LAPORAN STATISTIKA KENDALI MUTU

GRAFIK PENGENDALIAN SIFAT

OLEH KELOMPOK 7 :

ANISA ULFADILA (17037006)

INNAMA QODRI (17037022)

LARA MIRANDA NINGSIH(17037025)

SHERLY EFENDI (17037064)

Dosen pengampu : Admi Salma, S.Pd., M.Si

PROGRAM STUDI D3 STATISTIKA

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI PADANG
 GRAFIK PENGENDALIAN SIFAT

5.1 Pendahuluan

a. Grafik pengendalian untuk bagian tak sesuai atau grafik P adalah grafik yang
berhubungan dengan bagian produk yang tak sesuai atau cacat yang diproduksi oleh suatu
proses produksi.
b. Grafik pengendali untuk ketidaksesuaian atau grafik C.
c. Grafik pengendali untuk ketidaksesuaian perunit atau grafik U.

5.2 Grafik Pengendali Bagian tak sesuai

Bagian yang tak sesuai didefenisikan sebagai perbandingan banyak benda yang tak
sesuai dalam suatu populasi. Salah satu alat yang digunakan dalam pengendalian kualitas
statistik adalah diagram pengendali, yang merupakan teknik dalam penggunaannya sebagai
usaha untuk mengurangi variasi dalam proses. Diagram pengendali yang digunakan adalah
grafik pengendali bagian tak sesuai atau grafik P.
Grafik P merupakan perbandingan banyaknya produk yang tak sesuai dalam suatu
populasi dengan banyaknya produk keseluruhan. Apabila produk tidak sesuai dengan
standar dalam satu atau beberapa karakteristik, maka produk ini dapat dapat diklasifikasikan
sebagai takm sesuai (Montgomery, 2009).
Asas – asas statistik yang melandasi grafik pengendali untuk bagian tak sesuai
didasarkan atas distribusi binomial yaitu :
a. Setiap percobaan terdiri dari n kali ulanagan
b. Setiap ulangan mempunyai dua hasil kejadian yaitu sukses atau gagal
c. Peluang sukses kecil setiap percobaan
d. Setiap ulangan bersifat bebas satu sama lain.
Apabila sampel random dengan n unit produk dipilih, dan D adalah banyak unit
produk yang tak sesuai maka D berdistribusi binomial dengan n dan p yaitu,
𝑛
𝑃 {𝐷 = 𝑥} = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 dengan x = 0,1,…….n
𝑥
distribusi binomial mempunyai (µ) = n x p dan varian (δ2) = n x p (1-p).
bagian tak sesuai sampel didefenisikan sebagai perbandingan banyak unit tak sesuai dalam
sampel D dengan ukuran sampel n ; yaitu
𝐷
Ṕ=
𝑛
Dimana mean (µ) = p dan varian (δ2p)
𝑝 (1−𝑝)
δ 2p =
𝑛
5.2.1 Pengembangan dan Operasi Grafik Pengendali
Jika w suatu statistik yang mengukur suatu karakteristik kualitas, dan jika mean w
adalah µw dan variansi w adalah δ2w maka model umum grafik pengendali shewhart adalah
sebagai berikut :
BPA = µw + Kδw
Garis tengah = µw
BPB = µw - Kδw
Dengan K adalah jarak batas pengendali dari garis tengah, dalam kelipatan deviasi
standar w. Biasanya dipilih k = 3.
Jika bagian tak sesuai yang sebenarnya p dalam proses produksi itu diketahui, atau
nilai standar yang ditentukan oleh manajemen. Garis tengah dan batas pengendali grafik
pengendali tak sesuai adalah
3 𝑃 (1−𝑃)
BPA = P + √ 𝑛

