air yang berasal

dari PDAM. Mutu air dipengaruhi oleh parameter mutu air, penyimpanan bahan

baku air dan cuaca. Parameter mutu air terdiri dari pH, suhu, kekeruhan, TDS,

chlorida, dan mikrobiologi. Nilai pH dalam perairan mencirikan keseimbangan

antara asam dan basa dalam air. Penyimpangan dalam pH pada air minum akan

mempengaruhi pertumbuhan mikroba didalam air dan perubahan rasa pada air.

Menurut SNI- 01-3553-1996, persyaratan pH pada AMDK adalah 6,5 – 8,5.

Perusahaan menetapkan persyaratan pH AMDK sesuai dengan SNI. Suhu dalam

air tidak boleh tinggi karena akan mempermudah munculnya bakteri – bakteri

pada air. Suhu maksimum yang diperbolehkan adalah 30°C.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
75

Paremeter mutu AMDK selanjutnya adalah kekeruhan. Kekeruhan didalam air

disebabkan oleh adanya zat – zat tersuspensi seperti lumpur, zat organik, dan zat –

zat halus lainnya. Kekeruhan akan mengakibatkan perubahan warna dari air.

Menurut SNI-01-3553-1996, persyaratan kekeruhan pada AMDK adalah maks. 5

NTU. Perusahaan menetapkan persyaratan kekeruhan AMDK sebesar maks. 2,5

NTU. TDS (Total Dissolved Solid) merupakan zat yang terlarut dalam air.

Menurut SNI-01-3553-1996, persyaratan TDS pada AMDK adalah maks. 500

mg/l. Perusahaan menetapkan persyaratan TDS AMDK sebesar 50-90 mg/l.

Mikrobiologi merupakan suatu pengujian untuk melihat kandungan unsur – unsur

mikrobiologi seperti bakteri E-coli, yang dilakukan setiap 2 minggu sekali.

4.3.2 Analisis Grafik Pengendali

1) Grafik Pengendali pH dan Kekeruhan Air

Analisis grafik pengendali untuk nilai pH dan kekeruhan air pada tank

penampungan bahan baku menggunakan grafik pengendali T 2 Hotelling. Data

yang diambil berasal dari 20 buah sampel masing-masing berukuran 3, kemudian

untuk tiap sampel diambil rata-rata dan nilai T2 dihitung. Hasil perhitungan

ditunjukkan pada Tabel dalam Lampiran 5. Nilai statistik T2 dihitung dengan

memasukkan nilai-nilai x 1 dan x 2 ke dalam (3.8), dan jika dipilih   0 , 01 , batas

pengendali atas grafik tersebut adalah

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
76

( 2 )( 3  1)
T 0 , 01 ; 2 ; 3 
2
F 0 , 01 ; 2 ;1
32
 4 ( 4999 ,5 )
 19 . 998

Berdasarkan hasil perhitungan tersebut dibuat grafik pengendali T2 Hotelling

untuk pH dan kekeruhan air yang ditunjukkan oleh Gambar 4.1.

Gambar 4.1 Grafik Pengendali untuk pH dan Kekeruhan Air

Dari grafik pada Gambar 4.1 dapat dilihat bahwa sampel 5, 14, dan 16 berada

diluar batas pengendali, maka dapat disimpulkan bahwa proses tersebut tidak

terkendali. Perlu ditelusuri penyebab sampel-sampel tersebut berada di luar batas

pengendali sehingga mengakibatkan proses produksi tidak terkendali. Penyebab

sampel-sampel tersebut berada di luar batas pengendali dapat disebabkan oleh

beberapa kemungkinan, yaitu:

1. Kondisi sumber air baku yang dipengaruhi oleh kondisi cuaca terutama pada

musim hujan, sehingga bagian QC harus melakukan pengecekan dengan baik

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
77

pada bahan baku air tersebut, jika pH dan Kekeruhan air tetap tidak sesuai

standar maka dilakukan laporan kepada pihak PDAM.

