BAGAN KENDALI T2 HOTELLING DENGAN DATA TIDAK

NORMAL MULTIVARIAT MENGGUNAKAN COPULA

BIVARIAT
Nirmalasari1
Erna Tri Herdiani, Anisa2
1
Mahasiswa Jurusan Matematika Unhas,
2
Dosen Jurusan Matematika Unhas
email : nirmala.sari709@gmail.com

ABSTRAK
2
Bagan kendali T Hotelling memerlukan asumsi data berdistribusi normal
multivariat namun kenyataanya asumsi tersebut sering tidak terpenuhi. Hal ini
mengakibatkan pembentukan bagan kendali T2 Hotelling tidak dapat dilakukan. Metode
Copula diusulkan untuk menyelesaikan masalah ketidaknormalan pada data. Copula
adalah metode yang dapat menemukan model bersama dari variabel acak bivariat atau
multivariat dengan cara mentransformasi data ke [0,1]. Dua tipe copula digunakan
dalam penelitian ini yakni Copula Clayton dan Copula Gumbel. Penelitian ini
menggunakan data simulasi yang dibangkitkan dengan software R yang berdistribusi
gamma. Berdasarkan hasil penelitian menunjukkan bahwa data berada dalam keadaan
tidak terkendali dan berdasarkan ARL 𝛽 diperoleh bahwa data model Copula Frank
lebih sensitif dideteksi pada proses tidak terkendali atau out of control.

Kata Kunci: Bagan Kendali T2 Hotelling, Copula, Distribusi Normal Multivariat,

ARL.

1. Pendahuluan
Pengendalian kualitas statistik atau Statistical Quality Control (SQC) adalah
sekumpulan perangkat statistik yang berguna untuk mengontrol agar proses produksi
berjalan dengan stabil dan meningkatkan kemampuan produksi melalui pengurangan
variasi hasil produksi. Bagan kendali merupakan salah satu aplikasi yang paling dikenal
dalam Statistical Proses Control (SPC) yang merupakan alat statistik dan alat
perancangan visual untuk mendeteksi pergeseran pada proses produksi. Bagan kendali
terbagi menjadi dua yakni, bagan kendali univariat dan multivariat. Bagan kendali
univariat adalah alat untuk memonitor kualitas dari proses karakteristik tunggal namun
seiring dengan berjalannya waktu diera modern ini kebanyakan proses monitor telah
memiliki lebih dari satu karakteristik kualitas. Untuk mendeteksi proses karakteristik
multivariat diperlukan bagan kendali multivariat, adapun jenis bagan kendali
multivariat, yakni bagan kendali multivariate cumulative sum (MCUSUM),
multivariate exponentially weighted moving average (MEWMA), dan bagan kendali T2
Hotelling.
Bagan kendali multivariat merupakan prosedur yang berdasarkan pada aspek
karakteristik berdistribusi normal namun dalam kenyataannya telah banyak proses tidak
normal. Selain itu, kekurangan bagan kendali multivariat adalah tidak mampu
menemukan fungsi distribusi bersama dan Copula dapat mengatasi hal tersebut
(Kuvattana, dkk, 2015).
Copula merupakan fungsi distribusi multivariat bersama menjadi marginal satu
dimensi yang mentransformasi variabel ke dalam domain [0,1]. Hal tersebut dapat
menaksir distribusi bersama pada hasil nonlinear dan menjelaskan struktur variabel
dependen melalui distribusi bersama dengan menghapuskan efek marginal univariat
(Sklar, 1959).
Telah banyak penelitian dalam pengembangan Copula pada bagan kendali. Beberapa
penelitian diantaranya adalah Copula berdasarkan pada ZIP Bivariat Bagan Kendali
(Fatahi, dkk, 2012), Copula Markov Cusum Chart (Dokouhaki dan Noorassana, 2013),
Perbandingan Penampilan Copula Bivariat pada Bagan Kendali MCUSUM dan
MEMWA (Kuvattana, dkk, 2015), dan Bagan Kendali. Bivariat dengan Copula (Lestari,
2014). Berdasarkan uraian tersebut maka pada penelitian ini akan dikaji mengenai
bagan kendali T2 Hotteling dengan karakteristik bivariat ketika observasi tidak
berdistribusi normal dan berkorelasi dengan menggunakan pendekatan Copula bivariat
(Copula Clayton dan Copula Gumbel).