Garis tengah = P
3 𝑃 (1−𝑃)
BPB = P - √ 𝑛

Operasi yang sebenarnya grafik ini akan terdiri dari pengambilan sampel-sampel
dengan n unit berturut-turut, menghitung bagian tak sesuai sampel Ṕ dan mengambarkan
statistik Ṕ pada grafik. Selama Ṕ tetap didalam batas pengendali dan deretan titik-titik yang
tergambar tidak menunjukkan pola sistematik atau tak ranom, dapat disimpulkan bahwa
proses itu terkendali pada tingkat Ṕ. Jika suatu titik terletak diluar batas pengendali atau jika
diamati pola tak random dalam titik-titik tergambar tersebut, disimpulkan bahwa bagian tak
sesuai proses itu telah bergeser ke tingkat yang baru dan proses itu tak terkendali.
Apabila bagian tak sesuai proses itu p tidak diketahui, maka p itu harus ditaksir dari
data observasi. Prosedur yang biasa adalah memilih m sampel pendahuluan, masing-masing
berukuran n. Sebagai aturan umum, m haruslah 20 atau 25. Maka jika ada Di unit tak sesuai
dalam sampel i, hitung bagian tak sesuai dalam sampel ke-I itu sebagai
 𝐷𝑖
Ṕ= i = 1,2,……, m
𝑛

Dan rata-rata tak sesuai sampel-sampel ini adalah

∑𝑚
𝑖=1 𝐷𝑖 ∑𝑚
𝑖=1 Ṕ
𝑝̅ = =
𝑚𝑛 𝑚
Statistik 𝑝̅ menaksir bagian tak sesuai p yang tidak diketahui. Garis tengah dan batas
pengendali untuk bagian tak sesuai dihitung sebagai.

3 𝑃 (1−𝑃)
BPA = 𝑝̅ + √
𝑛

Garis tengah = 𝑝̅

3 𝑃 (1−𝑃)
BPB = 𝑝̅ - √
𝑛

Jika semua titik jatuh di dalam batas pengendalian dan tidak ada perilaku yang
sistematik, maka disimpulkan bahwa diwaktu yang telah lalu proses itu terkendali, dan batas
pengendali itu pantas untuk pengendalian produksi sekarang dan yang akan datang.
Apabila hipotesis keadaan yang lalu terkendali ditolak, perlu untuk memperbaiki batas
pengendali percobaan itu, hal ini dilakukan dengan :
1. Lakukan dengan pemeriksaan tipa titik terkendali, mencari sebab terduga
2. Setelsh ditemukan, titik itu dibuang dan batas pengendali percobaan dihitung kembali
dengan menggunakan titik-titik sisanya.
3. Proses ini berlanjut sampai semua titik terkendali.
Ada dua tindakan yang bisa dilakukan jika tidak ditemukan sebab tersangka, Untuk
suatu titik yang menunjukkan tak terkendali yaitu :
a. Membuang titik itu seperti halnya jika penyebab tak terduga ditemukan
b. Tetap memakai titik itu dengan memandang batas pengendali percobaan untuk
pengendalian selanjutnya.

Contoh 5.1
Sari air jeruk dingin dipak dalam kotak karton 6 ons kotak ini dibuat dengan mesin
memintalnya dari bahan karton, dan memasang lembaram metal pada bagian bawahnya.
Dengan pemeriksaan kotak kita dapat menentukan apakah kotak bocor (bila diisi) pada
lipatan sisi atau sekeliling lipatan bawah ketidaksesuaian kotak sepertin ini mempunyai
tanda tak wajar, bak pada lipatan sisi atau lembaran bawah.
Kita ingin membuat grafik pengendali untuk memantau bagian kotak yang tak sesuai
yang dihasilakan mesin ini, untuk membuat grafik pengendali, 30 sampel masing-masing
dengan 50 kotak dipilih dalam selang setengah jam meliputi periode 3 giliran waktu
mesin beroperasi terus menerus, seperti table 5-1
∑𝑚
𝑖=1 𝐷𝑖 347
𝑝̅ = = (30)(50)
= 0,2313
𝑚𝑛