2. Tanki penampungan bahan baku yang belum dikuras, sehingga air dalam

tanki menjadi keruh, oleh karena itu operator harus rutin melakukan

pengurasan pada tanki.

3. Terjadi kesalahan pengujian yang disebabkan daya fungsi alat sudah tidak

maksimal atau kesalahan dari petugas QC, sehingga hasil pengukuran tingkat

kekeruhan air dan pH tidak sesuai dengan kenyataan.

4. Kebersihan ruang pengujian masih kurang, sehingga air yang diuji tercemar

oleh debu atau kotoran yang mengakibatkan tingkat kekeruhan sampel air

tidak sesuai dengan kenyatan.

2) Grafik Pengendali Kekeruhan Air dan TDS

Analisis grafik pengendali untuk nilai kekeruhan air dan TDS pada tank

penampungan bahan baku menggunakan grafik pengendali T 2 Hotelling. Data

yang diambil berasal dari 20 buah sampel masing-masing berukuran 3, kemudian

untuk setiap sampel diambil rata-rata dan nilai T2 dihitung. Hasil perhitungan

ditunjukkan pada tabel dalam Lampiran 6. Nilai statistik T2 dihitung dengan

memasukkan nilai-nilai x 1 dan x 2 ke dalam (3.8), dan jika dipilih   0 , 01 , batas

pengendali atas grafik tersebut adalah

( 2 )( 3  1)
T 0 , 01 ; 2 ; 3 
2
F 0 , 01 ; 2 ;1
32
 4 ( 4999 ,5 )
 19 . 998
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
78

Berdasarkan tabel tersebut dibuat grafik pengendali T2 Hotelling untuk

Kekeruhan Air dan TDS yang ditunjukkan oleh Gambar 4.2.

Gambar 4.3 Grafik Pengendali untuk Kekeruhan air dan TDS

Pada grafik tersebut terlihat bahwa nilai statistik uji T 2 pada sampel ke 3, 4, 13,

dan 14 jatuh di luar batas pengendali, maka dapat disimpulkan bahwa proses

tersebut tidak terkendali. Perlu ditelusuri penyebab sampel-sampel tersebut berada

di luar batas pengendali sehingga mengakibatkan proses produksi tidak terkendali.

Penyebab sampel-sampel tersebut berada di luar batas pengendali dapat

disebabkan oleh beberapa kemungkinan, yaitu:

1. Kondisi sumber air baku yang dipengaruhi oleh kondisi cuaca terutama pada

musim hujan dimana kekeruhan air dan TDS meningkat, sehingga bagian QC

harus melakukan pengecekan dengan baik pada bahan baku air tersebut, jika

kekeruhan dan TDS tetap tidak sesuai standar maka dilakukan laporan kepada

pihak PDAM.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
79

2. Tanki penampungan bahan baku yang belum dikuras, sehingga air dalam

tanki menjadi keruh, oleh karena itu operator harus rutin melakukan

pengurasan pada tanki.

3. Terjadi kesalahan pengujian yang disebabkan daya fungsi alat sudah tidak

maksimal atau kesalahan dari petugas QC, sehingga hasil pengukuran tingkat

kekeruhan air dan TDS tidak sesuai dengan kenyataan.

4. Kebersihan ruang pengujian masih kurang, sehingga air yang diuji tercemar

oleh debu atau kotoran yang mengakibatkan tingkat kekeruhan sampel air

tidak sesuai dengan kenyatan.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

BAB V

PENUTUP

A. KESIMPULAN

Untuk memahami grafik T2 Hotelling diperlukan pemahaman tentang

grafik pengendali univariat (grafik pengendali dan S), nilai dan vektor eigen,

konsep-konsep penting dalam statistika univariat (nilai harapan dan variansi

variabel random, kovariansi dan independensi dua variabel random, dan sifat-sifat

nilai harapan dan kovariansi), konsep-konsep penting dalam statistika multivariat

(vektor dan matriks random, vektor rata-rata dan matriks kovariansi, menyekat

matriks kovariansi, vektor rata-rata dan matriks kovariansi untuk kombinasi linear

variabel random, menyekat vektor rata-rata dan matriks kovariansi sampel, sampel

random dan nilai harapan dari rata-rata dan matriks kovariansi sampel, variansi

yang diperumum, distribusi Normal Multivariat, dan fungsi densitas Normal

Bivariat), metode fungsi pembangkit momen, distribusi sampling yang

berhubungan dengan distribusi normal, distribusi T 2 Hotelling, dan daerah

kepercayaan elips.