2. Bagan Kendali T2 Hotelling

Pada beberapa data produksi terdapat subgrup n = 1, bagan kendali multivariat
telah mengkaji hal tersebut dengan n = 1, misalkan m menyatakan banyaknya sampel
dengan ukuran n = 1 dan p menyatakan banyaknya karakteristik kualitas observasi
dalam bentuk sampel. Maka statistik Hotelling T2 dapat dihitung dangan rumus:
𝑇𝑖2 = (𝑥𝑖 − 𝑥̅ )𝑡 𝑆 −1 (𝑥𝑖 − 𝑥̅ ), 𝑖 = 1,2, … 𝑚
1 1
dengan 𝑥̅ = 𝑚 ∑𝑚 𝑚 𝑡
𝑖=1 𝑥𝑖 dan 𝑆 = 𝑚−1 ∑𝑖=1(𝑥𝑖 − 𝑥̅ ) (𝑥𝑖 − 𝑥̅ ) .

dengan,
𝑇𝑖2 = vektor yang mengandung nilai statistik Hotelling untuk pengamatan ke-𝑖,
𝑋𝑖 = vektor yang mengandung nilai dari setiap peubah ke-𝑖 berukuran 1 × 𝑝
𝑋̅ = rata-rata dari variabel 𝑋
𝑆 −1 = invers matriks varians kovarians berukuran 𝑝 × 𝑝

Batas kendali pada observasi individual dapat dihitung dengan rumus statistik
sebagai berikut (Montgomery,2005):
𝑝(𝑚 + 1)(𝑚 − 1)
𝑈𝐶𝐿 = 𝐹𝛼, 𝑝, 𝑚 − 𝑝
𝑚2 − 𝑚𝑝
𝐿𝐶𝐿 = 0

di mana, 𝑝 = banyaknya variabel dan 𝑚 = banyaknya data

3. Korelasi Pearson
Selain data harus normal, asumsi lain yang harus terpenuhi untuk bekerja pada
bagan kendali multiariat adalah data harus berkorelasi. Korelasi menunjukkan keeratan
hubungan linier antara dua peubah dengan koefisien korelasi 𝜌 diduga dengan
persamaan berikut:
∑𝑛 ̅)
𝑖=1(𝑥𝑖 −𝑥̅ )(𝑦𝑖 −𝑦
𝜌𝑥𝑦 =
√∑𝑛 2 𝑛 ̅)2
𝑖=1(𝑥𝑖 −𝑥̅ ) ∑𝑖=1(𝑦𝑖 −𝑦

di mana
𝜌 = Koefisien korelasi antar peubah X dan Y
𝑛 = Ukuran
𝑥𝑖 = Nilai ke-i peubah X
𝑦𝑖 = Nilai ke-i peubah Y
𝑥̅ = Rata-rata peubah X
𝑦̅ = Rata-rata peubah Y

Hipotesis untuk menguji korelasi antar dua peubah adalah:

𝐻0 : 𝜌 = 0 (tidak terdapat korelasi antar peubah)
𝐻1 : 𝜌 ≠ 0 (terdapat korelasi antar peubah)
Statistik uji mengikuti sebaran t dengan derajat bebas (𝑛 − 2) seperti berikut:
𝜌
𝑡= 2
~𝑡𝑛−2,𝛼/2
√1−𝜌
𝑛−2
 𝛼/2
Maka akan ditolak 𝐻0 jika nilai |𝑡ℎ𝑖𝑡 | > 𝑡𝑛−2 atau nilai-p value < 𝛼. Apabila 𝐻0 ditolak
dapat disimpulkan bahwa terdapat korelasi antara kedua peubah dan 𝐻0 diterima jika
𝛼/2
|𝑡ℎ𝑖𝑡 | < 𝑡𝑛−2 artinya tidak terdapat korelasi antara dua peubah.

4. Korelasi Tau Kendall

Estimasi parameter Copula dapat dilakukan dengan menggunakan nilai korelasi
tau kendall dari data. Korelasi Tau Kendall diperkenalkan pertama kali oleh M.G.
Kendall pada tahun 1938, yang dinotasikan 𝜏 dan didasarkan pada peringkat (rank) hasil
pengamatan.
Hipotesis yang melandasi pengujian korelasi Tau Kendall adalah:
𝐻0 : 𝜏 = 0 (tidak terdapat hubungan antar peubah)
𝐻1 ∶ 𝜏 ≠ 0 (terdapat hubungan antar peubah)
Statistik uji disajikan pada persamaan berikut:
𝑆
𝜏=
𝑛(𝑛 − 1)/2
di mana
𝑆 =𝐾−𝐷

dengan:
K = Banyaknya pasangan konkordan
D = Banyaknya pasangan diskordan
n = Banyaknya sampel
Tolak 𝐻0 jika |𝜏| > 𝜏𝛼/2(𝑛) atau nilai signifikan p-value < 𝛼 sehingga dapat
disimpulkan bahwa terdapat korelasi antar peubah dan sebaliknya terima 𝐻0 jika |𝜏| <
𝜏𝛼/2(𝑛) atau p-value > 𝛼 artinya tidak terdapat korelasi antar peubah.