Dan menghitung bata pengendali atas dan bawah yaitu

𝑃 (1−𝑃)
3 3 0,2131 (0,2131)
𝑝̅ ± √ 𝑛 = 0,2131 = 0,2313 ± √
50

= 0,2313 ± 0,1789
Dengan demikian

BPA = 0,2313 + 0,1789

BPB = 0,2313 – 0,1789

Berdasarkan perhitungan diatas dapat disimpulkan bahwa garis tengah pada 𝑝̅ =

0,2313 dan batas kelas pengendalian atas 0,4012, maka ada dua tititk yang terletak diatas
BPA pada sampel 15 dan 23 dengan nilai 0,44 dan 0,48. Karena sampel 15 dan 23
merupakan penyebab bagian tak sesuai yang tinggi diperoleh dari sampel itu, maka sampel
ini dikeluarkan dan dilakukan perbaikan batas pengendali sebagai berikut :

347
𝑝̅ = (28)(50) = 0,2150

3 0,2150 (0,7850)
BPA dan BPB = 0,2150 ± √
50

= 0,3893 dan 0,0407

Sebelum disimpulkan bahwa proses itu terkendali pada tingkat ini, periksa terlebih
dahulu ada atau tidaknaya giliran atau pola tak random lainnya dalam 28 sampel yang
tinggal. Giliran terbesar adalah yang panjangntza 5 diatas garis tengah dan dalam data itu
tidak terdapat pola yang jelas. Tidak ada fakta yang jelas tentang sesuatu kecuali pola variasi
yang random di sekitar garis tengah.
Disimpulkan bahwa proses itu terkendali pada tingkat p = 0,2150, dan batas
pengendalian yang diperbaiki itu harus dipakai untuk memantau produksi yang sekarang
sedang berjalan. Ketidaksesuaian kotak yang dihasilkan adalah yang dapat di kendalikan
manajemen karena campur tangan manajemen dalam proses itu diperlukan untuk
meningkatkan penampilan.
Menguji hipotesis bahwa bagian tak sesuai proses dalam periode tiga giliran sekarang
ini berbeda bagian tak sesuai proses dalam data pendahuluan. Hipotesis itu adalah
H0 : P1 = P2
H1 : P1 > P2

∑24
𝑖=1 𝐷𝑖 133
𝑝̅ 2 = = = 0,1108
(50)(24) 1200
Dengan statistik penguji hipotesis diatas adalah
 𝑝̂1 −𝑝̂2
Z0 = 1 1
√𝑝̂ (1−𝑝̂ )( + )
𝑛1 𝑛2

Dimana

𝑛1𝑝̂ 1 + 𝑛2𝑝̂ 2
𝑝̂ =
𝑛1 + 𝑛2
Diperoleh 𝑝̂ = 0,1669 dan Z0 = 7,22
Bandingkan dengan  = 0,05 untuk distribusi normal standar, maka Z0 = 7,22 > Z0,05 = 1,645.
Kesimpulannya tolak H0nya tolak H0 dan telah ada penurunan yang signifikan dalam
ketidaksesuaian proses.
Grafik pengendali np, parameter grafiknya adalah
BPA = 𝑛𝑝 + 3 √𝑛𝑝 (1 − 𝑝)
Garis tengah = np
BPB = 𝑛𝑝 − 3 √𝑛𝑝 (1 − 𝑝)
5.2.2 Ukuran Sampel Berbeda-beda
Dalam beberapa penerapan grafik pengendali bagian tak sesuai sampelnya adalah
100% pemeriksaan hasil proses selama periode waktu tertentu. Ada beberapa pendekatan
dalam pebentukan dan pengoperasian grafik pengendali dengan ukuran sampel berbeda-beda
yaitu
1. Menentukan batas pengendali untuk tiap sampel yang didasarkan atas ukuran tertentu.
Yakni jika sampel ke-I berukuran ini, maka batas atas dan bawahnya adalah p ±
3 √𝑛𝑝 (1 − 𝑝)/𝑛𝑖 .
2. Mendasarkan grafik pengendali pada ukuran sampel rata-rata, yang menghasilkan
himpunan batas pengendali pendekatan.