Grafik pengendali T2 Hotelling dapat digunakan untuk menganalisis apakah

suatu proses terkendali atau tidak berdasarkan variabel bivariat yang relevan.

Berdasarkan hasil analisis yang diperoleh pada PT. Sinar Bogor QUA (PT.

SBQUA), dapat disimpulkan bahwa aplikasi grafik pengendali T 2 Hotelling

80
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
81

Bivariat untuk karakteristik mutu pH dan kekeruhan air dalam tank penampungan

bahan baku menunjukkan proses yang tidak terkendali karena sampel ke 5, 14,

dan 16 berada diluar batas pengendali. Sedangkan pada grafik pengendali untuk

karakteristik mutu kekeruhan air dan TDS dalam tank penampungan bahan baku

menunjukkan proses yang tidak terkendali karena sampel ke 3, 4, dan 13 berada

diluar batas pengendali.

Penyebab sampel-sampel tersebut berada di luar batas pengendali dapat

disebabkan oleh beberapa kemungkinan diantaranya adalah faktor cuaca,

kebersihan tanki dan ruangan, dan kesalahan pengujian.

B. SARAN

Berdasarkan hasil penelitian, pembahasan dan kesimpulan, maka penulis

mencoba memberikan saran untuk penulis berikutnya, bahwa sebaiknya dibahas lebih

jauh tentang grafik pengendali T2 Hotelling Multivariat dan aplikasinya.

PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

DAFTAR PUSTAKA

Batarfie, Mutia Umar Ahmad. 2006. Analisis Pengendalian Mutu pada Proses

Produksi Air Minuum Dalam Kemasan (AMDK) SBQUA (Studi Kasus di

PT. Sinar Bogor Qua, Pajajaran-Bogor). Skripsi Sarjana pada Fakultas

Ekonomi dan Manajemen Institut Pertanian Bogor: tidak diterbitkan.

Gito Sudarmo, Indriyo. Reksohadiprodjo, Sukanto. 1984. Management Produksi,

ed. 3. Yogyakarta. BPFE Yogyakarta.

Johnson, Richard. Dean Wichern. 2007. Applied Multivariate Statistical Analysis,

3rd ed. New Jersey: Prentice Hall.

Montgomery, D.C. 1990. Pengantar Pengendalian Kualitas Statistik. Yogyakarta:

Gadjah Mada University Press.

Prihantoro, Rudy. 2012. Konsep Pengendalian mutu. Bandung. Remaja

Rosdakaryo.

Seber, G.A.F. 1984. Multivariate Observations. USA: John Wiley & Sons, inc.

Wackerly, Dennis.D. William Mendenhall III. Richard L. Scheaffer. 2008.

Mathematical Statistics with Applications, 7th ed. USA: Thomson

Brooks/Cole.

82
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

Lampiran 1. Faktor-Faktor untuk Membuat Grafik Pengendali Variabel

Sumber: Montgomery, D. C. 2009. Introduction to Statistical Quality Control

83
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

Lampiran 2. Distribusi, Fungsi Probabilitas, Rata-Rata, Variansi dan Fungsi Pembangkit Momen

Sumber: Wackerly, Dennis D. William Mendenhall III. Richard L. S. 2008. Mathematical Statistics with Applications.