5. Uji Distribusi Normal Multivariat

Tujuan dari uji kenormalan data adalah mengetahui apakah distribusi sebuah data
mengikuti distribusi normal multivariat atau tidak. Untuk mengetahui apakah data
berdistribusi normal multivariat, maka dilakukan beberapa cara berikut:
5.1 Plot Mahalanobis dan Chi-Square
Pemeriksaan distribusi normal multivariat dapat dilakukan pada setiap populasi
dengan cara membuat q-q plot atau scatter-plot dari nilai 𝑑𝑖2 = (𝑋𝑖 − 𝑋̅)𝑡 𝑆 −1 (𝑋𝑖 −
 𝑋̅) , 𝑖 = 1, 2, … , 𝑛. Tahapan dari pembuatan q-q plot ini adalah sebagai berikut
berikut:
a) Mulai
b) Tentukan nilai vektor rata-rata: 𝑋̅
Tentukan nilai matriks varians-kovarians: 𝑆
1
𝑆= ∑𝑛𝑗=1(𝑥𝑗 − 𝑥̅ ) (𝑥𝑗 − 𝑥̅ )𝑇
𝑛−1

c) Tentukan nilai jarak mahalanobis atau kuadrat general setiap titik pengamatan
dengan vektor rata-ratanya 𝑑𝑖2 = (𝑋𝑖 − 𝑋̅)𝑡 𝑆 −1 (𝑋𝑖 − 𝑋̅).
2 2 2 2
d) Urutkan nilai 𝑑𝑖2 dari kecil ke besar: 𝑑(1) ≤ 𝑑(2) ≤ 𝑑(3) ≤ ⋯ ≤ 𝑑(𝑛) .
𝑖−1⁄2
e) Tentukan nilai 𝑝𝑖 = .
𝑛
𝑞
𝑖
f) Tentukan nilai 𝑞𝑖 sedemikian hingga ∫−∞ 𝑓(𝜒 2 )𝑑 𝜒 2 = 𝑝𝑖 atau 𝑞𝑖,𝑝 (𝑝𝑖 ) =

𝜒𝑝2 ((𝑛 − 𝑖 + 1⁄2)⁄𝑛).

2
g) Buat scatter-plot 𝑑(𝑖) dengan 𝑞𝑖
Jika titik-titik plot cenderung membentuk garis lurus artinya data berdistribusi
normal multivariat (Johnson & Wichern, 2007).

5.2 Uji Distribusi Normal Multivariat Mardia

Mardia (1970) membahas uji normal multivariat yang berdasarkan pada skewness
(𝛾̂1,𝑝 ) dan kurtosis (𝛾̂2,𝑝 ), berikut persamaanya:
1 1
(𝛾̂1,𝑝 ) = 𝑛2 ∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑚𝑖𝑗
3
dan (𝛾̂2,𝑝 ) = 𝑛 ∑𝑛𝑖=1 𝑚𝑖𝑖2

dengan
𝑚𝑖𝑗 = (𝑥𝑖 − 𝑥̅ )𝑇 𝑆 −1 (𝑥𝑖 − 𝑥̅ )
1
𝑆= ∑𝑛𝑗=1(𝑥𝑗 − 𝑥̅ ) (𝑥𝑗 − 𝑥̅ )𝑇
𝑛

𝑝 = banyaknya variabel
Jika sampel berasal dari distribusi normal multivariat statistik uji untuk skewness
(𝑛/6)𝛾̂1,𝑝 mendekati distribusi 𝜒 2 dengan 𝑝(𝑝 + 1)(𝑝 + 2)/6 derajat kebebasan.
Dengan cara yang sama, statistik uji untuk kurtosis 𝛾̂2,𝑝 , mendekati dsitribusi normal
dengan mean 𝑝(𝑝 + 2) dan variansi 8𝑝(𝑝 + 2)/𝑛. Atau pengambilan keputusan dapat
dilakukan dengan nilai p-value. Jika skewness dan kurtosis memiliki nilai p-value > 𝛼
skewness dan kurtosis dapat disimpulkan bahwa sampel berdistribusi nomal multivariat
dan sebaliknya (Korkmaz, dkk, 2016).