5.2.3 Fungsi Karakteristik Operasi

Fungsi Karakteristik Operasi atau KO grafik pengendali bagian tak sesuai adalah
penyajian grafis probabilitas menerima secara salah hipotesis keadaan terkendali statistik
(kesalahan tipe II atau ) terhadap bagian tak sesuai proses. Kurva KO memberikan ukuran
kepekaan grafik pengendali yakni kemampuannya menyidik suatu pergeseran dalam bagian
tak sesuai proses dari nominal 𝑝̅ ke suatu nilai p. probabilitas kesalhan tipe II untuk grafik
pengendali bagian tak sesuai dapt dihitung dari
ß = 𝑃[𝑝̂ < 𝐵𝑃𝐴|𝑝] − 𝑃[𝑝̂ ≤ 𝐵𝑃𝐵|𝑝]
= 𝑃[𝐷 < 𝑛𝐵𝑃𝐴|𝑝] − 𝑃[𝐷 ≤ 𝑛𝐵𝑃𝐵|𝑝]
 Karena D variabel random binomial dengan parameter n dan p, kesalahan yang
didefenisikan dalam probabilitas kesalahan tipe II untuk grafik pengendali bagian tak sesuai,
dapat diperoleh dari distribusi binomial kumulatif.
Tabel 5-6 menggambarkan bahwa perhitungan yang diperlukan membuat kurva KO
bagi grafik pengendali bagian tak sesuai dengan parameter n = 50, BPB = 0,0303 dan BPA =
0,3697. Menggunakan parameter-parameter ini, persamaan menjadi
ß = 𝑃[𝐷 < (50)(0,3697)|𝑝] − 𝑃[𝐷 ≤ (50)(0,0303)|𝑝]
= 𝑃[𝐷 < 18,49|𝑝] − 𝑃[𝐷 ≤ 1,52|𝑝]
Tetapi, karena D harus merupakan bilangan besar, maka kita peroleh
ß = 𝑃[𝐷 < 18|𝑝] − 𝑃[𝐷 ≤ 2|𝑝]
kurva KO dilakukan pada gambar berikut :

5.3 Grafik Pengendali Ketidaksesuaian

Benda yang tak sesuai adalah unit produk yag tidak memenuhi satu atau beberapa
spesifikasi untuk produk itu. Setiap titik tertentu dimana spesifikasi tidak dipenuhi
menghasilkan satu cacat atau tak sesuai. Akibatnya satu benda yang tak sesuai akan memuat
paling sedikit satu ketidaksesuaian. Untuk mengembangkan grafik penegendali bagi jumlah
ketidaksesuaian dalam suatu unit atau rata- rata banyak ketidaksesuaian per unit. Grafik
pengendali ini biasanya menganggap bahwa terjadinya ketidaksesuaian dalam sampel –
sampel berukuran tetap dapat dimodelkan dengan distribusi poisson dengan baik. Dimana
dengan ciri – ciri sebagai berikut :

 Mensyaratkan banyak tempat yang berkesempatan untuk tidak sesuai haruslah besar
tak berhingga.
 Probabilitas akan terjadinya ketidaksesuaian pada suatu tempat adalah kecil dan
konstan.
 Unit pemeriksaan harus sama untuk tiap sampel.

5.3.1 Prosedur Dengan Ukuran Sampel Konstan

Andaikan bahwa cacat atau taksesuai terjadi dalam dalam unit pemeriksaan ini
menurut didtribusi poisson yakni :

𝑒 −𝑐 𝑐 𝑥
p(x) = = 0, 1, 2, ...
𝑥!

dimana :

x = banyaknya ketidaksesuaian

C > 0 = parameter distribusi poisson

Mean dan variansi distribusi poisson adalah parameter c. Dengan demikian, grafik
pengendali untuk ketidaksesuain dengan batas-batas 3-sigma diberikan oleh

BPA = c + 3√𝑐

Garis Tengah = c

BPB = c - 3√𝑐

Jika hitungan ini menghasilkan nilai BPB yang negatif, ambil BPB = 0.