84
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

85
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

Lampiran 3. Titik Presentase Distribusi F

Sumber: Douglas C. Montgomery (200

86
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

87
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

88
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

89
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

90
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
91

Lampiran 4. Total pemakaian air dan total produksi AMDK pada bulan Januari

hingga April 2006

 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

Lampiran 5. Proses Produksi Air Minum Dalam Kemasan (AMDK) SBQUA

92
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

Lampiran 6. Tabel Perhitungan pH dan Kekeruhan Air

No pH Kekeruhan phbar k bar S²1k S²2k S12k T²

1 6,50 6,50 7,30 0,18 0,10 0,25 6,77 0,18 0,213 0,006 0,029 68,698
2 6,50 6,40 6,40 0,08 0,33 0,28 6,43 0,23 0,003 0,018 -0,007 5531,579
3 7,20 7,30 6,60 0,37 0,22 0,32 7,03 0,30 0,143 0,006 -0,009 2,996
4 6,60 7,40 7,40 0,32 0,82 0,13 7,13 0,42 0,213 0,127 0,041 1,227
5 6,80 6,60 7,30 0,24 0,21 0,31 6,90 0,25 0,130 0,003 0,019 83128,103
6 7,00 7,30 7,30 0,30 0,41 0,39 7,20 0,37 0,030 0,003 0,010 533,603
7 7,10 7,10 6,70 0,46 0,24 0,31 6,97 0,34 0,053 0,013 0,005 1,649
8 6,60 6,80 6,80 0,52 0,66 0,48 6,73 0,55 0,013 0,009 0,003 17,556
9 6,40 6,50 6,40 0,52 0,57 0,99 6,43 0,69 0,003 0,067 -0,006 157,843
10 6,30 6,40 6,80 1,38 1,98 1,54 6,50 1,63 0,070 0,097 -0,006 51,906
11 6,50 6,70 6,50 0,94 1,21 0,70 6,57 0,95 0,013 0,065 0,026 269,568
12 7,00 6,90 6,60 0,31 0,17 0,06 6,83 0,18 0,043 0,016 0,025 61,732
13 7,10 7,10 7,00 0,21 0,55 0,33 7,07 0,36 0,003 0,030 0,002 48,641
14 7,30 7,20 7,20 0,24 0,09 0,08 7,23 0,14 0,003 0,008 0,005 87538,823
15 7,50 7,30 7,40 0,19 0,14 0,15 7,40 0,16 0,010 0,001 0,003 5228,363
1,2E- 2,47E-
16 6,40 6,40 6,40 0,10 0,30 0,15 6,40 0,18 0,0108 4,87123E+29
30 32
17 6,60 6,80 6,50 0,09 0,10 0,12 6,63 0,10 0,023 0,000 -0,001 1395,390
18 6,80 6,90 7,10 0,00 0,10 0,05 6,93 0,05 0,023 0,003 0,003 154,715
19 6,90 6,20 6,50 0,14 0,30 0,41 6,53 0,28 0,123 0,018 -0,031 10,628
20 7,00 6,80 7,40 0,19 0,10 0,24 7,07 0,18 0,093 0,005 0,020 314,594
Rata-Rata 6,84 0,38