6. Konsep Dasar Copula

Copula berasal dari bahasa latin yang berarti hubungan, pertalian atau ikatan
(Nelsen, 2006). Pada tahun 1959 Copula pertama kali diperkenalkan oleh Abu Sklar
melalui Teorema Sklar yang menyatakan bahwa salah satu model untuk memodelkan
sebaran multivariat menggunakan sebaran marginal dan fungsi Copula secara terpisah.
Definisi Copula dapat dijelaskan menggunakan Teorema Sklar (1959). Jika
diketahui H merupakan sebaran multivariat berdimensi p, maka dapat disekat
menggunakan Copula (C) dan sebaran fungsi marginal yang berdimensi-p dapat
dinyatakan dengan 𝐹 ′ = (𝐹1 , … , 𝐹𝑝 ) dan peubah acak 𝑋 ′ = (𝑋1 , … , 𝑋𝑝 ) maka dapat
disajikan persamaan (1.1) dan (1.2)
𝐻(𝑥1 , … , 𝑥𝑝 ) = 𝑃(𝑋1 ≤ 𝑥1 , … , 𝑋𝑝 ≤ 𝑥𝑝 ) (1.1)
atau
𝐻(𝑥1 , … , 𝑥𝑝 ) = 𝐶(𝐹1 (𝑥1 ), … , 𝐹𝑝 (𝑥𝑝 )) (1.2)
dengan 𝐶[0,1]𝑖 → [0,1] dan i = 1,2,…p
Sebaran Copula dapat disajikan pada persamaan (2.3).
𝐶(𝑢1 , 𝑢2 , … , 𝑢𝑝 ) = 𝑃(𝑈1 ≤ 𝑢1 , … , 𝑈𝑝 ≤ 𝑢𝑃 ) (1.3)
atau dapat disajikan dalam persamaan (2.4).
𝐶(𝑢1 , 𝑢2 , … , 𝑢𝑝 ) = 𝑃(𝐹1 (𝑢1 ), … , 𝐹𝑝 (𝑢𝑃 )) (1.4)
dengan 𝑼′ = (𝑈𝟏 , 𝑈𝟐 , … , 𝑈𝒑 ) merupakan Transformasi Integral Peluang dari X',
sehingga diperoleh sebaran fungsi marginal.
Berdasarkan persamaan (1.4) maka dapat diperoleh fungsi sebaran gabungan bagi
Copula dapat disajikan pada persamaan (1.5).
𝐶(𝑢1 , 𝑢2 , … , 𝑢𝑝 ) = 𝐹(𝐹1−1 (𝑢1 ), 𝐹2−1 (𝑢2 ), … , 𝐹𝑝−1 (𝑢𝑝 )) (1.5)
dengan 𝐹1−1 merupakan fungsi kuantil dari marginal.
Apabila sebaran fungsi marginal bersifat kontinu, maka fungsi Copula adalah unik
(Nelsen,2006). Proses penyederhanaan sebaran peluang marginal yang diasumsikan
kontinu dengan 𝐹1 (𝑢1 ), … , 𝐹𝑝 (𝑢𝑃 ) dapat diturunkan, disajikan pada persamaan (1.6).
𝑢 𝑢
𝐶(𝑣1 , 𝑣2 , … , 𝑣𝑝 ) = ∫0 1 … ∫0 𝑝 𝑐(𝑣1 , 𝑣2 , … , 𝑣𝑝 )𝑑𝑣1 … 𝑑𝑣𝑝 (1.6)
dimana
𝑣𝑝 = 𝐹𝑖 (𝑢𝑖 ); 𝑖 = 1,2, … , 𝑝
𝐶 = Suatu Copula
𝑐 = Persamaan fungsi kepekatan peluang Copula

7. Transformasi Peubah Acak ke Uniform [0,1]

Langkah awal analisis menggunakan Copula dilakukan dengan
mentransformasikan peubah acak ke domain uniform [0,1]. Fungsi kepekatan peluang
sebaran marginal peubah acak 𝑋 dan 𝑌 dijelaskan pada persamaan berikut
𝑛
1
𝐹 (𝑥 ) = ∑ 𝐼 𝑃(𝑋𝑖(𝑗) ≤ 𝑥); 𝑖 = 1,2, … , 𝑛
𝑛+1
𝑗=1
𝑛
1
𝐺(𝑦) = ∑ 𝐼 𝑃(𝑌𝑖(𝑗) ≤ 𝑦); 𝑖 = 1,2, … , 𝑛
𝑛+1
𝑗=1

Dimana I merupakan fungsi indikator bernilai satu jika 𝑋𝑖(𝑗) ≤ 𝑥 dan selainnya bernilai
nol begitupun dengan 𝑌𝑖(𝑗) ≤ 𝑦.
Transformasi data ke domain [0,1] dengan membuat rank untuk setiap variabel
acak sebagai berikut:
𝑅1(𝑗) 𝑅2(𝑗) 𝑅𝑝(𝑗)
( ),( ),…,( ),1 ≤ 𝑗 ≤ 𝑛
𝑛+1 𝑛+1 𝑛+1

dengan 𝑅1(𝑗) , 𝑅2(𝑗) ,…, 𝑅𝑝(𝑗) adalah peringkat data 𝑋𝑖(𝑗) ke-i, i=1,2,…n.