Jika nilai standar tidak diberikan, maka c dapat ditaksir dengan banyak
ketidaksesuaian rata-rata yang diamati dalam sampel pendahuluan unit pemeriksaan,
misalnya 𝑐̅. Dalam hal ini grafik pengendali mempunyai parameter.
 BPA = 𝑐̅ + 3√𝑐

Garis Tenah = 𝑐̅

BPB = 𝑐̅ - 3√𝑐

Apabila nilai standar tidak diberikan, batas pengendali dalam persamaan diatas harus
dipandang sebagai batas pengendali percobaan, dan sampel-sampel pendahuluan diperiksa
ketidak terkendalinya. Kadang-kadang grafik pengendali untuk ketidaksesuain dinamakan
juga grafik c.

Contoh 5-2

Tabel 5-7 menyajikan banyak ketidaksesuaian yang diamati dalam 26 sampel berturut-turut
100 papan untaian tercetak. Perhatikan bahwa, untuk alasan kemudahan, unit pemeriksaan
didefenisikan sebagai 100 papan. Karena 26 sampel memuat seluruhnya 516
ketidaksesuaian, c kita taksir dengan

516
𝑐̅ = = 19,85
26

Dengan demikian, batas pengendali percobaan diberikan dengan

BPA = c + 3√𝑐 = 19,85 + 3√19,85 = 33,22

Garis Tengah = 𝑐̅ = 19,85

BPB = 𝑐̅ - 3√𝑐 = 19,85 - 3√19,85 = 6,48

Tabel 5-7 Data Banyak Ketidaksesuaian dalam sampel dengan 100 papan untaian tercetak

No Banyak No Banyak
Sampel Ketidaksesuaian Sampel Ketidaksesuaian
1 21 14 19
2 24 15 10
3 16 16 19
4 12 17 13
 5 15 18 22
6 5 19 18
7 28 20 39
8 20 21 30
9 31 22 24
10 25 23 16
11 20 24 19
12 24 25 17
13 16 26 15

Grafik pengendalinya ditunjukkan dalam gambar 5-8. Banyak ketidaksesuaian yang

diamati dari sampel-sampel pendahuluan itu dituangkan dalam grafik ini. Dua titik terletak
diluar batas pengendali, sampel 6 dan 20. Penyeledikan pada sampel 6 mengungkapkan
bahwa seorang pemeriksa baru yang telah meneliti papan-papan dalam sampel ini dan dia
tidak mengenali beberapa macam ketidaksesuaian yang makin ada. Selanjutnya, banyak
ketidaksesuaian yang banyak luar biasa dalam sampel 20 dihasilkan dari masalah 20
pengendalian temperatur dalam mesin pateri gelombang, yang kemudian diperbaiki. Dengan
demikian, tampaknya cukup beralasan untuk mengeluarkan kedua sampel ini dan
memperbaiki batas pengendali percobaan. Sekarang dihitung taksiran untuk c diperoleh

472
𝑐̅ = = 19,67
24

Dan batas pengendali baru adalah

BPA = 𝑐̅ + 3√𝑐 = 19,67 + 3√19,85 = 32,97

Garis Tengah = 𝑐̅ = 19,67

BPB = 𝑐̅ - 3√𝑐 = 19,67 - 3√19,85 = 6,37

 Dua puluh sampel baru, yang masing-masing terdiri dari satu unit pemeriksaan (yakin
100 papan), kemudian diambil. Banyak ketidaksesuaian dalam tiap sampel dicatat dan
dituangkan dalam tabel 5-8. Titik-titik ini digambarkan pada grafik pengendali dalam
gambar 5-9. Tidak terlihat keadaan kurang terkendali, tetapi banyak ketidaksesuaian
perpapan masih tinggi. Tindakan manajemen diperlukan untuk meningkatkan proses.