93
 PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI

Lampiran 7. Tabel Perhitungan Kekeruhan Air dan TDS

No Kekeruhan TDS k bar tds bar S²1k S²2k S12k T²

1 0,18 0,10 0,25 68,50 66,00 66,00 0,18 66,83 0,006 2,083 0,004 55,096
2 0,08 0,33 0,28 63,00 63,00 64,00 0,23 63,33 0,018 0,333 0,025 23,092
3 0,37 0,22 0,32 65,01 65,00 65,00 0,30 65,00 0,006 0,000 0,000 1703841,676
4 0,32 0,82 0,13 65,00 65,01 65,00 0,42 65,00 0,127 0,000 0,002 10242503,189
5 0,24 0,21 0,31 66,00 59,00 60,00 0,25 61,67 0,003 14,333 -0,018 18,049
6 0,30 0,41 0,39 65,00 63,01 63,00 0,37 63,67 0,003 1,327 -0,066 123,965
7 0,46 0,24 0,31 63,00 64,00 64,00 0,34 63,67 0,013 0,333 -0,062 158,848
8 0,52 0,66 0,48 59,50 59,50 58,00 0,55 59,00 0,009 0,750 0,055 141,425
9 0,52 0,57 0,99 58,00 60,00 59,00 0,69 59,00 0,067 1,000 0,025 37,013
10 1,38 1,98 1,54 60,00 59,00 56,00 1,63 58,33 0,097 4,333 0,013 60,064
11 0,94 1,21 0,70 68,00 73,00 62,00 0,95 67,67 0,065 30,333 1,400 628,905
12 0,31 0,17 0,06 62,50 63,00 63,00 0,18 62,83 0,016 0,083 -0,033 20,564
13 0,21 0,55 0,33 64,00 64,01 64,00 0,36 64,00 0,030 0,000 0,001 2529288,078
14 0,24 0,09 0,08 64,00 64,01 64,00 0,14 64,00 0,008 0,000 0,000 381309,730
15 0,19 0,14 0,15 64,00 64,00 63,00 0,16 63,67 0,001 0,333 0,005 297,961
16 0,10 0,30 0,15 52,00 56,00 56,00 0,18 54,67 0,011 5,333 0,167 32,415
17 0,09 0,10 0,12 52,00 60,00 59,00 0,10 57,00 0,000 19,000 0,045 1632,342
18 0,00 0,10 0,05 62,50 64,00 63,00 0,05 63,17 0,003 0,583 0,038 5184,180
19 0,14 0,30 0,41 59,00 53,00 55,00 0,28 55,67 0,018 9,333 -0,303 46,202
20 0,19 0,10 0,24 62,00 70,00 63,00 0,18 65,00 0,005 19,000 -0,275 74,249
Rata-Rata 0,38 62,16

94
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
95

Lampiran 8. Program MATLAB untuk Daerah Kepercayaan Elips

x=input('Masukkan data dalam bentuk matriks =');

pcy=input('Masukkan kepercayaan elips (dalam persen) =');
f=input('Masukkan nilai distribusi F2,n-p,alfa =');
m=input('Masukkan myu=');
[p,n]=size(x);
xbar=mean(x')%vektor x bar
%Mencari MAtriks Variansi Kovariansi
s11=sum((x(1,:)-xbar(1)).^2)/n;
s22=sum((x(2,:)-xbar(2)).^2)/n;
b1=x(1,:)-xbar(1);
b2=x(2,:)-xbar(2);
s12=sum(b1.*b2)/n;
s21=s12;
S=[s11 s12;s21 s22]
invs=inv(S)%Invers dari S
[v,d]=eig(S);%Nilai Eigen S (Lamda)
lamda1=d(1,1);
lamda2=d(2,2);
e1=[v(1,1);v(1,2)];%Vektor eigen dari Lamda1
e2=[v(2,1);v(2,2)];%Vektor Eigen dari Lamda2
r1=sqrt(lamda1)*sqrt(((2*(n-1))/(n*(n-2)))*f);%Panjang jari-jari
mayor elips
r2=sqrt(lamda2)*sqrt(((2*(n-1))/(n*(n-2)))*f);%Panjang jari-jari
minor elips
%Menggambar Daerah Kepercayaan Elips
t = linspace(0,2*pi,1000);
theta0=atan(r1/r2);
a=r2;
b=r1;
g = a*sin(t+theta0)+xbar(1,1);
h = b*cos(t)+xbar(1,2);
plot(g,h)
grid on
hold on
e=m(1,1);
f=m(1,2);
plot(xbar(1,1),xbar(1,2),'r*')
plot(e,f,'bo')
hold off
axis equal
%PErhitungan dan kesimpulan apakah myu berada di dalam daerah
kepercayaan
%elips atau tidak
y=n*(xbar-m)*invs*(xbar-m)'
z=(2*(n-1)/(n-2))*f
if y<=z
disp('DATA TERKENDALI');
else
disp('DATA TIDAK TERKENDALI');
end