8. Tau Kendall dan Copula

Teorema 2.1: Pandang (𝑋1 , 𝑌1 ) dan (𝑋2 , 𝑌2 ) vektor independen dari variabel acak
kontinu dengan fungsi distribusi bersama masing-masing 𝐻1 dan 𝐻2 , dimana 𝑋𝑖 ~𝐹 dan
𝑌𝑖 ~𝐺, 𝑖 = 1,2. Misalkan 𝐶1 dan 𝐶2 menyatakan Copula dari (𝑋1 , 𝑌1 ) dan (𝑋2 , 𝑌2 )
sedemikian sehingga 𝐻1 (𝑥, 𝑦) = 𝐶1 (𝐹(𝑥), 𝐺(𝑦)) dan 𝐻2 (𝑥, 𝑦) = 𝐶2 (𝐹(𝑥), 𝐺(𝑦)).
Misalkan pula 𝑄 menyatakan selisih antara peluang konkordan dan diskordan dari
(𝑋1 , 𝑌1 ) dan (𝑋2 , 𝑌2 ) yaitu (Nelsen, 2006):
𝑄 = 𝑃((𝑋1 − 𝑋2 )(𝑌1 − 𝑌2 ) > 0) − 𝑃((𝑋1 − 𝑋2 )(𝑌1 − 𝑌2 ) < 0)
maka,
1 1

𝑄 = 𝑄(𝐶1 , 𝐶2 ) = 4 ∫ ∫ 𝐶2 (𝑢, 𝑣)𝑑𝐶1 (𝑢, 𝑣) − 1

0 0
 Berdasarkan definisi fungsi konkordan Q, Tau Kendall dapat didefinisikan untuk
X dan Y melalui copula. Misalkan X dan Y variabel acak kontinu dengan Copula C,
maka persamaan Tau Kendall Copula untuk X dan Y adalah (Ristiani, 2016).

𝜏𝑋.𝑌 = 𝜏𝐶 = 𝑄(𝐶, 𝐶) = 4 [∬ 𝐶(𝑢1 , 𝑢2 )𝑑𝐶(𝑢1 , 𝑢2 )] − 1

𝐼2

= 4𝐸[𝐶(𝑢1 , 𝑢2 )] − 1.

9. Copula Archimedean
Copula Archimedean merupakan salah satu keluarga dari Copula yang paling
banyak digunakan dalam kasus bivariat. Pertama kali diperkenalkan oleh Ling pada
tahun 1965 namun ditemukan pertama kali oleh Sklar dan Schweizer pada tahun 1961.
Copula Archimedean terdiri dari Copula Clayton, Gumbel, dan Frank (Nelsen, 2006).
Terdapat φ: [0,1] →[0,∞] yang bersifat kontinu dan monoton turun sedemikian
sehingga φ(1) = 0 dan φ(0) = ∞. Maka fungsi Copula Archimedean dapat dituliskan
sebagai berikut (Ratih,2011):
𝐶(𝑢1 , 𝑢2 ) = 𝜑 −1 {𝜑(𝑢1 ) + 𝜑(𝑢2 )} (1.7)
dengan:
𝜑(𝑢1 ) = fungsi generator Copula Archimedean 𝑢1
𝜑(𝑢2 ) = fungsi generator Copula Archimedean 𝑢2
𝜑 −1 = invers dari ∅ 𝑑imana ∅−1 : [0, ∞] → [0,1].
Copula Archimedean yang paling banyak digunakan dalam kasus bivariat adalah
Copula Clayton, Copula Frank dan Copula Gumbel.

10. Estimasi Parameter Copula Archimedean

Estimasi parameter Copula Archimedean yaitu dengan korelasi Tau Kendall. Pada
kasus Copula Archimedean nilai korelasi Tau Kendall dapat dihitung dengan persamaan
(2.13):
0 𝜑(𝑡)
𝜏𝑐 = 1 + 4 ∫1 𝑑𝑡 (1.8)
𝜑′(𝑡)

dengan:
𝜑(𝑡) = fungsi generator dari keluarga Copula Archimedean
𝜑′(𝑡) = turunan fungsi generator dari keluarga Copula Archimedean
Melalui persamaan (1.8) akan diperoleh nilai estimasi parameter jenis Copula
Archimedean dengan memasukkan fungsi generator masing-masing jenis Copula
Archimedean.

10.1. Copula Clayton

Keluarga copula yang berasal dari Copula Archimedean memiliki fungsi generator
yang berbeda-beda. Copula Clayton yang merupakan kelas dari Copula Archimedean
memiliki fungsi generator sebagai berikut (Syahrir,2011):
𝑡 −𝜃 −1
𝜑(𝑡) = , 𝜃 𝜖 (0, ∞) (1.9)
𝜃

dengan fungsi generator pada persamaan (1.9) akan menghasilkan fungsi distribusi
Copula dari fungsi densitas Copula Clayton sebagai berikut:
1
𝐶(𝑢1 , 𝑢2 ) = (𝑢1 −𝜃 + 𝑢2 −𝜃 − 1)𝜃