Analisis Ketidaksesuaian Lebih Lanjut. Data cacat atau ketidaksesuaian selalu

lebih informatif dari bagian tak sesuai, karena biasanya akan ada beberapa macam
ketidaksesuaian yang berbeda. Dengan menganalisa ketidaksesuaian berdasarkan
macamnya, sering kali kita dapat memperoleh pandangan yang lebih dalam pada sebabnya.
Misalnya, dalam proses papan untaian tercetak, ada 16 macam cacat yang berbeda.
 Teknik yang berguna lainnya untuk analisis ketidaksesuaian lebih lanjut adalah
diagram sebab dan akibat (juga dinamakan diagram Ishikawa, dari nama pengembangnya,
Dr. Kaoru Ishikawa). Diagram sebab dan akibat digunakan untuk melukiskan dengan jelas
berbagai sumber ketidaksesuaian dalam produk dan saling hubungannya. Ada beberapa cara
menggambarkan diagram sebab dan akibat. Cara ini memuaskan tiga sumber umum
ketidaksesuaian yang pertama: bahan, operator, dan alat. Pendekatan lain yang berguna
adalah mengatur diagram menurut aliran bahan melalui proses.

Diagram pemusatan cacat digunakan untuk menentukan apakah ketidaksesuaian

terletak dalam daerah fisik yang sama produk itu. Diagram ini biasanya suatu bagan atau
gambaran produk itu denganfrekuensi rata-rata terjadinya ketidaksesuaian ditunjukkan
dengan daerah banyangan.

Pemilihan Ukuran Sampel : Grafik u. Contoh 5-2 melukiskan grafik pengendali

ketidaksesuaian dengan ukuran sampel yang tepat sama dengan ukuran unit pemeriksaan.
Unit pemeriksaan dipilih untuk kesederhanaan operasional atau pegumpulan data. Tetapi,
tidak ada alasan mengapa ukuran sampel harus terbatas pada satu untuk pengukuran.
Sebenarnya kadang-kadang kita lebih senang menggunakan beberapa unit pemeriksaan
dalam sampel, dengan demikian meningkatkan daerah kesempatan akan terjadinya
ketidaksesuaian. Ukuran sampel harus dipilih menurut pertimbangan statistik, seperti
menentukan ukuran sampel cukup besar untuk menjamin batas pengendali bawah positif
atau memperoleh probabilitas tertentu akan menyidik suatu pergeseran proses. Sebagai
alternatif lain, faktor-faktor ekonomi dapat juga masuk dalam penentuan ukuran sampel.

Ada dua pendekatan umum dalam membentuk grafik yang diperbaiki sekali ukuran
sampel baru telah dipilih yaitu :

 Satu pendekatan hanyalah mendefinisikan kembali unit pemeriksaan baru yang sama
dengan n kali unit pemeriksaan lama. Dalam hal ini, garis tengah pada grafik pengendali
yang baru adalah nc dan batas pengendalinya terletak pada n𝑐̅ ±3√𝑛𝑐̅, dengan c mean
banyak ketidaksesuaian yang diamati dalam unit pemeriksaan aslinya.
 Pendekatan kedua meliputi pembentukan grafik pengendali berdasarkan banyak
ketidaksesuaian rata-rata per unit pemeriksaan. Jika kita peroleh c jumlah ketidaksesuaian
 rata-rata per unit pemeriksaan. Maka banyak ketidaksesuaian rata-rata per unit
pemeriksaan adalah
𝑐
u=
𝑛
perhatikan bahwa u adalah variabel random poisson karena ini merupakan kombinasi
linier n variabel random poisson independen. Dengan demikian, parameter grafik pengendali
itu adalah

̅
𝑢
BPA = 𝑢̅ + 3√
𝑛

Garis Tengah = 𝑢̅

̅
𝑢
BPB = 𝑢̅ - 3√𝑛

Dengan 𝑢̅ menunjukkan banyak ketidaksesuaian rata-rata perunit yang diamati dalam

himpunan data permulaan. Batas pengendali yang diperoleh dari persamaan diatas akan
dipandang sebagai batas pengendali percobaan. Grafik ini dinamakan grafik pengendali
untuk ketidaksesuaian per unit atau grafik u.
Contoh 5-3
Pengusaha komputer pribadi ingin membentuk grafik pengendali untuk
ketidaksesuaian per unit pada jalur perakitan akhir. Sebagai ukuran sampel dipilih lima
komputer. Data banyak ketidaksesuaian dalam 20 sampel masing-masing dengan 5
komputer ditunjukkan dalam tabel 5-10. Dari data ini, kita akan menaksirkan banyak
ketidaksesuaian rata-rata per unit sebagai