10.2 Copula Gumbel

Copula Archimedean memiliki fungsi generator dimana generator yang berbeda
akan menghasilkan fungsi Copula Archimedean yang berbeda pula, salah satunya
Copula Gumbel. Copula Gumbel memiliki fungsi generator yang akan menghasilkan
fungsi Copula sebagai berikut (Ratih, 2011).
𝜑(𝑡) = (− ln(𝑡))𝜃 , 𝜃 ∈ (1, ∞) (1.10)
dengan fungsi generator pada persamaan (1.10) akan menghasilkan fungsi distribusi
kumulatif dari Copula Gumbel sebagai berikut:
1/𝜃
𝐶(𝑢1 , 𝑢2 ) = 𝑒𝑥𝑝 (−[(− ln 𝑢1 )𝜃 + (− ln 𝑢2 )𝜃 ] )

11. Panjang Rata-Rata Berjalan atau Average Run Length (ARL)

Average run length (ARL) adalah jumlah rata-rata titik atau sampel yang harus
digambarkan sebelum sebuah titik atau sampel menyatakan suatu keadaan tidak
terkendali. ARL diklasifikasikan menjadi ARL0 dan ARL1, di mana ARL0 adalah
panjang rata-rata berjalan ketika proses in-control dan ARL1 adalah panjang rata
berjalan ketika proses adalah out-of-control, sebuah ARL0 diterima harus cukup besar
ketika proses memegang kendali dan ARL1 harus kecil ketika proses adalah tidak
terkendali (Montgomery, 2005).
 Pada dasarnya ARL adalah banyaknya titik sampel rata-rata yang harus
digambarkan sebelum suatu titik menunjukkan keadaan tak terkendali. ARL dinyatakan
sebagai :
1
𝐴𝑅𝐿 =
𝑃(𝑠𝑢𝑎𝑡𝑢 𝑡𝑖𝑡𝑖𝑘 𝑑𝑖 𝑙𝑢𝑎𝑟 𝑘𝑒𝑛𝑑𝑎𝑙𝑖)

Misalkan 𝛼 merupakan P (suatu titik diluar kendali), maka perumusan untuk ARL
dalam keadaan terkontrol adalah :

1
𝐴𝑅𝐿0 =
𝛼

Sedangkan perumusan untuk ARL dalam keadaan di luar kendali ( 𝐴𝑅𝐿1 ) adalah :
P (suatu titik di luar kendali) = 1 – P (suatu titik dalam kendali)
=1–𝛽

Sehingga diperoleh :
1
𝐴𝑅𝐿1 =
1−𝛽

12. Analisis dan Pembahasan

Dalam penelitian ini data yang digunakan adalah data simulasi yang dibangkitkan
dengan program R yang berdistribusi gamma. Data yang dibangkitkan terdiri dari dua
variabel dan berdistribusi tidak normal multivariat. Langkah awal yang dilakukan
adalah mengetahui apakah data berdistribusi normal multivariat atau tidak dengan
menggunakan uji distribusi normal multivariat Mardia.
Data simulasi dengan pengujian normal multivariat Mardia yang berdasarkan pada
skewness dan kurtosis. Dengan bantuan software R diperolah nilai skewness 𝛾̂1,𝑝 =
57.80754 dan untuk kurtosis 𝛾̂2,𝑝 = 61.46109 . Diperoleh 𝑝 − 𝑣𝑎𝑙𝑢𝑒 skewness =
8.609456𝑒 − 124 dan 𝑝 − 𝑣𝑎𝑙𝑢𝑒 kurtosis = 0 kedua nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 lebih kecil dari
𝛼 = 0.05 maka disimpulkan bahwa data tidak berdistribusi normal multivariat. Jika
asumsi normal multivariate tidak terpenuhi maka bagan kendali T2 Hotelling tidak dapat
di terapkan untuk itu digunakan pendekatan Copula untuk mangatasi hal tersebut.
 Langkah awal analisis dengan Copula adalah melakukan transformasi data ke
domain [0,1]. Transformasi data ke domain [0,1] dengan membuat rank untuk variabel
X dan Y sebagai berikut:
(𝑖) (𝑖)
𝑅1 𝑅 2
(𝑢1 , 𝑢2 ) = (𝐹(𝑥), 𝐺(𝑦)) = (( ) , (𝑛+1)).
𝑛+1

(𝑖) (𝑖)
𝑅1 dan 𝑅2 adalah rank varibael acak X dan Y. Langkah selanjutnya yakni estimasi
parameter Copula.

Estimasi Parameter Copula Archimedean menggunakan Tau Kendall

Persamaan Tau Kendall untuk Copula sebagai berikut:
𝜏𝑐 = 4𝐸[𝐶(𝑢1 , 𝑢2 )] − 1 (1.11)
Dari persamaan (1.12) diperoleh persamaan estimasi parameter Copula Archimedean
sebagai berikut:
1 𝜑(𝑡)
1 + 4 ∫0 𝑑𝑡 (1.12)
𝜑′(𝑡)

Estimasi Parameter Copula Clayton, Copula Gumbel, dan Copula Frank

Estimasi parameter Copula Clayton, Copula Gumbel dan Copula Frank diperoleh
dengan menggunakan persamaan estimasi Copula Archimedean yang diperoleh pada
(1.13).
Persamaan estimasi parameter Copula Clayton sebagai berikut:
2𝜏
𝜃 = 1−𝜏𝐶 (1.13)
𝐶
Data simulasi yang digunakan dalam penelitian ini memliki nilai Tau Kendall
sebesar 0,69. Subtitusi nilai Tau Kendall ke persamaan (1.13) diperoleh nilai parameter
Copula Clayton 𝜃 = 4,45.

Persamaan estimasi parameter Copula Gumbel sebagai berikut:

−1
𝜃=𝜏 (1.14)
𝑐 −1

Subtitusi nilai Tau Kendall ke persamaan (1.14) diperoleh nilai parameter Copula
Gumbel 𝜃 = 3,23.

Model Copula Clayton

1
−
𝐶(𝑢1 , 𝑢2 ) = {𝑢1 −𝜃 + 𝑢2 −𝜃 − 1} 𝜃
 1
= {𝑢1 −4.45 + 𝑢2 −4.45 − 1}−4.45
Model Copula Gumbel
1
𝐶(𝑢1 , 𝑢2 ) = 𝑒𝑥𝑝 {−[(− ln 𝑢1 )𝜃 + (− ln 𝑢2 )𝜃 ]𝜃 }

1
= 𝑒𝑥𝑝 {−[(− ln 𝑢1 )3.23 + (− ln 𝑢2 )3.23 ]3.23 }

Uji Distribusi Normal Multivariat Data Model Copula Clayton dan Gumbel
Data model Copula Clayton diperolah nilai skewness 𝛾̂1,𝑝 = 0.5891402 dan
untuk kurtosis 𝛾̂2,𝑝 = 6.84096 . Diperoleh 𝑝 − 𝑣𝑎𝑙𝑢𝑒 skewness = 0.2074066 dan
𝑝 − 𝑣𝑎𝑙𝑢𝑒 kurtosis = 0.2617623 kedua nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 lebih besar dari 𝛼 = 0.05
maka terima H0, disimpulkan bahwa data model Copula Clayton berdistribusi normal
multivariat.
Data model Copula Gumbel diperolah nilai skewness 𝛾̂1,𝑝 = 0.1701074 dan
untuk kurtosis 𝛾̂2,𝑝 = 9.206744 . Diperoleh 𝑝 − 𝑣𝑎𝑙𝑢𝑒 skewness = 0.2426354dan
𝑝 − 𝑣𝑎𝑙𝑢𝑒 kurtosis = 0.7639329 kedua nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 lebih besar dari 𝛼 = 0.05
maka terima H0, disimpulkan bahwa data model Copula Gumbel berdistribusi normal
multivariat.

Bagan kendali 𝑻𝟐 Hotelling Data Model Copula

Berikut bagan kendali data model Copula Clayton dan Copula Gumbel:

Gambar 1 : Bagan kendali 𝑇 2 Hotelling Data Model Copula Clayton

 Gambar 2 : Bagan kendali 𝑇 2 Hotelling Data Model Copula Gumbel

Berdasarkan kedua bagan kendali di atas terlihat bahwa masing-masing bagan

kendali terdapat dua nilai T2 yang melampaui nilai UCL sehingga dapat disimpulkan
bahwa proses tidak terkendali atau out of control.

Menghitung Nilai ARL

Adapun nilai ARL 𝑇 2 Hotelling data model Copula Clayton, Copula Gumbel,
dan Copula Frank pada variabel retase dan tonase dengan nilai pergeseran mean yang
digunakan adalah 0.1, 0.2, 0.3, dan 0.4.
Tabel 4.6 Nilai ARL T2 Hotelling dengan data model Copula variabel Retase dan
Tonase
Nilai ARL
Pergeseran k
Clayton Gumbel
0.72050465 0.720132531
0.1 0.1
0.687679035 0.685836515
0.2 0.2
0.612136922 0.605754589
0.3 0.3
0.419468018 0.394512895
0.4 0.4
Sumber: Data diolah, 2017
 Nilai ARL dalam bentuk grafik dapat dilihat pada gambar berikut.