∑20
𝑖=1 𝑢𝑖 38,60
𝑢̅ = = = 1,93
20 20

Dengan demikian, parameter grafik pengendali itu adalah

̅
𝑢 1,93
BPA = 𝑢̅ + 3√ = 1,93 + 3√ = 3,79
𝑛 5

Garis Tengah = 𝑢̅ = 1,93

 ̅
𝑢 1,93
BPB = 𝑢̅ - 3√ = 1,93 + 3√ = 0,07
𝑛 5

Data pendahuluan tidak menunjukkan kurang terkendali statistik; dengan demikian,

batas pengendali percobaan diatas akan diambil untuk tujuan-tujuan pengendali saat ini.
Sekali lagi, perhatikan bahwa meskipun proses dalam keadaan terkendali, banyak
ketidaksesuaian rata-rata per unit terlalu tinggi. Meskipun jika ada yang tidak berfungsi atau
tampak ada ketidaksesuaian, itu terlalu banyak. Manajemen harus mengambil tindakan
untuk menguatkan proses.
 Model Probabilitas Alternatif untuk Data Cacah. Kebanyakan penerapan grafik c
menganggap bahwa distribusi poisson adalah model probabilitas yang benar melandasi
proses itu. Tetapi itu bukan satu-satunya distribusi yang dapat dimanfaatkan sebagai model
“data” bertipe “cacah” atau ketidaksesuaian per unit.

5.3.2 Prosedur dengan Ukuran Sampel Berbeda-beda

Jika dalam keadaan ini, maka grafik pengendali untuk ketidaksesuaian (grafik c), garis
tengah dan batas pengendali keduanya akan berubah-ubah dengan ukuran sampel. Grafik
pengendali semacam itu dapat sangat sukar menginterpretasikannya. Prosedur yang benar
adalah menggunakan grafik pengendali untuk ketidaksesuaian per unit (grafik u). Grafik ini
akan mempunyai garis tengah konstan; tetapi, batas pengendali akan berubah-ubah dengan
ukuran sampel n.

Contoh 5-4

Dalam pabrik tekstil, bahan celupan diperiksa adanya cacat per 50 meter persegi. Data
dari sepuluh gulungan bahan ditunjukkan dalam tabel 5-11. Kita akan menggunakan data ini
untuk membentuk grafik pengendali ketidaksesuaian per unit.

Garis tengah grafik itu haruslah banyak ketidaksesuian rata-rata per unit pemeriksaan
yakni, banyak ketidaksesuaian rata-rata per 50 meter persegi. Dihitung sebagai berikut :
 153
𝑢̅ = 107,5 = 1,42

Perhatikan bahwa 𝑢̅ adalah perbandingan banyak ketidaksesuaian yang diamati

keseluruhan dengan banyak unit pemeriksaan keseluruhan.

Batas pengendali pada grafik ini dihitung dari persamaan diatas dengan n dan ni. Lebar
batas pengendali akan berubah-ubah berkebalikan dengan ni banyak unit pemeriksaan dalam
gulungan. Perhitungan batas pengendali disajikan dalam tabel 5-12. Gambar 5-14
melukiskan grafik pengendali itu.

5.3.3 Sistem Kerusakan

Berikut ini adalah bentuk pola kerusakan yaitu:

 Cacat Kelas A – Sangat Serius. Unit tidak cocok sama sekali untuk pelayanan atau akan
gagal dalam pelayanan sedmikian rupa sehingga tidak mudah diperbaiki di lapangan, atau
akan menyebabkan kecelakaan atau kerusakan milik pribadi.
 Cacat Klas B – Serius. Unit mungkin akan mengalami kegagalan operasional Kelas A,
atau pasti akan menyebabkan masalah operasional yang kurang serius, atau pasti akan
mengurangi tahan hdup atau meningkatkan biaya perwawatan
 Cacat Kelas C – Agak Serius. Unit yang mungkin akan gagal dalam pelayanan, atau
menyebabkan kesulitan yang kurang serius daripada masalah opersioanal, atau mungkin
megurangi tahan hidup atau meningkatkan biaya pemeliharaan, atau mempunyai cacat besar
dalam bentuk akhir, penampilan, atau kualitas pekerjaan.
 Cacat Kelas D – Kecil. Unit tidak akan gagal dalam pelayanan, tetapi mempuyai cacat
kecil dalam bentuk akhir, penampian, atau kualitas pekerjaan.

Misalkan CA, CB, CC, dan CD masing – masing menunjukkan banyak cacat Kelas A, Kelas
B, Kelas C, dan Kelas D, dalan unit pemeriksaan. Kita anggap bahwa tiap kelas cacat
independen, dan kejadian cacat dalam tiap kelas adalah dimodelkan dengan baik oleh
distribusi poisson. Maka kita definisikan bahwa kerusakan dalam unit pemeriksaan sebagai

D = 100CA + 50CB + 10CC + CD

Bobot kerusakan Kelas A-100, Kelas B-50, Kelas C10, dan Kelas D1 digunakan sangat luas
dalam praktek. Tetapi, setiap bobot yang masuk akan dan cocok untuk suatu masalah
tertentu dapat juga digunakan.

Misalkan digunakan suatu sampel dengan n unit pemeriksaan. Maka banyak kerusakaan per
unit adalah

𝐷
u=𝑛

dengan D adalah banyak kerusakan keseluruhan dalam semua n unit pemeriksaan. Karena u
adalah kombinasi linier variabel random Poisson independen. Akibatnya statistik u dapat
digambarkan pada grafik pengendali dengan parameter berikut :

BPA = 𝑢̅ + 3𝜎
̂𝑢

Garis Tengah = 𝑢̅

BPB = 𝑢̅ - 3𝜎
̂𝑢

Dengan

𝑢̅ = 100𝑢̅A + 50𝑢̅B + 10𝑢̅C + 𝑢̅D

Dan
 1002 ̅𝑢A + 502 𝑢
̅B + 102 𝑢
̅C + 𝑢
̅D 1/2
𝜎
̂𝑢 = [ ]
𝑛

𝑢̅A ,𝑢̅B , 𝑢̅C dan 𝑢̅D menunjukkan banyak cacat Kelas A, Kelas B, Kelas C, Kelas D rata-
rata per unit.

5.3.4 Fungsi Karakteristik Operasi

Kurva Karakteristik Operasi (KO) untuk grafik c dan grafik u dapat diperoleh dari
distribusi poisson. Untuk grafik c, grafik KO menggambarkan probabilitas kesalahan tipe II
β banyak cacat rata – rata yang sebenarnya c. Ungkapan untuk β adalah

β = P[x<BPA│c] – P[x≤BPB│c]

Dengan x adalah variabel random poisson dengan parameter c.

Kita akan membentuk kurva KO untuk rafik c contoh 5-2. Untuk contoh ini, karena BPB =
6,48 dan BPA = 33,22, maka Persamaan menjadi

β = P[x<33,22│c] – P[x≤6,48│c]

karena banyak ketidaksesuian harus bilangan bulat, ini ekivalen dengan

 β = P[x≤33│c] – P[x≤7│c]

probabilitas ini dihitung dalam tabel 5-13. Kurva KO ditunjukkan dalam gambar 5-15.

Untuk grafik u, kita membentuk kurva KO dari

β = P[x< BPA│u] – P[x≤BPB│u]

= P[x< n BPA│u] – P[c ≤ 𝑛 BPB│u]

= P[n BPB < c ≤ n BPA│u]

𝑒 −𝑛𝑢 (𝑛𝑢)𝑐
= ∑𝑛𝑐=<𝑛
𝐵𝑃𝐴
𝐵𝑃𝐵> 𝑐!
 Sumber :
Dr. Subanar, Prof.Dr. Soejoeti, Zanzawi, MSc. 1990.”Pengantar Pengendalian Kualitas
Statistik”. Yogakarta : Universitas Gadjah Mada Press.