Nilai ARL
0.8
0.7
0.6
0.5
ARL 0.4 Calyton

0.3 Gumbel

0.2
0.1
0
1 2 3 4

Gambar 3. ARL untuk Data Model Copula

Berdasarkan Gambar 3 nilai ARL yang diperoleh untuk data model Copula
Gumbel lebih kecil dibandingkan dengan nilai ARL untuk data model Clayton. Oleh
karena itu, dapat disimpulkan bahwa bagan kendali T2 Hotelling dengan data model
Copula Gumbel dari data simulasi distribusi gamma lebih sensitif untuk dideteksi pada
proses out of control atau dideteksi pada kondisi yang tidak terkendali.

13. Kesimpulan dan Saran

Kesimpulan
Data model Copula Gumbel dari data simulasi distribusi gamma lebih sensitif
untuk dideteksi pada proses out of control atau dideteksi pada kondisi yang tidak
terkendali pada bagan kendali T2 Hotellingk.

Saran
Untuk menerapkan jenis Copula lain pada suatu bagan kendali.

Daftar Pustaka
Dokouhaki, P. Noorossana, R. (2013). A copula Markov CUSUM chart for
monitoring the bivariate auro-correlated binary observation. Quality and
Reliability Engineering International 29:911-919.
Fatahi, A.A. Noorossana, R. Dokouhaki, P. Moghaddam, B.F. (2012). Copula-
based bivariate ZIP control chart for monitoring rare events.
Communications in Statistics Theory and Methods 41:2699-2716.
Genest, C. dan Neslehova, J. (2010). Copulas: Introduction to the Theory and
Implementation in R with Application in Finance and Insurance. Universite Laval
dan McGill University.

Hotelling, H. (1947). Multivariat Quality Control. McGraw-Hill. New York.

Iriawan, N dan Astuti, S.P. (2006). Mengolah Data Statistik dengan Mundah
Menggunakan Minitab 14. Yogyakarta: Penerbit ANDI.

Johnson, R.A., dan Wichern, D.W. (2007). Applied Multivariate Statistical Analysis.
New Jersey: Prentice Hall.

Kuvattana, S., Sukparungsee, S., Busababodhin, P. and Areepong, Y. (2015).

Performance Comparison of Bivariate Copulas on the CUSUM and EWMA
Control Charts. Faculty of Applied Science King Mongkut's University of
Technology North Bangkok. Thailand.

Korkmaz, S., Goksuluk, D., and Zararsiz, G. (2016). MVN: An R Package for Assesing
Multivariate Normality. Department Biostatistics Faculty of Medicine Hacettepe
University. Ankara. Turkey.

Lestari, T.E. (2014). Bagan Kendali Bivariat dengan Copula. Tesis Program Studi
Magister Matematika ITB. Bandung : ITB.

Montgomery, D.C. (2005). Design and analysis of experiments, 6th edition, John Wiley
& Sons, Inc.

M.,Asri, M., Annisa, Saleh, M. (2015). Perbandingan Peta Kendali Atribut Dalam
Pengendalian Kualitas Produk di PT Arika Kharisma Agung. Program Studi
Statistika, Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan
Alam. Universitas Hasanuddin. Makassar.

Nelsen, R.B. (2006). An Introduction to Copula. 2nd ed. New York: Springer.

Nikmah, Z. (2016). Pemodelan Regresi Menggunakan Metode Gaussian Copula

Marginal Regression (GCMR). Jurusan Matematika, Fakultas Matematika dan
Ilmu Pengetahuan Alam. Universitas Brawijaya. Malang

Nugroho,S. (2008). Kajiann Hubungan Koefisien Korelasi Perason, Spearman-rho,

Kendall-Tau, Gamma, dan Somers. Jurusan Matematika, Fakultas Matematika
dan Ilmu Pengetahuan Alam. Universitas Bengkulu. Indonesia

Putri, R., dan Zulakmal. (2009). Optimasi Multi Tujuan dengan Peta Kendali Mutu T2
Buatan. Artikel Ilmiah Penelitian Dosen Muda.

Ratih, I.D. (2011). Gaussian Copula Marginal Regression. Magister Jurusan Statistika
FMIPA ITS. Surabaya : ITS.
Ristiani, Y. F. (2006). Pemodelan Dependensi Distribusi Variabel Non Gaussian
Menggunakan Copula. Program Studi Statistika, Jurusan Matematika, Fakultas
Matematika dan Ilmu Pengetahuan Alam. Universitas Hasanuddin. Makassar.

Sch𝑜̈ lzel, C. (2008). Multivariat Non-normally Distributed Random Variabel in Climate

Research-Introduction to the Copula Approach. University of Born. Germany.

Sklar, A. (1959). Function de r'epartition'a n dimensionset leurs marger. Publ. Inst.

Statics. Univ Paris 8, 229-231.

Syahrir, I. (2011). Estimasi Parameter Copula dan Aplikasinya pada Klimatologi. Tesis
Jurusan Statistika FMIPA ITS. Surabaya : ITS.

Yan, J. (2007). Enjoy the joy of copula: with a pakage copula. Journal of Statistical
Software 21:1-21